-
公开(公告)号：CN116523956A
公开(公告)日：2023-08-01
申请号：CN202310197389.2
申请日：2023-02-28
Applicant: 安徽大学
IPC: G06T7/246 , G06N3/08 , G06N3/0464
Abstract: 本发明提供基于渐进式融合Transformer与动态指导学习的RGBT跟踪方法及系统，方法包括：训练过程和测试过程，训练过程包括：数据采样和预处理；特征提取；跨分支特征融合；模板帧和搜索帧特征信息交互；搜索帧特征送入分类器并计算分类损失；适用协同学习算法进行训练优化，测试过程包括：数据采样和预处理；特征提取；跨分支特征融合；模板帧和当前帧特征信息交互；当前帧特征送入分类器和回归器；预测当前帧目标的包围框。本发明解决了不同模态丢失异构信息、融合特征与特定模态特征之间的关系在学习判别多模态表示时却被忽略、缺乏全局表示能力的技术问题。
-
公开(公告)号：CN119939600A
公开(公告)日：2025-05-06
申请号：CN202510010515.8
申请日：2025-01-03
Applicant: 安徽大学
IPC: G06F21/57 , G06F18/20 , G06V10/764 , G06V10/82
Abstract: 本发明涉及一种基于图简化的代码漏洞检测方法及漏洞检测系统。基于图简化的代码漏洞检测方法包括以下步骤：S1，对原始的软件代码code0进行预处理以去除噪声，得到预处理后的软件代码code1；对code1进行图像生成处理，得到程序依赖图PDG；S2，对PDG进行图简化处理，得到程序简化图CSG。本发明能够将易受攻击的代码表示成图形的同时消除与漏洞无关的冗余信息，随后对去除冗余信息后的图形进行中心性分析得到一个具有所有代码行重要性的权重图像，并通过CNN模型捕获权重图像中的相关特征，从而完成漏洞检测任务，该漏洞检测效率和准确度高于现有的一些代码漏洞检测方法，为处理大规模项目中的漏洞检测提供了一种更有效和可行的解决策略。
-
公开(公告)号：CN119670101A
公开(公告)日：2025-03-21
申请号：CN202411987591.6
申请日：2024-12-31
Applicant: 安徽大学
IPC: G06F21/57 , G06F11/3668 , G06F8/41 , G06F18/214 , G06N3/08 , G06N3/0464 , G06F18/24 , G06F18/213 , G06F18/25
Abstract: 本发明属于软件安全测试领域，具体涉及一种多视图融合的源代码逻辑漏洞检测方法、系统和装置。该方法包括：将软件源代码编码为包含树视图和流视图的特征信息的融合特征向量；S2：获取大量融合特征向量，人工添加表征是否存在漏洞的标签信息后构成样本数据集；S3：选择交叉熵损失作为损失函数，将样本数据集分为训练集和测试集，对CNN模型进行训练和测试，保存满足要求的网络模型的模型参数；S4：将保存的网络模型作为漏洞检测模型，并用于对待识别的软件源代码编码后的融合特征向量进行漏洞检测。本发明解决了现有基于图特征的漏洞检测方案无法充分提取并利用软件代码属性图中的特征信息，进而导致漏洞检测精度和效率不足的问题。
-
公开(公告)号：CN117671582A
公开(公告)日：2024-03-08
申请号：CN202311542794.X
申请日：2023-11-15
Applicant: 安徽大学
IPC: G06V20/52 , G06V10/774 , G06V10/764 , G06V10/80 , G06V10/74 , G06V10/52
Abstract: 本发明公开了一种多尺度跨平台行人重识别方法，包括：获取行人图片数据集，将行人图片数据集划分为训练集和测试集；采用ColorJitter函数，数据增强行人图片数据集中图像；建立初始跨平台行人重识别网络，将训练集中的图片分批输入初始跨平台行人重识别网络中，输出分类结果；通过总损失函数计算分类结果的损失，并利用梯度下降算法更新，以及通过反向传播优化初始跨平台行人重识别网络，获取优化跨平台行人重识别网络；将测试集输入至优化跨平台行人重识别网络中，获取识别精度；判断识别精度，若识别精度不满足要求，则重复训练过程，直至满足精度要求。通过本发明公开的多尺度跨平台行人重识别方法，能够用于不同平台的行人重识别。
-
公开(公告)号：CN117475278A
公开(公告)日：2024-01-30
申请号：CN202311434166.X
申请日：2023-10-30
Applicant: 安徽大学
IPC: G06V10/82 , G06V10/26 , G06V10/40 , G06V10/44 , G06V10/74 , G06N3/045 , G06N3/0455 , G06N3/0464 , G06N3/0895 , G06N3/09
Abstract: 本发明公开了基于结构信息引导以车为中心的多模态预训练系统及方法，系统包括掩码自编码器、结构先验模块、语义先验模块及预训练模块；掩码自编码器用于对输入图像进行掩码并对掩码后的车辆图像进行重构；结构先验模块用于提取输入图像轮廓信息，利用轮廓信息和掩码自编码器的预测信息构建蒸馏损失；语义先验模块提取图像的视觉特征和文本描述的语义特征，计算视觉特征、语义特征及掩码自编码器模块的解码特征之间的相似度分布，构建跨模态对比学习损失；预训练模块用于不断进行预训练，直到达到迭代次数或者对应的损失函数值最小时停止训练；本发明的优点在于：提升了主干网络的特征提取能力，提升了以车为中心的感知任务的性能。
-
Patent Agency Ranking
公开(公告)号：CN117292367A
公开(公告)日：2023-12-26
申请号：CN202311168198.X
申请日：2023-09-11
Applicant: 安徽大学
IPC: G06V20/62 , G06V20/70 , G06V10/44 , G06V10/80 , G06V10/82 , G06N3/0442 , G06N3/0464 , G06N3/09
Abstract: 本发明提供基于语义特征增强的车牌协同识别方法及系统，包括：利用行数处理模块处理标准车牌，以获取标准、非标车牌对；利用Resnet特征提取网络进行特征提取，得到车牌视觉特征；以序列建模网络发掘获取车牌语义特征；以编码器分别进行单张车牌识别、车牌协同识别；根据车牌语义特征，进行单张车牌识别操作，以得到单张车牌识别结果，对单张车牌识别结果进行损失计算和训练优化，以得到适用单张车牌识别结果；进行协同识别序列建模，据以进行车牌协同识别操作，以得到车牌协同识别结果；对车牌协同识别结果，进行损失计算及训练优化，以得到适用车牌协同识别结果。本发明解决了车牌识别结果准确性较低，以及特定场景下识别效果较差的技术问题。
-
公开(公告)号：CN115794039A
公开(公告)日：2023-03-14
申请号：CN202211416435.5
申请日：2022-11-12
Applicant: 安徽大学
Abstract: 本发明涉及一种基于系统特征的微服务拆分方法，基于系统特征生成节点属性网络的微服务拆分框架，本发明结合软件系统的动静态分析技术来获取全面的系统特征，然后建立对应的节点属性网络并进行可视化拆分。本发明通过分析不同系统特征的拆分结果创建节点关联度矩阵，对其聚类后利用NSGA‑Ⅱ算法优化结果获得最终的微服务候选。实验表明本发明能够提供有效的微服务候选，与其他先进的微服务拆分方法相比具有更高的内聚度和密度。
-
公开(公告)号：CN113923223B
公开(公告)日：2024-02-06
申请号：CN202111347569.1
申请日：2021-11-15
Applicant: 安徽大学
IPC: H04L67/1021 , H04L67/1012 , H04L41/14
Abstract: 本发明公开一种边缘环境下低时间成本的用户分配方法，获取用户的资源请求和边缘服务器的剩余资源，对用户进行排序分段；对每一段的用户迭代，初始化迭代参数；设置初始用户分配策略；产生新分配策略；计算新分配策略的时间成本并与当前分配策略的时间成本比较，如果新分配策略时间成本更小则用新的策略替代当前的策略，否则，按照一定的概率替代当前的策略；更新参数，判断终止循环的条件；判断每一段用户迭代产生的策略优劣；循环之前的步骤，进行下一段用户的迭代；迭代完成得到最优的分配策略。本发明能够降低用户在边缘计算环境中的时间成本，满足用户边缘侧执行任务低时间成本的需求。(56)对比文件Qinglan Peng;Yunni Xia;Yan Wang;Chunrong Wu;Wanbo Zheng;Xin Luo;ShanchenPanz;Yong Ma;Chunxu Jiang.A DecentralizedCollaborative Approach to Online EdgeUser Allocation in Edge ComputingEnvironments《.2020 IEEE InternationalConference on Web Services (ICWS)》.2020,全文.黄冬艳;付中卫;王波.计算资源受限的移动边缘计算服务器收益优化策略.计算机应用.2019,(03),全文.徐佳;李学俊;丁瑞苗;刘晓.移动边缘计算中能耗优化的多重资源计算卸载策略.计算机集成制造系统.2019,(04),全文.
-
公开(公告)号：CN115730069A
公开(公告)日：2023-03-03
申请号：CN202211470917.9
申请日：2022-11-23
Applicant: 安徽大学
Abstract: 本发明涉及一种软件架构的识别迁移方法，具体为基于动静态调用关系、并反映业务能力的微服务识别方法、装置。本发明从静态和动态调用关系两个方面全面分析了单体系统的功能特征，通过这种方式收集的功能特征将比单一的特征更为全面。本发明对收集到的功能特征进行处理，其中对于动态执行轨迹进行过滤，对静态调用关系进行精简，去除了与业务能力无关的元素，这样经过处理的功能特征能更好地反映业务能力。本发明计算出单体系统中元素与元素之间的共同出现次数，并将其作为微服务识别的基础。本发明采用聚类算法得到聚类结果，以将单体系统中的元素迁移至微服务架构中。
-
公开(公告)号：CN110740168B
公开(公告)日：2022-06-03
申请号：CN201910904089.7
申请日：2019-09-24
Applicant: 安徽大学
IPC: H04L67/10 , H04L41/5009 , H04L41/50
Abstract: 本发明公开了一种云中多租户服务器的自适应方法，包括以下步骤：S1：将整个服务器按功能分解为多个组件服务器，通过历史大数据获取各组件服务器的质量参数的均值；S2：计算组件服务器的服务质量的关键性和租户的关键性；S3：根据服务质量关键性和租户关键性来计算各组件服务器的关键性；S4：根据计算得到的组件服务器关键性对各组件服务器进行排名；S5：制定服务冗余策略，确定最终冗余策略。本发明通过采用主动的策略在可能发生故障的组件服务器处进行冗余策略，大幅降低了云中服务器自我修复的开销；进一步提高任务的按时完成率，满足用户对服务质量的需求。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.032 seconds)
