-
公开(公告)号：CN118246546A
公开(公告)日：2024-06-25
申请号：CN202410228449.7
申请日：2024-02-29
Applicant: 西安电子科技大学
IPC: G06N5/04 , G06N3/0464 , G06N3/048 , G06N3/0499 , G06N3/08 , G06F21/46 , G06F21/60
Abstract: 本案涉及基于可信执行环境的安全推理方法、介质及装置，属于数据安全及密码应用技术领域，用于解决现有服务提供商的安全推理模型因存在大量密文计算而导致推理延迟的问题，特别是在大模型推理或进行连续推理时，该问题尤为严重。本方案通过将推理模型分成两部分，并使第一部分的数据经过同态加密，对该部分实施同态计算，对另一部分实施加速明文计算，并在整个模型计算中，采用多个计算单元实施链式计算，从而实现在不泄露用户数据和模型结构的前提下，提高推理速度；而通过在同态计算中采用可信执行环境执行密文状态下的非线性函数计算，可实现与原推理模型相同的推理，同时利用可信执行环境的安全属性实现抵抗模型推理攻击。
-
公开(公告)号：CN116882499A
公开(公告)日：2023-10-13
申请号：CN202310372667.3
申请日：2023-04-10
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于安全多方计算的安全推理方法，步骤包括：步骤1，离线阶段，确定参与模型推理的参与方；服务提供商将推理的模型秘密分享给各参与方；步骤2，在线阶段线性层，各个计算方本地计算，并将计算结果发送并重构；通过一个预先决定好的集合给其他参与方，最后各参与方能够计算；步骤3，对线性层进行检查，各参与方执行检查协议；步骤4，在线阶段非线性层，使用多混淆方和多评估方的混淆电路计算非线性层函数；步骤5，重复步骤3和步骤4，完成所有的线性层和非线性层的计算，参与方根据协议将计算结果发送给指定的客户端重构计算结果。本发明的方法，在不损害准确率的前提下保证各参与方参与者的数据隐私。
-
公开(公告)号：CN114757823A
公开(公告)日：2022-07-15
申请号：CN202210248161.7
申请日：2022-03-14
Applicant: 西安电子科技大学
Abstract: 本发明涉及一种光学合成孔径动态变阵成像系统及成像方法，该成像系统包括：多帧图像采集模块和图像复原模块，其中，多帧图像采集模块包括依次连接的光学合成孔径动态变阵和探测器，其中，光学合成孔径动态变阵包括若干子孔径，若干子孔径形成基线呈X型的孔径阵列，利用孔径阵列的旋转以及基线伸缩的动态变阵方式，以实现探测器对待测物的多帧图像采集；图像复原模块利用训练完成深度学习模型对多帧图像进行复原得到复原图像。本发明的成像系统，设置有光学合成孔径动态变阵，通过旋转伸缩的变阵方式用小孔径稀疏系统实现等效打大孔径的成像效果，并通过深度学习算法对系统产生的多帧观测图像组进行复原，以此实现高分辨成像。
-
公开(公告)号：CN111311729B
公开(公告)日：2022-03-11
申请号：CN202010056119.6
申请日：2020-01-18
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于双向投影网络的自然场景三维人体姿态重建方法，针对现有技术中人体三维姿态重建过程仍需改进的问题。该发明含有以下步骤：一、利用相机采集数据；二、将采集的视频、图像数据送入二维姿态检测器获取对应姿态的二维人体关节点坐标；三、根据训练过程有无三维姿态数据标签设计两种结构的双向投影网络；四、利用深度对抗式学习策略对设计好的网络进行训练，最小化网络损失函数，经过迭代最终得到训练好的三维姿态生成器；五、将步骤二中二维姿态检测器的输出结果输入步骤四中训练好的三维姿态生成器。该技术成本低廉，能助力5G时代的VR、AR技术，建立便携式体感交互设备，实现三维动作重建技术的大规模推广与应用。
-
公开(公告)号：CN110765956A
公开(公告)日：2020-02-07
申请号：CN201911027700.9
申请日：2019-10-28
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于部件特征的双人交互行为识别方法，通过生成双人交互行为数据集并搭建双人交互行为识别网络，克服了现有技术中识别网络没有关注到人的身体部件，引入无用的部件特征，加重了识别网络学习负担，数据集的复用性和扩展性差的问题。本发明实现的步骤是：(1)双人交互行为识别网络；(2)生成双人交互行为训练集；(3)训练双人交互行为识别网络；(4)进行双人交互行为识别。本发明具有双人交互识别网络检测交互行为识别率高、网络结构简单、数据集复用性和扩展行强的优点，可用于自然图像中双人交互行为的识别。
-
Patent Agency Ranking
公开(公告)号：CN110033505A
公开(公告)日：2019-07-19
申请号：CN201910304590.X
申请日：2019-04-16
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于深度学习的人体动作捕捉与虚拟动画生成方法，包含以下步骤：A、采集演员动作并转换成视频流信号输入；B、姿态检测网络预训练；C、提取人体姿态序列；D、姿态条件生成对抗网络预训练；E、将姿态序列输入姿态条件生成对抗网络，输出与人体动作同步的动画视频。本发明有效的减少了动画制作的成本，提升了普通用户的可操作性，也提高了动画的产出效率，可作为一种媒体创建工具来进行特效演示、Demo的实时生成以及动画和电影的快速制作，也可作为短视频应用中的交互式滤镜，虚拟现实体感游戏的辅助等，从而有利于动作捕捉技术大范围落地商用与推广。
-
公开(公告)号：CN105743505B
公开(公告)日：2018-11-20
申请号：CN201610065902.2
申请日：2016-02-01
Applicant: 西安电子科技大学
IPC: H03M1/12
Abstract: 本发明公开了一种信号自相关调制压缩采样与恢复方法，主要解决现有技术中信号采样率要求过高的问题，其实现步骤为：(1)对输入的模拟信号进行自相关调制与自相关调制信号采样；(2)对调制后信号进行低通滤波并进行低速采样，得到压缩采样信号；(3)利用采样得到的自相关调制信号构造观测矩阵；(4)根据压缩感知理论，利用压缩采样信号与观测矩阵优化求解稀疏向量；(5)根据求解得到的稀疏向量恢复原信号。本发明能大大降低信号的采样率，并保证了信号的恢复准确度，可用于超宽带信号的低速获取。
-
公开(公告)号：CN104883192B
公开(公告)日：2018-03-06
申请号：CN201510340783.2
申请日：2015-06-18
Applicant: 西安电子科技大学
IPC: H03M7/30
Abstract: 本发明公开了一种基于混合压缩采样的非合作超宽带信号的重构方法，主要解决现有技术无法利用有效先验对非合作性信号进行重构的问题，其实现步骤为：(1)对输入的模拟信号进行随机投影观测和在变换域基函数上的投影观测；(2)利用投影观测系数与基函数的线性组合实现对信号的粗略重构；(3)利用主成分分析法对粗略重构信号进行K‑L分解，得到信号自相关矩阵的特征向量；(4)以特征向量矩阵作为信号稀疏的域，在压缩感知理论框架下实现信号的精细重构。本发明能够在非合作环境下，实现对超宽带信号的低速采样和精确重构，可用于超宽带信号的低速获取。
-
公开(公告)号：CN107547460A
公开(公告)日：2018-01-05
申请号：CN201710720483.6
申请日：2017-08-21
Applicant: 西安电子科技大学
IPC: H04L27/00
Abstract: 本发明公开了一种基于深度学习的无线通信调制信号识别方法，主要解决现有技术中识别效果过于依赖人工对于调制信号特征提取的问题，同时本发明改善现有技术在低信噪比时识别正确率低的缺点。该方法包括：对捕获到的待识别调制信号进行采样；对采样所得到的采样序列进行归一化，根据归一化后的采样序列制作调制信号的二维直方图；构建深度卷积神经网络；利用训练样例训练深度卷积神经网络；利用训练好的深度卷积神经网络识别无线通信调制信号。本发明对于调制信号的识别效果不依赖人工对于特征的选择和提取，并且在低信噪比的情况下也有很高的识别正确率。
-
公开(公告)号：CN106226738A
公开(公告)日：2016-12-14
申请号：CN201610536731.7
申请日：2016-07-08
Applicant: 西安电子科技大学
CPC classification number: G01S5/18 , H04W4/029 , H04W64/006 , H04W84/12
Abstract: 本发明公开了一种基于声学的移动设备近场测距定位方法，主要解决现有技术测距精度低，测距设备复杂的问题。其技术方案是：1)利用线性调频原理制作发射信号；2)由主节点移动设备开启wifi建立局域网，从节点移动设备连入局域网；3)测量两两移动设备相互之间的距离；4)利用四部移动设备确定相对空间坐标系；5)当新移动设备加入到局域网时，利用新移动设备与局域网中所有已定位移动设备之间的距离信息确定该移动设备的坐标；6)当某部已定位的移动设备移动时，采用5)中的方法不断更新该移动设备的坐标信息，实现移动轨迹跟踪。本发明定位精度高，对噪音的鲁棒性好，同时移动方便，可用于近场环境中需要定位或者跟踪的应用中。
-
-
-
-
-
-
-
-
-
Search Results
49
records
(took 0.057 seconds)
