-
公开(公告)号：CN115761263B
公开(公告)日：2023-07-25
申请号：CN202211581109.X
申请日：2022-12-09
Applicant: 中南大学
Abstract: 本申请适用于图像检索技术领域，提供了一种深度哈希方法，该方法通过提取图像数据的局部特征数据和全局表示数据；对局部特征数据和全局表示数据进行融合，得到融合特征数据；对多个融合特征进行聚类，得到多个簇；将最大簇融合特征的数量作为所有超边的最大阶数，根据所有阶超边的权重构建总关联矩阵；根据总关联矩阵构建融合特征数据超图；利用超图卷积神经网络对融合特征数据超图进行处理，得到融合特征数据对应的优化特征数据；对优化特征数据进行处理，得到图像数据的初始哈希码；利用初始哈希码和损失函数构建模型优化函数，并根据模型优化函数得到最终哈希码。本申请可以提高深度哈希方法检索的准确率。
-
公开(公告)号：CN115311521B
公开(公告)日：2023-04-28
申请号：CN202211111492.2
申请日：2022-09-13
Applicant: 中南大学
IPC: G06V10/774 , G06V10/776 , G06V10/771 , G06V20/40
Abstract: 本发明公开了一种基于强化学习的黑盒视频对抗样本生成方法，包括获取原始视频数据并分割得到视频块集合；对视频块集合插入位置信息得到带有位置信息的视频块集合；进行视觉特征提取得到视频块的特征；对带有位置信息的视频块集合进行提取得到关键视频块集合；对关键视频块集合进行迭代得到估计梯度；生成对抗样本值并构建对应的损失函数；将对抗样本值输入到目标视频模型中获取返回值，根据返回值和损失函数值得到最终构建的对抗样本。本发明还公开了一种包括所述基于强化学习的黑盒视频对抗样本生成方法的评价方法。本发明提高了添加的扰动的精准性，减少了对抗样本的复杂性，而且成本较低，可靠性高，效率较高。
-
公开(公告)号：CN115861275A
公开(公告)日：2023-03-28
申请号：CN202211674351.1
申请日：2022-12-26
Applicant: 中南大学
Abstract: 本申请适用于水质检测技术领域，提供了一种细胞计数方法、装置、终端设备及介质。其中该方法通过对原始图像数据进行分块，得到多个图像块；给每个图像块添加序列信息，提取其图像特征，得到图像特征集；由图像特征集构建第一图像特征关联矩阵；根据目标细胞的目标框位置信息和第一图像特征关联矩阵，构建图像特征遮掩矩阵；利用图像特征遮掩矩阵对不含目标细胞的图像块对应的超边进行处理，得到第二图像特征关联矩阵；根据第二图像特征关联矩阵构建图像特征超图；利用超图卷积神经网络对图像特征超图进行处理，得到原始图像中目标细胞的密度；根据目标细胞的密度，获取原始图像中目标细胞的数量。本申请能提高细胞计数的准确性。
-
公开(公告)号：CN117195970A
公开(公告)日：2023-12-08
申请号：CN202311467452.6
申请日：2023-11-07
Applicant: 中南大学
IPC: G06N3/0475 , G06N3/042 , G06N3/094 , G06N3/126
Abstract: 本发明公开了一种基于遗传算法的超图神经网络对抗样本生成方法，包括获取目标超图神经网络的数据信息；为注入节点随机生成标签并得到注入节点的特征；选定注入节点可能连接的所有超边；将注入节点注入超边得到超图，计算损失并选取若干超边作为遗传进化的输入数据；采用遗传算法对超边进行遗传进化并计算个体得分；选取个体作为注入节点的连接关系，完成注入节点生成并保存注入节点；对注入节点进行排列组合并输出对抗样本，完成目标超图神经网络的对抗样本生成。本发明设计了一种基于遗传进化的注入节点生成方法，并保存高质量的注入节点，通过对注入节点进行变异操作得到高质量对抗样本；因此本发明方法的可靠性更高，效果更好。
-
公开(公告)号：CN115934666A
公开(公告)日：2023-04-07
申请号：CN202211500810.4
申请日：2022-11-28
Applicant: 中南大学
IPC: G06F16/18 , G06F18/214 , G06F18/22 , G06F18/24 , G06N3/0464 , G06N3/08
Abstract: 本公开实施例中提供了一种基于图卷积神经网络的特征增强云容器异常日志分类方法，属于数据处理技术领域，具体包括：从异常日志数据集中读取异常日志；将异常日志划分为堆栈跟踪数据帧；将堆栈跟踪数据帧进行标记和裁剪；将堆栈跟踪数据帧构建为Bert模型的输入特征向量Fin；将输入特征向量Fin输入编码器中，输出特征向量Fout并分割为[FCLS,Flog]；构建一张图，将向量Flog当作点特征，向量FCLS的余弦相似性结果当作边关系，将该图输入到图卷积神经网络中；将图卷积神经网络特征增强后的异常日志特征向量经过全连接层和激活函数映射成一维特征向量，然后对该一维向量进行相似性度量，并据此对异常日志进行分类。通过本公开的方案，提高了异常日志分类的效率和精准度。
-
Patent Agency Ranking
公开(公告)号：CN115311521A
公开(公告)日：2022-11-08
申请号：CN202211111492.2
申请日：2022-09-13
Applicant: 中南大学
IPC: G06V10/774 , G06V10/776 , G06V10/771 , G06V20/40
Abstract: 本发明公开了一种基于强化学习的黑盒视频对抗样本生成方法，包括获取原始视频数据并分割得到视频块集合；对视频块集合插入位置信息得到带有位置信息的视频块集合；进行视觉特征提取得到视频块的特征；对带有位置信息的视频块集合进行提取得到关键视频块集合；对关键视频块集合进行迭代得到估计梯度；生成对抗样本值并构建对应的损失函数；将对抗样本值输入到目标视频模型中获取返回值，根据返回值和损失函数值得到最终构建的对抗样本。本发明还公开了一种包括所述基于强化学习的黑盒视频对抗样本生成方法的评价方法。本发明提高了添加的扰动的精准性，减少了对抗样本的复杂性，而且成本较低，可靠性高，效率较高。
-
公开(公告)号：CN116740706A
公开(公告)日：2023-09-12
申请号：CN202310535357.9
申请日：2023-05-12
Applicant: 中南大学
Abstract: 本公开实施例中提供了一种基于协同检测的显微图像生物体识别方法，属于图像处理技术领域，具体包括：提取显微图像对应的不同尺度的三层图像特征；修改图像特征尺度与第三层图像特征一致；将处理后的第一层图像特征、处理后第二次图像特征和第三层图像特征采用预设方法进行融合，得到融合特征；将融合特征输入边框检测模块得到边框检测图，得到中心点密度图，生成高斯密度图；根据高斯密度图中包含的中心点坐标信息结合边框检测图中包含的边框信息，将中心点坐标与边框检测图中的边框坐标逐个比对，筛选出重合的边框信息并保留，删除其余边框，优化识别结果，得到边框检测结果。通过本公开的方案，提高了识别适应性和精准度。
-
公开(公告)号：CN115878823B
公开(公告)日：2023-04-28
申请号：CN202310195620.4
申请日：2023-03-03
Applicant: 中南大学
IPC: G06F16/51 , G06N3/0464 , G06N3/048 , G06N3/08 , G06V10/44 , G06V10/764 , G06V10/82 , G06F16/55 , G06F16/583
Abstract: 本发明公开了一种基于图卷积网络的深度哈希方法，包括获取训练图像；对图像数据进行数据增强；构建视觉转换器模块；将视觉转换器模块的输出数据输入到图卷积网络中进行相关性优化；将图卷积网络的输出图像经过全连接层和激活函数映射得到哈希码；构建综合损失函数优化哈希过程；根据最终的优化结果完成实际的深度哈希过程。本发明还公开了一种包括所述基于图卷积网络的深度哈希方法的交通数据检索方法。本发明保证低维汉明空间与原始图像高维空间一致的相关性关系，生成更加高效、紧凑的二进制哈希码，提高大规模图片检索的有效性，而且可靠性高、有效性好且简单方便。
-
公开(公告)号：CN115878823A
公开(公告)日：2023-03-31
申请号：CN202310195620.4
申请日：2023-03-03
Applicant: 中南大学
IPC: G06F16/51 , G06N3/0464 , G06N3/048 , G06N3/08 , G06V10/44 , G06V10/764 , G06V10/82 , G06F16/55 , G06F16/583
Abstract: 本发明公开了一种基于图卷积网络的深度哈希方法，包括获取训练图像；对图像数据进行数据增强；构建视觉转换器模块；将视觉转换器模块的输出数据输入到图卷积网络中进行相关性优化；将图卷积网络的输出图像经过全连接层和激活函数映射得到哈希码；构建综合损失函数优化哈希过程；根据最终的优化结果完成实际的深度哈希过程。本发明还公开了一种包括所述基于图卷积网络的深度哈希方法的交通数据检索方法。本发明保证低维汉明空间与原始图像高维空间一致的相关性关系，生成更加高效、紧凑的二进制哈希码，提高大规模图片检索的有效性，而且可靠性高、有效性好且简单方便。
-
公开(公告)号：CN115761263A
公开(公告)日：2023-03-07
申请号：CN202211581109.X
申请日：2022-12-09
Applicant: 中南大学
Abstract: 本申请适用于图像检索技术领域，提供了一种深度哈希方法，该方法通过提取图像数据的局部特征数据和全局表示数据；对局部特征数据和全局表示数据进行融合，得到融合特征数据；对多个融合特征进行聚类，得到多个簇；将最大簇融合特征的数量作为所有超边的最大阶数，根据所有阶超边的权重构建总关联矩阵；根据总关联矩阵构建融合特征数据超图；利用超图卷积神经网络对融合特征数据超图进行处理，得到融合特征数据对应的优化特征数据；对优化特征数据进行处理，得到图像数据的初始哈希码；利用初始哈希码和损失函数构建模型优化函数，并根据模型优化函数得到最终哈希码。本申请可以提高深度哈希方法检索的准确率。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.023 seconds)
