CN116866211B - 一种改进的深度合成检测方法和系统 - Google Patents

一种改进的深度合成检测方法和系统 Download PDF

Info

Publication number
CN116866211B
CN116866211B CN202310763614.4A CN202310763614A CN116866211B CN 116866211 B CN116866211 B CN 116866211B CN 202310763614 A CN202310763614 A CN 202310763614A CN 116866211 B CN116866211 B CN 116866211B
Authority
CN
China
Prior art keywords
features
deep learning
sample set
sampling
values
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.)
Active
Application number
CN202310763614.4A
Other languages
English (en)
Other versions
CN116866211A (zh
Inventor
魏亮
谢玮
魏薇
彭志艺
凌霞
海涵
郑晓玲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Academy of Information and Communications Technology CAICT
Original Assignee
China Academy of Information and Communications Technology CAICT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Academy of Information and Communications Technology CAICT filed Critical China Academy of Information and Communications Technology CAICT
Priority to CN202310763614.4A priority Critical patent/CN116866211B/zh
Publication of CN116866211A publication Critical patent/CN116866211A/zh
Application granted granted Critical
Publication of CN116866211B publication Critical patent/CN116866211B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H04L43/04—Processing captured monitoring data, e.g. for logfile generation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
    • H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Security & Cryptography (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明提供一种改进的深度合成检测方法和系统，通过针对不同类型的数据包，分别提取深度学习、生物和时间三个不同维度的特征，从而可以覆盖网络全类型的数据包。针对深度学习特征采用降维采样和滑动窗二次采样；针对生物特征采用生物指纹匹配和滑动框二次采样；针对时间特征根据差异化结果重新定义采样窗，再次对深度学习和生物两种特征进行采样重组。再利用帧内和帧间特征的差异性，计算两两特征之间的欧氏距离，以此判断对比损失，实现检测的高效和自动调整。

Description

一种改进的深度合成检测方法和系统
技术领域
本申请涉及网络安全技术领域，尤其涉及一种改进的深度合成检测方法和系统。
背景技术
现有的内容检测方法面临着两大问题，一是检测方法不足以应对低质量、混合数据的应用场景，二是没有充分利用帧内和帧间特征的差异性，浪费了信息量，由此需要有一种能够自动调整提取特征、并且利用帧内和帧间特征差异性的检测方法和系统。
因此，急需一种针对性的改进的深度合成检测方法和系统。
发明内容
本发明的目的在于提供一种改进的深度合成检测方法和系统，解决现有需要应对低质量、混合数据的应用场景，以及需要利用帧内和帧间特征差异性的问题。
第一方面，本申请提供一种改进的深度合成检测方法，所述方法包括：
采集网络中不同类型的数据包，提取其中携带的深度学习特征、生物特征和时间特征；
对采集到的所述深度学习特征进行一次离散化处理，得到降维后的第二深度学习特征数据集，将该第二深度学习特征数据集向量化后输入到N层卷积单元，输出卷积后的第一中间结果；
根据所述第一中间结果的特征值分布，确定滑动窗的宽度，使用所述滑动窗对所述采集到的所述深度学习特征进行二次离散化处理，得到第一特征样本集；
对采集到的所述生物特征进行一次离散化采样，将采样值组成序列，与服务器中预先存储的若干生物指纹进行匹配，将符合匹配规则的若干生物指纹生成对应的若干滑动框，使用若干个所述滑动框对所述生物特征进行二次框内采样，重组二次框内采样的采样值，得到第二特征样本集；
对采集到的所述时间特征进行差异比较处理，根据差异度的大小划定不同的采样窗，使用所述采样窗再次对所述深度学习特征和生物特征进行采样，将采样后的采样值重组，得到第三特征样本集；
将所述第一特征样本集、第二特征样本集中的单个特征分别与所述第三特征样本集中的单个特征，依次计算两两之间的欧氏距离，得到第一欧氏距离和第二欧氏距离，根据该两个欧氏距离的值计算两两之间的对比损失，得到第一对比损失和第二对比损失；
当所述第一对比损失和第二对比损失的值小于等于第一阈值时，判断为识别有效，将进行下一步比较，否则判断为识别无效，中止分类操作；
比较所述第一对比损失和第二对比损失的差异值大小，当该差异值小于等于第二阈值时，则认定为检测合格，选择所述第一特征样本集作为对象，输入识别模型，得到分类结果；
当该差异值大于第二阈值时，则认定为检测异常，发出提示信息；
根据所述分类结果或提示信息进行管控。
第二方面，本申请提供一种改进的深度合成检测系统，所述系统包括：
采集单元，用于采集网络中不同类型的数据包，提取其中携带的深度学习特征、生物特征和时间特征；
第一特征提取单元，用于对采集到的所述深度学习特征进行一次离散化处理，得到降维后的第二深度学习特征数据集，将该第二深度学习特征数据集向量化后输入到N层卷积单元，输出卷积后的第一中间结果；
根据所述第一中间结果的特征值分布，确定滑动窗的宽度，使用所述滑动窗对所述采集到的所述深度学习特征进行二次离散化处理，得到第一特征样本集；
第二特征提取单元，用于对采集到的所述生物特征进行一次离散化采样，将采样值组成序列，与服务器中预先存储的若干生物指纹进行匹配，将符合匹配规则的若干生物指纹生成对应的若干滑动框，使用若干个所述滑动框对所述生物特征进行二次框内采样，重组二次框内采样的采样值，得到第二特征样本集；
第三特征提取单元，用于对采集到的所述时间特征进行差异比较处理，根据差异度的大小划定不同的采样窗，使用所述采样窗再次对所述深度学习特征和生物特征进行采样，将采样后的采样值重组，得到第三特征样本集；
计算单元，用于将所述第一特征样本集、第二特征样本集中的单个特征分别与所述第三特征样本集中的单个特征，依次计算两两之间的欧氏距离，得到第一欧氏距离和第二欧氏距离，根据该两个欧氏距离的值计算两两之间的对比损失，得到第一对比损失和第二对比损失；
当所述第一对比损失和第二对比损失的值小于等于第一阈值时，判断为识别有效，将进行下一步比较，否则判断为识别无效，中止分类操作；
分类单元，用于比较所述第一对比损失和第二对比损失的差异值大小，当该差异值小于等于第二阈值时，则认定为检测合格，选择所述第一特征样本集作为对象，输入识别模型，得到分类结果；当该差异值大于第二阈值时，则认定为检测异常，发出提示信息；
执行单元，用于根据所述分类结果或提示信息进行管控。
第三方面，本申请提供一种改进的深度合成检测系统，所述系统包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行第一方面四种可能中任一项所述的方法。
第四方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行第一方面四种可能中任一项所述的方法。
有益效果
本发明提供一种改进的深度合成检测方法和系统，通过针对不同类型的数据包，分别提取深度学习、生物和时间三个不同维度的特征，从而可以覆盖网络全类型的数据包。针对深度学习特征采用降维采样和滑动窗二次采样；针对生物特征采用生物指纹匹配和滑动框二次采样；针对时间特征根据差异化结果重新定义采样窗，再次对深度学习和生物两种特征进行采样重组。再利用帧内和帧间特征的差异性，计算两两特征之间的欧氏距离，以此判断对比损失，克服了现有技术面对网络中低质量、混合数据场景、以及缺乏利用帧内和帧间特征差异性的不足，实现检测的高效和自动调整。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，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的附图。
图1为本发明改进的深度合成检测方法的大致流程图；
图2为本发明改进的深度合成检测系统的架构图。
具体实施方式
下面结合附图对本发明的优选实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
图1为本申请提供的改进的深度合成检测方法的大致流程图，所述方法包括：
采集网络中不同类型的数据包，提取其中携带的深度学习特征、生物特征和时间特征；
对采集到的所述深度学习特征进行一次离散化处理，得到降维后的第二深度学习特征数据集，将该第二深度学习特征数据集向量化后输入到N层卷积单元，输出卷积后的第一中间结果；
根据所述第一中间结果的特征值分布，确定滑动窗的宽度，使用所述滑动窗对所述采集到的所述深度学习特征进行二次离散化处理，得到第一特征样本集；
对采集到的所述生物特征进行一次离散化采样，将采样值组成序列，与服务器中预先存储的若干生物指纹进行匹配，将符合匹配规则的若干生物指纹生成对应的若干滑动框，使用若干个所述滑动框对所述生物特征进行二次框内采样，重组二次框内采样的采样值，得到第二特征样本集；
对采集到的所述时间特征进行差异比较处理，根据差异度的大小划定不同的采样窗，使用所述采样窗再次对所述深度学习特征和生物特征进行采样，将采样后的采样值重组，得到第三特征样本集；
将所述第一特征样本集、第二特征样本集中的单个特征分别与所述第三特征样本集中的单个特征，依次计算两两之间的欧氏距离，得到第一欧氏距离和第二欧氏距离，根据该两个欧氏距离的值计算两两之间的对比损失，得到第一对比损失和第二对比损失；
这里的计算两两之间的欧氏距离，指的是分别计算第一特征样本集的单个特征与第三特征样本集的单个特征之间的欧氏距离，以及第二特征样本集的单个特征与第三特征样本集的单个特征之间的欧氏距离。
这里的计算两两之间的对比损失，指的是分别计算第一特征样本集与第三特征样本集之间的对比损失，以及第二特征样本集与第三特征样本集之间的对比损失。
当所述第一对比损失和第二对比损失的值小于等于第一阈值时，判断为识别有效，将进行下一步比较，否则判断为识别无效，中止分类操作；
比较所述第一对比损失和第二对比损失的差异值大小，当该差异值小于等于第二阈值时，则认定为检测合格，选择所述第一特征样本集作为对象，输入识别模型，得到分类结果；
当该差异值大于第二阈值时，则认定为检测异常，发出提示信息；
根据所述分类结果或提示信息进行管控。
其中，当提取网络数据包的过程中，发现缺少某种特征(或称提取失败)时，例如：深度学习特征、生物特征和时间特征三种中缺少生物特征时，后续算法会自动使用深度学习特征按照生物特征的计算方法，得到对应的特征样本集。从而弥补低质量、混合数据的不足。
在一些优选实施例中，训练所述识别模型时，通过反向的传播方式来最小化熵损失函数，避免过饱和，当所述识别模型的精度满足阈值的要求，则表明该识别模型训练完成。然后可用于数据验证。
在一些优选实施例中，所述深度学习特征与数据包的类型存在对应关系，根据所述数据包的类型确定需要提取的所述深度学习特征。
在一些优选实施例中，所述生物特征包括数据包中涉及人物面部活动、生理特征的多媒体信息。
图2为本申请提供的改进的深度合成检测系统的架构图，所述系统包括：
采集单元，用于采集网络中不同类型的数据包，提取其中携带的深度学习特征、生物特征和时间特征；
第一特征提取单元，用于对采集到的所述深度学习特征进行一次离散化处理，得到降维后的第二深度学习特征数据集，将该第二深度学习特征数据集向量化后输入到N层卷积单元，输出卷积后的第一中间结果；
根据所述第一中间结果的特征值分布，确定滑动窗的宽度，使用所述滑动窗对所述采集到的所述深度学习特征进行二次离散化处理，得到第一特征样本集；
第二特征提取单元，用于对采集到的所述生物特征进行一次离散化采样，将采样值组成序列，与服务器中预先存储的若干生物指纹进行匹配，将符合匹配规则的若干生物指纹生成对应的若干滑动框，使用若干个所述滑动框对所述生物特征进行二次框内采样，重组二次框内采样的采样值，得到第二特征样本集；
第三特征提取单元，用于对采集到的所述时间特征进行差异比较处理，根据差异度的大小划定不同的采样窗，使用所述采样窗再次对所述深度学习特征和生物特征进行采样，将采样后的采样值重组，得到第三特征样本集；
计算单元，用于将所述第一特征样本集、第二特征样本集中的单个特征分别与所述第三特征样本集中的单个特征，依次计算两两之间的欧氏距离，得到第一欧氏距离和第二欧氏距离，根据该两个欧氏距离的值计算两两之间的对比损失，得到第一对比损失和第二对比损失；
当所述第一对比损失和第二对比损失的值小于等于第一阈值时，判断为识别有效，将进行下一步比较，否则判断为识别无效，中止分类操作；
分类单元，用于比较所述第一对比损失和第二对比损失的差异值大小，当该差异值小于等于第二阈值时，则认定为检测合格，选择所述第一特征样本集作为对象，输入识别模型，得到分类结果；当该差异值大于第二阈值时，则认定为检测异常，发出提示信息；
执行单元，用于根据所述分类结果或提示信息进行管控。
本申请提供一种改进的深度合成检测系统，所述系统包括：所述系统包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行第一方面所有实施例中任一项所述的方法。
本申请提供一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行第一方面所有实施例中任一项所述的方法。
具体实现中，本发明还提供一种计算机存储介质，其中，该计算机存储介质可以存储有程序，该程序执行时可包括本发明各个实施例中的部分或全部步骤。所述的存储介质可以为磁碟、光盘、只读存储记忆体(简称：ROM)或随机存储记忆体(简称：RAM)等。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，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或者实施例的某些部分所述的方法。
本说明书各个实施例之间相同相似的部分互相参见即可。尤其，对于实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。
以上所述的本发明实施方式并不构成对本发明保护范围的限定。

Claims (7)

1.一种改进的深度合成检测方法，其特征在于，所述方法包括：
采集网络中不同类型的数据包，提取其中携带的深度学习特征、生物特征和时间特征；
对采集到的所述深度学习特征进行一次离散化处理，得到降维后的第二深度学习特征数据集，将该第二深度学习特征数据集向量化后输入到N层卷积单元，输出卷积后的第一中间结果；
根据所述第一中间结果的特征值分布，确定滑动框的宽度，使用所述滑动框对所述采集到的所述深度学习特征进行二次离散化处理，得到第一特征样本集；
对采集到的所述生物特征进行一次离散化采样，将采样值组成序列，与服务器中预先存储的若干生物指纹进行匹配，将符合匹配规则的若干生物指纹生成对应的若干滑动框，使用所述若干滑动框对所述生物特征进行二次框内采样，重组二次框内采样的采样值，得到第二特征样本集；
对采集到的所述时间特征进行差异比较处理，根据差异度的大小划定不同的采样窗，使用所述采样窗再次对所述深度学习特征和生物特征进行采样，将采样后的采样值重组，得到第三特征样本集；
依次计算第一特征样本集中的单个特征与第三特征样本集中的单个特征之间的欧式距离、第二特征样本集中的单个特征与第三特征样本集中的单个特征之间的欧式距离，得到第一欧氏距离和第二欧氏距离，根据两个欧氏距离的值计算两两之间的对比损失，得到第一对比损失和第二对比损失；
当所述第一对比损失和第二对比损失的值小于等于第一阈值时，判断为识别有效，将进行下一步比较，否则判断为识别无效，中止分类操作；
比较所述第一对比损失和第二对比损失的差异值大小，当该差异值小于等于第二阈值时，则认定为检测合格，选择所述第一特征样本集作为对象，输入识别模型，得到分类结果；
当该差异值大于第二阈值时，则认定为检测异常，发出提示信息；
根据所述分类结果或提示信息进行管控。
2.根据权利要求1所述的方法，其特征在于：训练所述识别模型时，通过反向的传播方式来最小化熵损失函数，避免过饱和，当所述识别模型的精度满足阈值的要求，则表明该识别模型训练完成。
3.根据权利要求1所述的方法，其特征在于：所述深度学习特征与数据包的类型存在对应关系，根据所述数据包的类型确定需要提取的所述深度学习特征。
4.根据权利要求2或3任一项所述的方法，其特征在于：所述生物特征包括数据包中涉及人物面部活动、生理特征的多媒体信息。
5.一种改进的深度合成检测系统，其特征在于，所述系统包括：
采集单元，用于采集网络中不同类型的数据包，提取其中携带的深度学习特征、生物特征和时间特征；
第一特征提取单元，用于对采集到的所述深度学习特征进行一次离散化处理，得到降维后的第二深度学习特征数据集，将该第二深度学习特征数据集向量化后输入到N层卷积单元，输出卷积后的第一中间结果；
根据所述第一中间结果的特征值分布，确定滑动框的宽度，使用所述滑动框对所述采集到的所述深度学习特征进行二次离散化处理，得到第一特征样本集；
第二特征提取单元，用于对采集到的所述生物特征进行一次离散化采样，将采样值组成序列，与服务器中预先存储的若干生物指纹进行匹配，将符合匹配规则的若干生物指纹生成对应的若干滑动框，使用所述若干滑动框对所述生物特征进行二次框内采样，重组二次框内采样的采样值，得到第二特征样本集；
第三特征提取单元，用于对采集到的所述时间特征进行差异比较处理，根据差异度的大小划定不同的采样窗，使用所述采样窗再次对所述深度学习特征和生物特征进行采样，将采样后的采样值重组，得到第三特征样本集；
计算单元，用于依次计算第一特征样本集中的单个特征与第三特征样本集中的单个特征之间的欧式距离、第二特征样本集中的单个特征与第三特征样本集中的单个特征之间的欧式距离，得到第一欧氏距离和第二欧氏距离，根据两个欧氏距离的值计算两两之间的对比损失，得到第一对比损失和第二对比损失；
当所述第一对比损失和第二对比损失的值小于等于第一阈值时，判断为识别有效，将进行下一步比较，否则判断为识别无效，中止分类操作；
分类单元，用于比较所述第一对比损失和第二对比损失的差异值大小，当该差异值小于等于第二阈值时，则认定为检测合格，选择所述第一特征样本集作为对象，输入识别模型，得到分类结果；当该差异值大于第二阈值时，则认定为检测异常，发出提示信息；
执行单元，用于根据所述分类结果或提示信息进行管控。
6.一种改进的深度合成检测系统，其特征在于，所述系统包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行实现权利要求1-4任一项所述的方法。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于被处理器执行实现权利要求1-4任一项所述的方法。
CN202310763614.4A 2023-06-26 2023-06-26 一种改进的深度合成检测方法和系统 Active CN116866211B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310763614.4A CN116866211B (zh) 2023-06-26 2023-06-26 一种改进的深度合成检测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310763614.4A CN116866211B (zh) 2023-06-26 2023-06-26 一种改进的深度合成检测方法和系统

Publications (2)

Publication Number Publication Date
CN116866211A CN116866211A (zh) 2023-10-10
CN116866211B true CN116866211B (zh) 2024-02-23

Family

ID=88220840

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310763614.4A Active CN116866211B (zh) 2023-06-26 2023-06-26 一种改进的深度合成检测方法和系统

Country Status (1)

Country Link
CN (1) CN116866211B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114332090A (zh) * 2022-03-16 2022-04-12 中南大学 多源域自适应脑网络分类方法、系统、设备及存储介质
CN114882069A (zh) * 2022-03-03 2022-08-09 杭州电子科技大学 基于lstm网络和注意力机制的出租车轨迹异常检测方法
WO2022205060A1 (zh) * 2021-03-31 2022-10-06 华为技术有限公司 图像处理方式的确定方法及装置
CN115529475A (zh) * 2021-12-29 2022-12-27 北京智美互联科技有限公司 视频流量内容检测与风控的方法和系统
CN115731593A (zh) * 2022-08-03 2023-03-03 郑州轻工业大学 一种人脸活体检测方法
CN116150651A (zh) * 2022-12-13 2023-05-23 天津市国瑞数码安全系统股份有限公司 基于ai的深度合成检测方法和系统
CN116232644A (zh) * 2022-12-13 2023-06-06 天津市国瑞数码安全系统股份有限公司 基于ai的网络诈骗行为分析方法和系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022205060A1 (zh) * 2021-03-31 2022-10-06 华为技术有限公司 图像处理方式的确定方法及装置
CN115529475A (zh) * 2021-12-29 2022-12-27 北京智美互联科技有限公司 视频流量内容检测与风控的方法和系统
CN114882069A (zh) * 2022-03-03 2022-08-09 杭州电子科技大学 基于lstm网络和注意力机制的出租车轨迹异常检测方法
CN114332090A (zh) * 2022-03-16 2022-04-12 中南大学 多源域自适应脑网络分类方法、系统、设备及存储介质
CN115731593A (zh) * 2022-08-03 2023-03-03 郑州轻工业大学 一种人脸活体检测方法
CN116150651A (zh) * 2022-12-13 2023-05-23 天津市国瑞数码安全系统股份有限公司 基于ai的深度合成检测方法和系统
CN116232644A (zh) * 2022-12-13 2023-06-06 天津市国瑞数码安全系统股份有限公司 基于ai的网络诈骗行为分析方法和系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于卷积神经网络和代价敏感的不平衡图像分类方法;谭洁帆;朱焱;陈同孝;张真诚;;计算机应用(07);全文 *
基于深度卷积神经网络的车型识别方法;袁公萍;汤一平;韩旺明;陈麒;;浙江大学学报(工学版);20180305(04);全文 *

Also Published As

Publication number Publication date
CN116866211A (zh) 2023-10-10

Similar Documents

Publication Publication Date Title
CN109271958B (zh) 人脸年龄识别方法及装置
CN109726195B (zh) 一种数据增强方法及装置
CN111914782A (zh) 人脸及其特征点的检测方法、装置、电子设备和存储介质
CN111709406A (zh) 文本行识别方法及装置、可读存储介质、电子设备
CN111814744A (zh) 一种人脸检测方法、装置、电子设备和计算机存储介质
CN109271957B (zh) 人脸性别识别方法以及装置
CN111444817B (zh) 一种人物图像识别方法、装置、电子设备和存储介质
CN116866211B (zh) 一种改进的深度合成检测方法和系统
CN116633809B (zh) 基于人工智能的检测方法和系统
CN116680385A (zh) 基于人工智能的对话问答方法、装置、计算机设备及介质
CN109003264B (zh) 一种视网膜病变图像类型识别方法、装置和存储介质
CN110413750A (zh) 根据用户问句召回标准问句的方法和装置
CN116843988B (zh) 一种基于深度学习的目标检测方法和系统
CN115424253A (zh) 车牌识别方法、装置、电子设备和存储介质
CN110348509B (zh) 数据增广参数的调整方法、装置、设备及存储介质
CN114186637A (zh) 流量识别方法、装置、服务器和存储介质
CN112766052A (zh) 基于ctc的图像文字识别方法及装置
CN115019235B (zh) 一种场景划分和内容检测的方法和系统
CN117894041B (zh) 一种基于物联网的屠宰场智能管理方法及系统
CN113782033B (zh) 一种声纹识别方法、装置、设备及存储介质
CN113435320B (zh) 自适应配置多模型的人体姿态估计方法
CN117830896A (zh) 图像识别方法以及装置
CN114613058B (zh) 一种具有考勤功能的门禁系统、考勤方法和相关装置
CN117671736A (zh) 一种基于深度学习的视频人物特征识别标记方法
CN116542946A (zh) 一种基于深度学习的钢铁厂中炉门检测方法及系统

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
GR01 Patent grant
GR01 Patent grant