CN116089944A - 基于迁移学习的跨平台应用程序异常检测方法、系统 - Google Patents
基于迁移学习的跨平台应用程序异常检测方法、系统 Download PDFInfo
- Publication number
- CN116089944A CN116089944A CN202211481581.6A CN202211481581A CN116089944A CN 116089944 A CN116089944 A CN 116089944A CN 202211481581 A CN202211481581 A CN 202211481581A CN 116089944 A CN116089944 A CN 116089944A
- Authority
- CN
- China
- Prior art keywords
- file
- picture
- domain
- model
- transfer learning
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
- G06F21/55—Detecting local intrusion or implementing counter-measures
- G06F21/56—Computer malware detection or handling, e.g. anti-virus arrangements
- G06F21/562—Static detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Virology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于迁移学习的跨平台应用程序异常检测方法、系统,从待测文件提取特征文件,在对文件内容进行筛选之后通过文件可视化方法将特征文件其转换为图片用以表征当前待测文件。使用残差网络进行分类,同时应用迁移学习通过从已学习的相关任务中转移知识来改进学习的新任务,从而改进大多数机器学习算法只能解决单个任务并且模型泛化能力不足的缺陷,进而缓解普适化模型与个性化需求之间的矛盾。本方法能够有效识别待测文件的属性,同时可以有效改善当前方法泛化能力差,只能解决单个任务的缺陷。
Description
技术领域
本发明涉及机器学习的恶意行为检测技术,具体涉及一种基于迁移学习的跨平台应用程序异常检测方法及系统。
背景技术
迁移学习(Transfer Learning)是机器学习中的一个名词,是指一种学习对另一种学习的影响,或习得的经验对完成其它活动的影响。迁移广泛存在于各种知识、技能与社会规范的学习中。迁移学习专注于存储已有问题的解决模型,并将其利用在其他不同但相关问题上。比如说,用来辨识汽车的知识(或者是模型)也可以被用来提升识别卡车的能力。
卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks),是深度学习(deeplearning)的代表算法之一。卷积神经网络具有表征学习能力,能够按其阶层结构对输入信息进行平移不变分类,因此也被称为“平移不变人工神经网络(Shift-InvariantArtificial Neural Networks,SIANN)”。
残差网络是由来自Microsoft Research的4位学者提出的卷积神经网络,在2015年的ImageNet大规模视觉识别竞赛中获得了图像分类和物体识别的优胜。残差网络的特点是容易优化,并且能够通过增加相当的深度来提高准确率。其内部的残差块使用了跳跃连接,缓解了在深度神经网络中增加深度带来的梯度消失问题。
在现有的基于迁移学习和残差网络的工作中,例如CN109784237A公布的一种基于迁移学习的残差网络训练的场景分类方法中,通过迁移基于ImageNet的残差网络模型,并添加平方层来解决解决当神经网络算法层次比较深的时候无法训练的问题。在CN110781921A公布的一种基于深度残差网络与迁移学习的毒蕈图像识别方法和装置方法中,同样使用基于ImageNet的残差网络模型作为基模型,并将最后的全连接层替换为18标签的全连接层来识别毒蕈图像。在CN112836614A公布的一种基于残差网络和迁移学习的高分遥感图像分类方法中,通过对高分遥感图像数据库中的图片进行筛选,分类出源域数据集和目标域数据集,使用源域数据集训练基模型,并将残差网络的最后一层替换为确定标签数的全连接层,从而可以对高分遥感图像进行场景分类。
与上述三项专利相比,本专利的发明内容不同点在于:(1)对输入数据进行筛选操作,减少图片中的冗余信息,降低图片大小,提高训练效率;(2)使用与目标任务属性相似的领域数据作为迁移前模型的训练集,可以提高模型后续训练的训练效率;(3)考虑到迁移前后源域和目标域之间的差异,使用图片相似度算法减少源域与目标域之间的差距,迁移后可以最大程度的利用源域的模型知识,可以只训练最后的线性层就可以达到良好的分类效果,从而降低时间开销。
发明内容
发明目的:本发明的目的在于解决现有技术中存在的不足,提供一种基于迁移学习的跨平台应用程序异常检测方法及系统,利用卷积网络的高分类性能和迁移学习对多任务处理以及模型泛化的优势,将软件转化为图像特征,目的是提高训练效果和效率,单个模型可以处理多种任务,提高模型的泛化能力。
技术方案:本发明的一种基于迁移学习的跨平台应用程序异常检测方法包括以下步骤:
步骤1、通过传入文件是否为压缩文件来识别待测文件的文件类型(例如安卓软件和智能合约);
步骤2、若待测文件为安卓安装软件样本,则将安卓安装文件进行解压操作,通过匹配文件后缀名来筛选出其中的.dex文件,然后通过剪枝算法获取所需部分;
若待测文件为智能合约样本,则获取智能合约的byteCode文件;
再利用文件可视化方法将预处理后的文件转换为图片,转换后的图片作为之后ResNet-50网络模型训练的输入;
步骤3、将windows平台下的样本文件通过文件可视化方法转换为图片;
步骤4、通过图片相似度算法和动态阈值算法,缩小windows平台下的样本图片和待测文件平台下的样本图片之间的差距,提高模型的泛化能力;
步骤5、首先使用windows平台下的样本训练ResNet-50网络模型,网络模型使用残差网络,训练完成后保存模型相关参数;
步骤6、使用迁移学习将步骤5训练好的ResNet-50网络模型应用于待测文件的恶意行为检测;
步骤2和步骤3中文件可视化的具体方法如下:
读取对应的文件内容;文件内容中每三个十六进制字符分为一组,并将其标识为色彩系统中的R、G和B的三个通道,通过如下公式进行转换:
color=(blue—0x0000FF)|(green&0x00FF00)|(red&0xFF0000)
其中,blue,green和red分别为十六进制字符组的第一、二、三个字符,|为位运算符。
进一步地,以安卓平台为例,所述步骤2通过剪枝算法获取所需部分的具体步骤:
(a)、获取.dex文件的header部分,即文件内容的0到112位;
(b)、根据header部分中提供的其他各个部分的起始位置和大小,将中间六个部分,分别为string_ids、type_ids、proto_ids、field_ids、method_ids和class_defs的内容写入新的文件。
进一步地,所述步骤4中计算图片相似度和决定动态阈值的步骤为:
步骤4.1、获取需要比较的windows平台域和待测平台域中的所有图片,分别记为域1和域2;
步骤4.2、将域1中的每一张图片与域2中的每一张图片进行图片hist相似度计算:
首先计算图片的灰度直方图:
其中rk是像素的灰度级,nk是具有灰度rk的像素个数,MN是图像中总的像素个数;
之后计算hist相似度:
其中G,S为直方图,N为颜色空间样点数;
完成后,阈值的计算方式为:
其中,xi为域1中第i张图片,yj为域2中的第j张图片,m为域1中的图片数量,n为域2中的图片数量;
步骤4.3、根据步骤4.2中计算的阈值和图片hist相似度数据,将域1中图片相似度小于阈值的图片删除。
进一步地,所述步骤5中残差网络的参数为:
激活函数:ReLU=max(0,wTx+b)
其中,wT为层间权重矩阵的转置矩阵,x为输入向量,b为层间的偏置;
分类函数:
其中,zk为第k个节点的输出值,C为输出节点的个数,即分类的类别个数;
损失函数:
其中,y为真实的标签值,为预测的概率值,
进一步地,所述步骤6中所述的迁移学习的步骤为:
步骤6.1、加载步骤5中保存的ResNet-50模型作为基模型;
步骤6.2、将基模型的最后一层全连接层替换为线性层,这样可以固定预训练模型的表征层的特征,只通过监督数据去训练分类器,从而能利用基模型中的知识,提高训练效率,因为需要识别待测文件的属性是良性还是恶意,所以将输出的分支数修改为2,输出两种属性的概率;分类函数使用softmax函数,并保持网络其他层的参数不变;
步骤6.3、使用待测平台下的样本进行训练和测试。
本发明还公开一种用于实现基于迁移学习的跨平台应用程序异常检测方法的系统,包括特征提取模块、预训练模块和迁移学习模块;
所述特征提取模块用于提取待测文件中的特征文件,得到待测文件的图像特征;
所述预训练模块使用windows平台域的图像特征对网络进行训练,得到一个基模型,并保存模型的各项参数和网络结构;
所述迁移学习模块使用预训练模块的基模型,通过微调网络结构,在基模型的基础上得到一个新模型,使用该新模型进行目标域的训练和预测。
有益效果:与现有技术相比,本发明的有益效果为:
1.本发明改进了原有恶意软件检测中的特征提取策略,使用图像作为软件的表征方式,不依赖于人工提取和先验知识,能够有效应对混淆技术和加壳技术给检测过程带来的阻力。
2.本发明使用图像相似度算法和动态阈值算法,缩小源域与目标域之间的差距,提高模型的泛化能力。
3.本发明使用迁移学习的思想,使得模型在一次训练之后即可具备一定的性能,大大减少了后续训练的时间,提高了训练效率,同时也能保证高准确率。
附图说明
图1为本发明提取待测文件图像特征的流程图;
图2为本发明中使用图片相似度算法和动态阈值算法的流程图;
图3为本发明训练基模型和应用基模型进行迁移学习的流程图。
具体实施方式
下面对本发明技术方案进行详细说明,但是本发明的保护范围不局限于所述实施例。
本发明基于迁移学习算法的模型训练方式以改进现有的机器学习的训练方式。首先,从智能合约或者安卓软件样本(下称待测文件)中提取所需的特征文件,在对文件内容进行筛选之后通过文件可视化的方法将其转换为图片用以表征当前待测文件;然后,使用残差网络作为卷积网络的一种在针对图像分类的ImageNet竞赛中获得第一名,具有良好的分类性能;同时应用迁移学习通过从已学习的相关任务中转移知识来改进学习的新任务,从而改进大多数机器学习算法只能解决单个任务并且模型泛化能力不足的缺陷,进而缓解普适化模型与个性化需求之间的矛盾。本方法能够有效识别待测文件的属性,同时可以有效改善当前方法泛化能力差,只能解决单个任务的缺陷。
如图1所示,本实施例的基于迁移学习的跨平台应用程序异常检测的具体流程如下:
步骤1,通过传入文件是否为压缩文件来识别待测文件的文件类型;
步骤2,若待测文件为安卓软件样本,则将安卓的安装文件进行解压操作,通过匹配文件后缀名筛选出其中的.dex文件,然后通过剪枝算法获取所需要的部分,若待测文件为智能合约,则获取智能合约的byteCode文件;再利用文件可视化方法将预处理后的待测文件转换为图片,并将转换后的图片作为之后Resnet-50模型训练的输入。
步骤2.1获取.dex文件的header部分,即文件内容的0到112位。
步骤2.2根据header部分中提供的其他各个部分的起始位置和大小,将中间六个部分,分别为string_ids、type_ids、proto_ids、field_ids、method_ids、class_defs的内容写入新的文件;
步骤3,将windows平台下的样本通过文件可视化方法转换为图片;
读取对应的文件内容;文件内容中每三个十六进制字符分为一组,并将其标识为色彩系统中的R、G和B的三个通道,通过如下公式进行转换:
color=(blue&0x0000FF)|(green&0x00FF00)|(red&0xFF0000)
其中,blue,green和red分别为十六进制字符组的第一、二、三个字符,|为位运算符;
步骤4,如图2所示,此处通过图片相似度算法和动态阈值算法,缩小windows平台下的样本图片和待测平台下的样本图片之间的差距,提高模型的泛化能力;
步骤4.1获取需要比较的windows平台域和待测平台域中的所有图片,记为域1和域2。
步骤4.2将域1中的每一张图片与域2中的每一张图片进行图片hist相似度计算:
首先计算图片的灰度直方图:
其中rk是像素的灰度级,nk是具有灰度rk的像素个数,MN是图像中总的像素个数;
之后计算hist相似度:
其中G,S为直方图,N为颜色空间样点数;
完成后,阈值的计算方式为:
其中xi为域1中第i张图片,yj为域2中的第j张图片,m为域1中的图片数量,n为域2中的图片数量。
步骤4.3根据步骤2中计算的阈值和图片相似度数据,将域1中图片相似度小于阈值的图片删除,缩小两个域之间的差距。
步骤5和6如图3所示。
步骤5,首先使用windows平台下的样本训练ResNet-50模型,训练完成后保存模型相关参数。残差网络的参数为:
激活函数:ReLU=max(0,wTx+b)
其中wT为层间权重矩阵的转置矩阵,x为输入向量,b为层间的偏置。
分类函数:
其中,zk为第k个节点的输出值,C为输出节点的个数,即分类的类别个数。
损失函数:
其中,y为真实的标签值,为预测的概率值
步骤6,使用迁移学习将模型应用于待测平台的软件检测;
步骤6.1加载步骤5中保存的ResNet-50模型作为基模型;
步骤6.2将基模型的最后一层全连接层替换为线性层,这样可以固定预训练模型的表征层的特征,只通过监督数据去训练分类器,从而能利用基模型中的知识,提高训练效率,因为需要识别待测文件的属性是良性还是恶意,所以将输出的分支数修改为2,输出两种属性的概率;分类函数使用softmax函数,并保持网络其他层的参数不变;
步骤6.3使用待测平台下的样本进行训练和测试。
为验证本发明的效果,在最终的预测结果上,使用微软Msm数据集和安卓恶意软件数据集进行训练和测试,结果表明,准确率能达到95%,同时,使用迁移学习之后,可以在五次之内达到最好效果,相比不使用迁移学习提高了50%。由此可以说明,本发明所提出的方法能够在保证准确率的同时提高训练效率,减少训练时间。
Claims (6)
1.一种基于迁移学习的跨平台应用程序异常检测方法,其特征在于:包括以下步骤:
步骤1、通过传入文件是否为压缩文件来识别待测文件的文件类型;
步骤2、若待测文件为安卓安装软件样本,则将安卓安装文件进行解压操作,通过匹配文件后缀名来筛选出其中的.dex文件,然后通过剪枝算法获取所需部分;
若待测文件为智能合约样本,则获取智能合约的byteCode文件;
再利用文件可视化方法将预处理后的文件转换为图片,转换后的图片作为之后ResNet-50网络模型训练的输入;
步骤3、将windows平台下的样本文件通过文件可视化方法转换为图片;
步骤4、通过图片相似度算法和动态阈值算法,缩小windows平台下的样本图片和待测文件平台下的样本图片之间的差距;
步骤5、首先使用windows平台下的样本训练ResNet-50网络模型,网络模型使用残差网络,训练完成后保存模型相关参数;
步骤6、使用迁移学习将步骤5训练好的ResNet-50网络模型应用于恶意软件检测;
步骤2和步骤3中文件可视化的具体方法如下:
读取对应的文件内容;文件内容中每三个十六进制字符分为一组,并将每一组字符标识为色彩系统中的R、G和B的三个通道,通过如下公式进行转换:
color=(blue&0x0000FF)|(green&0x00FF00)|(red&0xFF0000)
其中,blue,green和red分别为十六进制字符组的第一、二、三个字符,|为位运算符。
2.根据权利要求1所述的基于迁移学习的跨平台应用程序异常检测方法,其特征在于:所述步骤2通过剪枝算法获取所需部分的具体步骤:
(a)、获取.dex文件的header部分,header部分是指文件内容的0到112位;
(b)、根据header部分中提供的其他各个部分的起始位置和大小,将中间六个部分,分别为string_ids、type_ids、proto_ids、field_ids、method_ids和class_defs的内容写入新的文件。
3.根据权利要求1所述的基于迁移学习的跨平台应用程序异常检测方法,其特征在于:所述步骤4中计算图片相似度和决定动态阈值的步骤为:
步骤4.1、获取需要比较的windows平台域和待测平台域中的所有图片,分别记为域1和域2;
步骤4.2、将域1中的每一张图片与域2中的每一张图片进行图片hist相似度计算:
首先计算图片的灰度直方图:
其中rk是像素的灰度级,nk是具有灰度rk的像素个数,MN是图像中总的像素个数;
之后计算hist相似度:
其中G,S为直方图,N为颜色空间样点数;
接着阈值的计算方式为:
其中,xi为域1中第i张图片,yj为域2中的第j张图片,m为域1中的图片数量,n为域2中的图片数量;
步骤4.3、根据步骤4.2中计算的阈值和图片hist相似度数据,将域1中图片相似度小于阈值的图片删除。
5.根据权利要求1所述的基于迁移学习的跨平台应用程序异常检测方法,其特征在于:所述步骤6中所述的迁移学习的步骤为:
步骤6.1、加载步骤5中保存的残差网络模型作为基模型,在本专利中使用ResNet-50作为基础模型;
步骤6.2、将基模型的最后一层全连接层替换为线性层,将输出的分支数修改为2,输出两种属性的概率;分类函数使用softmax函数,并保持网络其他层的参数不变;
步骤6.3、使用待测平台下的样本进行训练和测试。
6.一种用于实现权利要求1至5任意一项所述基于迁移学习的跨平台应用程序异常检测方法的系统,其特征在于:包括特征提取模块、预训练模块和迁移学习模块;
所述特征提取模块用于提取待测文件中的特征文件,得到待测文件的图像特征;
所述预训练模块使用windows平台域的图像特征对网络进行训练,得到一个基模型,并保存模型的各项参数和网络结构;
所述迁移学习模块使用预训练模块的基模型,通过微调网络结构,在基模型的基础上得到一个新模型,使用该新模型进行目标域的训练和预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211481581.6A CN116089944A (zh) | 2022-11-24 | 2022-11-24 | 基于迁移学习的跨平台应用程序异常检测方法、系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211481581.6A CN116089944A (zh) | 2022-11-24 | 2022-11-24 | 基于迁移学习的跨平台应用程序异常检测方法、系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116089944A true CN116089944A (zh) | 2023-05-09 |
Family
ID=86199948
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211481581.6A Pending CN116089944A (zh) | 2022-11-24 | 2022-11-24 | 基于迁移学习的跨平台应用程序异常检测方法、系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116089944A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116958767A (zh) * | 2023-07-14 | 2023-10-27 | 江苏大学 | 基于多模态技术的智能合约安全分析方法及系统 |
-
2022
- 2022-11-24 CN CN202211481581.6A patent/CN116089944A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116958767A (zh) * | 2023-07-14 | 2023-10-27 | 江苏大学 | 基于多模态技术的智能合约安全分析方法及系统 |
CN116958767B (zh) * | 2023-07-14 | 2024-04-30 | 江苏大学 | 基于多模态技术的智能合约安全分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059694B (zh) | 电力行业复杂场景下的文字数据的智能识别方法 | |
CN109949317B (zh) | 基于逐步对抗学习的半监督图像实例分割方法 | |
CN111126453B (zh) | 基于注意力机制和切割填充的细粒度图像分类方法及系统 | |
CN114841972B (zh) | 基于显著性图和语义嵌入特征金字塔的输电线路缺陷识别方法 | |
CN111563557B (zh) | 一种电力电缆隧道内目标检测的方法 | |
CN107392019A (zh) | 一种恶意代码家族的训练和检测方法及装置 | |
CN110570433B (zh) | 基于生成对抗网络的图像语义分割模型构建方法和装置 | |
CN111105336A (zh) | 一种基于对抗网络的图像去水印的方法 | |
CN110399800B (zh) | 基于深度学习vgg16框架的车牌检测方法及系统、存储介质 | |
CN112597495B (zh) | 一种恶意代码检测方法、系统、设备及存储介质 | |
CN112488025B (zh) | 基于多模态特征融合的双时相遥感影像语义变化检测方法 | |
CN112884758B (zh) | 一种基于风格迁移方法的缺陷绝缘子样本生成方法及系统 | |
CN113344826B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN113869418B (zh) | 一种基于全局注意力关系网络的小样本船舶目标识别方法 | |
CN114898472B (zh) | 基于孪生视觉Transformer网络的签名鉴定方法和系统 | |
CN112163490A (zh) | 一种基于场景图片的目标检测方法 | |
CN114896594B (zh) | 基于图像特征多注意力学习的恶意代码检测装置及方法 | |
CN116089944A (zh) | 基于迁移学习的跨平台应用程序异常检测方法、系统 | |
CN114124447B (zh) | 一种基于Modbus数据包重组的入侵检测方法及装置 | |
CN110349119B (zh) | 基于边缘检测神经网络的路面病害检测方法和装置 | |
CN112164040A (zh) | 基于半监督深度学习算法的钢铁表面缺陷识别方法 | |
CN116703819A (zh) | 一种基于知识蒸馏的铁路货车钢地板破损检测方法 | |
CN111126173A (zh) | 一种高精度人脸检测方法 | |
CN116188391A (zh) | 断栅缺陷检测方法、装置、电子设备和存储介质 | |
CN116071307A (zh) | 路面缺陷检测模型建立方法、检测方法、存储介质及设备 |
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 |