CN111726259A - 一种基于深度学习的vpn隧道流量监测系统、方法及装置 - Google Patents
一种基于深度学习的vpn隧道流量监测系统、方法及装置 Download PDFInfo
- Publication number
- CN111726259A CN111726259A CN201910211761.4A CN201910211761A CN111726259A CN 111726259 A CN111726259 A CN 111726259A CN 201910211761 A CN201910211761 A CN 201910211761A CN 111726259 A CN111726259 A CN 111726259A
- Authority
- CN
- China
- Prior art keywords
- layer
- image
- feature combinations
- deep learning
- vpn
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013135 deep learning Methods 0.000 title claims abstract description 31
- 238000012544 monitoring process Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000013507 mapping Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0876—Network utilisation, e.g. volume of load or congestion level
- H04L43/0894—Packet rate
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L12/00—Data switching networks
- H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
- H04L12/46—Interconnection of networks
- H04L12/4633—Interconnection of networks using encapsulation techniques, e.g. tunneling
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L12/00—Data switching networks
- H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
- H04L12/46—Interconnection of networks
- H04L12/4641—Virtual LANs, VLANs, e.g. virtual private networks [VPN]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/04—Processing captured monitoring data, e.g. for logfile generation
- H04L43/045—Processing captured monitoring data, e.g. for logfile generation for graphical visualisation of monitoring data
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
- H04L47/24—Traffic characterised by specific attributes, e.g. priority or QoS
- H04L47/2483—Traffic characterised by specific attributes, e.g. priority or QoS involving identification of individual flows
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Environmental & Geological Engineering (AREA)
- Computer Security & Cryptography (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提出一种基于深度学习的VPN隧道流量监测系统、方法及装置,涉及深度学习技术领域。它包括:将VPN流量映射为灰度图像,将映射后的图像构建训练集的映射单元;根据训练集,对待测样本进行图像识别,得到识别结果的识别单元。具有智能化程度高和监控准确的优点。
Description
技术领域
本发明涉及深度学习技术领域,具体而言,涉及一种基于深度学习的VPN隧道流量监测系统、方法及装置。
背景技术
深度学习的概念源于人工神经网络的研究,深度学习是机器学习中一种基于对数据进行表征学习的方法,观测值(例如一幅图像)可以使用多种方式来表示,如每个像素强度值的向量,或者更抽象地表示成一系列边、特定形状的区域等。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。
采用深度学习的方式对VPN流量进行监控,可以实现智能化监控,同时保证监控的准确性。
发明内容
本发明的目的在于提供一种基于深度学习的VPN隧道流量监测系统、方法及装置,具有智能化程度高和监控准确的优点。
为了实现上述目的,本发明实施例采用的技术方案如下:
一种基于深度学习的VPN隧道流量监测系统,它包括:
将VPN流量映射为灰度图像,将映射后的图像构建训练集的映射单元;
根据训练集,对待测样本进行图像识别,得到识别结果的识别单元。
进一步的,所述识别单元为循环神经网络和卷积神经网络。
进一步的,所述识别单元包括:输入层、隐层和输出层;输入层对输入的原始图像进行预处理,包括裁剪、缩放与分割;隐层首先使用自下向上非监督学习,然后使用自顶向下监督学习;输出层输出具有代表性的特征组合,包括图像的边缘特征组合,图像的基本形状特征组合,图像的色彩特征组合,用于后期分类。
一种基于深度学习的VPN隧道流量监测方法,所述方法执行以下步骤:
将VPN流量映射为灰度图像,生成训练集,构建卷积神经网络及循环神经网络模型,实现VPN内加密流量协议的快速识别;
利用灰度图像特征进行聚类,并将聚类结果进行标注,适用于P2P流量等随机端口号或报头信息经常变化的流量识别。
进一步的,所述实现VPN内加密流量协议的快速识别的方法执行以下步骤:对输入的原始图像进行预处理,包括裁剪、缩放与分割;首先使用自下向上非监督学习,然后使用自顶向下监督学习;输出具有代表性的特征组合,包括图像的边缘特征组合,图像的基本形状特征组合,图像的色彩特征组合,用于后期分类。
进一步的,所述使用自下向上非监督学习的步骤,包括:在训练集中随机抽取图像,采用无标签图像训练第一层,从而得到比输入更具表示能力的特征,这些特征以一定的比例相互叠加得到原图像;在学习得到第n-1层后,将第n-1层的输出作为第n层的输入,训练第n层,由此分别得到各层的参数;参数调整的过程为:对输入进行编码得到输出特征,再将输出特征进行反编码,与输入进行对比,调整编码与反编码参数使重构误差最小。
进一步的,所述使用自顶向下监督学习的步骤,具体为:通过带标签的数据训练,误差自顶向下传输,对每一层的参数进行微调。
一种基于深度学习的VPN隧道流量监测装置,所述装置是一种非暂时性的计算机可读存储介质,该存储介质存储了计算指令,其包括:将VPN流量映射为灰度图像,将映射后的图像构建训练集的代码段;根据训练集,对待测样本进行图像识别,得到识别结果的的代码段。
进一步的,所述述实现VPN内加密流量协议的快速识别的代码段执行以下步骤:对输入的原始图像进行预处理,包括裁剪、缩放与分割;首先使用自下向上非监督学习,然后使用自顶向下监督学习;输出具有代表性的特征组合,包括图像的边缘特征组合,图像的基本形状特征组合,图像的色彩特征组合,用于后期分类。
本发明实施例提供的一种基于深度学习的VPN隧道流量监测系统、方法及装置,具有如下效果:充分发挥深度学习的自我学习优势,机器自动学习良好的特征,可以使用无标签图像数据进行非监督学习,当输入一幅图像时,能够快速准确的提取特征,进行逐层抽象直到形成某一食物的概念,并用分类器进行分类,避免了人工选取的局限性,适应能力更强;利用深度学习网络的结构特征,采取逐层初始化的训练机制,大大降低训练难度;由于深度学习网络将图像分割后提取每一部分的特征,然后再将特征进行组合,而非直接比较整幅图像,从任何角度拍摄获取的图像,得到的局部特征都几乎相同,这解决了拍摄角度限制的问题;将深度学习与人们关注的VPN结合,对VPN进行监控,提升了网络的安全性。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本发明实施例提供的基于深度学习的VPN隧道流量监测方法的流程示意图。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1:
如图1所示,一种基于深度学习的VPN隧道流量监测系统,它包括:
将VPN流量映射为灰度图像,将映射后的图像构建训练集的映射单元;
根据训练集,对待测样本进行图像识别,得到识别结果的识别单元。
进一步的,所述识别单元为循环神经网络和卷积神经网络。
进一步的,所述识别单元包括:输入层、隐层和输出层;输入层对输入的原始图像进行预处理,包括裁剪、缩放与分割;隐层首先使用自下向上非监督学习,然后使用自顶向下监督学习;输出层输出具有代表性的特征组合,包括图像的边缘特征组合,图像的基本形状特征组合,图像的色彩特征组合,用于后期分类。
一种基于深度学习的VPN隧道流量监测方法,所述方法执行以下步骤:
将VPN流量映射为灰度图像,生成训练集,构建卷积神经网络及循环神经网络模型,实现VPN内加密流量协议的快速识别;
利用灰度图像特征进行聚类,并将聚类结果进行标注,适用于P2P流量等随机端口号或报头信息经常变化的流量识别。
进一步的,所述实现VPN内加密流量协议的快速识别的方法执行以下步骤:对输入的原始图像进行预处理,包括裁剪、缩放与分割;首先使用自下向上非监督学习,然后使用自顶向下监督学习;输出具有代表性的特征组合,包括图像的边缘特征组合,图像的基本形状特征组合,图像的色彩特征组合,用于后期分类。
进一步的,所述使用自下向上非监督学习的步骤,包括:在训练集中随机抽取图像,采用无标签图像训练第一层,从而得到比输入更具表示能力的特征,这些特征以一定的比例相互叠加得到原图像;在学习得到第n-1层后,将第n-1层的输出作为第n层的输入,训练第n层,由此分别得到各层的参数;参数调整的过程为:对输入进行编码得到输出特征,再将输出特征进行反编码,与输入进行对比,调整编码与反编码参数使重构误差最小。
进一步的,所述使用自顶向下监督学习的步骤,具体为:通过带标签的数据训练,误差自顶向下传输,对每一层的参数进行微调。
一种基于深度学习的VPN隧道流量监测,所述装置是一种非暂时性的计算机可读存储介质,该存储介质存储了计算指令,其包括:将VPN流量映射为灰度图像,将映射后的图像构建训练集的代码段;根据训练集,对待测样本进行图像识别,得到识别结果的的代码段。
进一步的,所述述实现VPN内加密流量协议的快速识别的代码段执行以下步骤:对输入的原始图像进行预处理,包括裁剪、缩放与分割;首先使用自下向上非监督学习,然后使用自顶向下监督学习;输出具有代表性的特征组合,包括图像的边缘特征组合,图像的基本形状特征组合,图像的色彩特征组合,用于后期分类。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个单元、程序段或代码的一部分,所述单元、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能单元可以集成在一起形成一个独立的部分,也可以是各个单元单独存在,也可以两个或两个以上单元集成形成一个独立的部分。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Onl8 Memor8)、随机存取存储器(RAM,Random Access Memor8)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
Claims (9)
1.一种基于深度学习的VPN隧道流量监测系统,其特征在于,它包括:
将VPN流量映射为灰度图像,将映射后的图像构建训练集的映射单元;
根据训练集,对待测样本进行图像识别,得到识别结果的识别单元。
2.如权利要求1所述的基于深度学习的VPN隧道流量监测系统,其特征在于,所述识别单元为循环神经网络和卷积神经网络。
3.如权利要求2所述的基于深度学习的VPN隧道流量监测系统,其特征在于,所述识别单元包括:输入层、隐层和输出层;输入层对输入的原始图像进行预处理,包括裁剪、缩放与分割;隐层首先使用自下向上非监督学习,然后使用自顶向下监督学习;输出层输出具有代表性的特征组合,包括图像的边缘特征组合,图像的基本形状特征组合,图像的色彩特征组合,用于后期分类。
4.一种基于深度学习的VPN隧道流量监测方法,其特征在于,所述方法执行以下步骤:
将VPN流量映射为灰度图像,生成训练集,构建卷积神经网络及循环神经网络模型,实现VPN内加密流量协议的快速识别;
利用灰度图像特征进行聚类,并将聚类结果进行标注,适用于P2P流量等随机端口号或报头信息经常变化的流量识别。
5.如权利要求4所述的基于深度学习的VPN隧道流量监测方法,其特征在于,所述实现VPN内加密流量协议的快速识别的方法执行以下步骤:对输入的原始图像进行预处理,包括裁剪、缩放与分割;首先使用自下向上非监督学习,然后使用自顶向下监督学习;输出具有代表性的特征组合,包括图像的边缘特征组合,图像的基本形状特征组合,图像的色彩特征组合,用于后期分类。
6.如权利要求5所述的基于深度学习的VPN隧道流量监测方法,其特征在于,所述使用自下向上非监督学习的步骤,包括:在训练集中随机抽取图像,采用无标签图像训练第一层,从而得到比输入更具表示能力的特征,这些特征以一定的比例相互叠加得到原图像;在学习得到第n-1层后,将第n-1层的输出作为第n层的输入,训练第n层,由此分别得到各层的参数;参数调整的过程为:对输入进行编码得到输出特征,再将输出特征进行反编码,与输入进行对比,调整编码与反编码参数使重构误差最小。
7.如权利要求6所述的基于深度学习的VPN隧道流量监测方法,其特征在于,所述使用自顶向下监督学习的步骤,具体为:通过带标签的数据训练,误差自顶向下传输,对每一层的参数进行微调。
8.一种基于深度学习的VPN隧道流量监测装置,其特征在于,所述装置是一种非暂时性的计算机可读存储介质,该存储介质存储了计算指令,其包括:将VPN流量映射为灰度图像,将映射后的图像构建训练集的代码段;根据训练集,对待测样本进行图像识别,得到识别结果的的代码段。
9.如权利要求8所述的基于深度学习的VPN隧道流量监测装置,其特征在于,所述述实现VPN内加密流量协议的快速识别的代码段执行以下步骤:对输入的原始图像进行预处理,包括裁剪、缩放与分割;首先使用自下向上非监督学习,然后使用自顶向下监督学习;输出具有代表性的特征组合,包括图像的边缘特征组合,图像的基本形状特征组合,图像的色彩特征组合,用于后期分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910211761.4A CN111726259A (zh) | 2019-03-20 | 2019-03-20 | 一种基于深度学习的vpn隧道流量监测系统、方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910211761.4A CN111726259A (zh) | 2019-03-20 | 2019-03-20 | 一种基于深度学习的vpn隧道流量监测系统、方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111726259A true CN111726259A (zh) | 2020-09-29 |
Family
ID=72563245
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910211761.4A Pending CN111726259A (zh) | 2019-03-20 | 2019-03-20 | 一种基于深度学习的vpn隧道流量监测系统、方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111726259A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8676729B1 (en) * | 2011-06-14 | 2014-03-18 | Narus, Inc. | Network traffic classification using subspace clustering techniques |
CN104636757A (zh) * | 2015-02-06 | 2015-05-20 | 中国石油大学(华东) | 一种基于深度学习的食物图像识别方法 |
CN106790019A (zh) * | 2016-12-14 | 2017-05-31 | 北京天融信网络安全技术有限公司 | 基于特征自学习的加密流量识别方法及装置 |
CN108985361A (zh) * | 2018-07-02 | 2018-12-11 | 北京金睛云华科技有限公司 | 一种基于深度学习的恶意流量检测实现方法和装置 |
-
2019
- 2019-03-20 CN CN201910211761.4A patent/CN111726259A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8676729B1 (en) * | 2011-06-14 | 2014-03-18 | Narus, Inc. | Network traffic classification using subspace clustering techniques |
CN104636757A (zh) * | 2015-02-06 | 2015-05-20 | 中国石油大学(华东) | 一种基于深度学习的食物图像识别方法 |
CN106790019A (zh) * | 2016-12-14 | 2017-05-31 | 北京天融信网络安全技术有限公司 | 基于特征自学习的加密流量识别方法及装置 |
CN108985361A (zh) * | 2018-07-02 | 2018-12-11 | 北京金睛云华科技有限公司 | 一种基于深度学习的恶意流量检测实现方法和装置 |
Non-Patent Citations (1)
Title |
---|
董浩等: "基于卷积神经网络的复杂网络加密流量识别", 《软件导刊》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Matern et al. | Exploiting visual artifacts to expose deepfakes and face manipulations | |
US11188783B2 (en) | Reverse neural network for object re-identification | |
Baker et al. | Local features and global shape information in object classification by deep convolutional neural networks | |
CN109685135B (zh) | 一种基于改进型度量学习的少样本图像分类方法 | |
CN106815604B (zh) | 基于多层信息融合的注视点检测方法 | |
KR102631031B1 (ko) | 반도체 장치의 불량 검출 방법 | |
JP6330385B2 (ja) | 画像処理装置、画像処理方法およびプログラム | |
CN112734775B (zh) | 图像标注、图像语义分割、模型训练方法及装置 | |
TWI670653B (zh) | 一種基於線上學習的人臉辨識方法與系統 | |
KR20170026222A (ko) | 이미지의 객체를 분류하기 위한 방법 및 디바이스, 및 대응하는 컴퓨터 프로그램 제품 및 컴퓨터 판독가능한 매체 | |
CN108961358B (zh) | 一种获得样本图片的方法、装置及电子设备 | |
CN111444873A (zh) | 视频中人物真伪的检测方法、装置、电子设备及存储介质 | |
Rabiee et al. | Crowd behavior representation: an attribute-based approach | |
Abubakar | Study of image segmentation using thresholding technique on a noisy image | |
Yingthawornsuk et al. | Automatic Thai Coin Calculation System by Using SIFT | |
CN112488137A (zh) | 样本获取方法、装置、电子设备及机器可读存储介质 | |
CN113673618A (zh) | 一种融合注意力模型的烟虫目标检测方法 | |
CN107315985B (zh) | 一种虹膜识别方法及终端 | |
Rahmat et al. | Image classification of ribbed smoked sheet using Learning Vector Quantization | |
CN111726259A (zh) | 一种基于深度学习的vpn隧道流量监测系统、方法及装置 | |
Mueller et al. | Conceptualization of object compositions using persistent homology | |
WO2018203551A1 (ja) | 信号検索装置、方法、及びプログラム | |
Pallavi | Suggestive GAN for supporting Dysgraphic drawing skills | |
CN112101476A (zh) | 一种图片分类方法、装置、电子设备及存储介质 | |
Awhad et al. | Fraudulent Face Image Detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200929 |