CN117376632A - 基于智能深度合成的数据恢复方法和系统 - Google Patents
基于智能深度合成的数据恢复方法和系统 Download PDFInfo
- Publication number
- CN117376632A CN117376632A CN202311657221.1A CN202311657221A CN117376632A CN 117376632 A CN117376632 A CN 117376632A CN 202311657221 A CN202311657221 A CN 202311657221A CN 117376632 A CN117376632 A CN 117376632A
- Authority
- CN
- China
- Prior art keywords
- multimedia data
- feature
- items
- preset field
- scene information
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000011084 recovery Methods 0.000 title claims abstract description 35
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 21
- 238000003786 synthesis reaction Methods 0.000 title claims abstract description 21
- 238000005516 engineering process Methods 0.000 claims description 9
- 238000005065 mining Methods 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 241000700605 Viruses Species 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/438—Interfacing the downstream path of the transmission network originating from a server, e.g. retrieving encoded video stream packets from an IP network
- H04N21/4382—Demodulation or channel decoding, e.g. QPSK demodulation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/60—Network structure or processes for video distribution between server and client or between remote clients; Control signalling between clients, server and network components; Transmission of management data between server and client, e.g. sending from server to client commands for recording incoming content stream; Communication details between server and client
- H04N21/65—Transmission of management data between client and server
- H04N21/658—Transmission by the client directed to the server
- H04N21/6581—Reference data, e.g. a movie identifier for ordering a movie or a product identifier in a home shopping application
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/80—Generation or processing of content or additional data by content creator independently of the distribution process; Content per se
- H04N21/83—Generation or processing of protective or descriptive data associated with content; Content structuring
- H04N21/845—Structuring of content, e.g. decomposing content into time segments
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于智能深度合成的数据恢复方法和系统，通过采集损坏的多媒体数据，从中提取出预设字段的值，得到对应的场景信息，该预设字段内容采用单独的纠错编码，根据场景信息请求服务器下发规则模板，发掘出错误或空缺的项目，根据多媒体数据中正确项目的特征值预测错误或空缺项目的特征值，从而得到完整的特征集合，还原得到恢复后的多媒体数据，克服现有技术在数据丢失或损坏严重的情况下，难以实现完全恢复的问题。
Description
技术领域
本申请涉及网络安全技术领域，尤其涉及一种基于智能深度合成的数据恢复方法和系统。
背景技术
随着信息技术的快速发展，数据的重要性日益凸显。然而，由于各种原因，如病毒攻击、硬件故障、人为误操作等，深度合成后的数据会出现丢失或损坏的情况。目前，数据恢复技术主要依赖于备份、还原或修复等手段，但这些方法往往需要耗费大量的时间和人力，且在数据丢失或损坏严重的情况下，难以实现完全恢复。因此，开发一种基于智能深度合成的数据恢复方法和系统，以提高数据恢复的效率和准确性，具有重要意义。
因此，急需一种针对性的基于智能深度合成的数据恢复方法和系统。
发明内容
本发明的目的是为了解决上述问题，提供一种基于智能深度合成的数据恢复方法和系统。
第一方面，本申请提供一种基于智能深度合成的数据恢复方法，所述方法包括：
采集损坏的多媒体数据，并对所述损坏的多媒体数据进行整理，包括清洗和去除噪声；
从整理后的多媒体数据中提取预设字段的值，所述预设字段是在多媒体数据中额外增加的帧结构字段，用于存储多媒体数据对应的场景信息，并对该预设字段的内容采用单独的纠错编码；
当所述预设字段发生错误时，采用纠错恢复该预设字段的内容，再从中提取预设字段的值，得到对应的场景信息；
根据所述场景信息向服务器请求下发规则模板；
对所述整理后的多媒体数据按照下发的规则模板进行填充，发掘出错误或空缺的项目，并得到所述错误或空缺的项目的标识；
利用深度学习技术对所述整理后的多媒体数据中正确的项目进行特征提取，得到多个第一特征值；
将所述多个第一特征值和所述错误或空缺的项目的标识输入预测模型，预测出错误或空缺的项目的若干个待选特征组及其对应的概率值，每个所述待选特征组包括多个预测得出的特征值；
选择概率值最高的待选特征组，从中提取出多个特征值，将其与所述第一特征值进行合并，得到多媒体数据完整的特征集合；
对所述特征集合进行还原处理，得到恢复后的多媒体数据，向用户展示。
第二方面，本申请提供一种基于智能深度合成的数据恢复系统，所述系统包括：
采集单元，用于采集损坏的多媒体数据，并对所述损坏的多媒体数据进行整理，包括清洗和去除噪声；
提取单元，用于从整理后的多媒体数据中提取预设字段的值，所述预设字段是在多媒体数据中额外增加的帧结构字段，用于存储多媒体数据对应的场景信息，并对该预设字段的内容采用单独的纠错编码；当所述预设字段发生错误时，采用纠错恢复该预设字段的内容，再从中提取预设字段的值，得到对应的场景信息；
请求单元，用于根据所述场景信息向服务器请求下发规则模板；
填充发掘单元，用于对所述整理后的多媒体数据按照下发的规则模板进行填充，发掘出错误或空缺的项目，并得到所述错误或空缺的项目的标识；
特征提取单元，用于利用深度学习技术对所述整理后的多媒体数据中正确的项目进行特征提取，得到多个第一特征值；
预测单元，用于将所述多个第一特征值和所述错误或空缺的项目的标识输入预测模型，预测出错误或空缺的项目的若干个待选特征组及其对应的概率值，每个所述待选特征组包括多个预测得出的特征值；
合并单元，用于选择概率值最高的待选特征组，从中提取出多个特征值，将其与所述第一特征值进行合并，得到多媒体数据完整的特征集合；
恢复单元，用于对所述特征集合进行还原处理，得到恢复后的多媒体数据，向用户展示。
第三方面，本申请提供一种基于智能深度合成的数据恢复系统，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
本发明提供一种基于智能深度合成的数据恢复方法和系统，通过采集损坏的多媒体数据，从中提取出预设字段的值，得到对应的场景信息，该预设字段内容采用单独的纠错编码，根据场景信息请求服务器下发规则模板，发掘出错误或空缺的项目，根据多媒体数据中正确项目的特征值预测错误或空缺项目的特征值，从而得到完整的特征集合，还原得到恢复后的多媒体数据，克服现有技术在数据丢失或损坏严重的情况下，难以实现完全恢复的问题。
本发明的基于智能深度合成的数据恢复方法和系统具有以下优点：
通过对丢失或损坏的数据进行智能深度学习，获取数据的内在特征和规律，进而通过智能合成算法生成高相似度的数据，实现了对原始数据的快速、准确恢复。此外，本系统各模块协同工作，提高了数据恢复的效率和准确性。
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为本发明基于智能深度合成的数据恢复方法的大致流程图；
图2为本发明基于智能深度合成的数据恢复系统的架构图。
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。
由于各种原因，如病毒攻击、硬件故障、人为误操作等，深度合成后的数据会出现丢失或损坏的情况。目前，数据恢复技术主要依赖于备份、还原或修复等手段，但这些方法往往需要耗费大量的时间和人力，且在数据丢失或损坏严重的情况下，难以实现完全恢复。
图1为本申请提供的基于智能深度合成的数据恢复方法的大致流程图，所述方法包括：
采集损坏的多媒体数据，并对所述损坏的多媒体数据进行整理，包括清洗和去除噪声；
从整理后的多媒体数据中提取预设字段的值，所述预设字段是在多媒体数据中额外增加的帧结构字段，用于存储多媒体数据对应的场景信息，并对该预设字段的内容采用单独的纠错编码；
当所述预设字段发生错误时，采用纠错恢复该预设字段的内容，再从中提取预设字段的值，得到对应的场景信息；
根据所述场景信息向服务器请求下发规则模板；
对所述整理后的多媒体数据按照下发的规则模板进行填充，发掘出错误或空缺的项目，并得到所述错误或空缺的项目的标识；
利用深度学习技术对所述整理后的多媒体数据中正确的项目进行特征提取，得到多个第一特征值；
将所述多个第一特征值和所述错误或空缺的项目的标识输入预测模型，预测出错误或空缺的项目的若干个待选特征组及其对应的概率值，每个所述待选特征组包括多个预测得出的特征值；
选择概率值最高的待选特征组，从中提取出多个特征值，将其与所述第一特征值进行合并，得到多媒体数据完整的特征集合；
对所述特征集合进行还原处理，得到恢复后的多媒体数据，向用户展示。
本申请通过对多媒体数据中正确项目进行合理预测，还原出发生错误或丢失数据的可能特征，进而得到多媒体数据完整的特征集合，由此向用户展示恢复后的多媒体数据形象。
在一些优选实施例中，所述根据所述场景信息向服务器请求下发规则模板，包括：所述规则模板中包含指定场景所要求的各种项目和元素；服务器将所需多媒体数据按照项目类别分别与模板中项目元素建立对应关系，进行存储；服务器接收请求，根据所述场景信息，调取出对应的规则模板，下发给终端设备。
本申请可以根据场景不同，选择不同的规则。由于本申请可以根据正确的数据合理预测错误或丢失的数据特征，由此得到一些有益效果，针对一些场景，用户可以忽略一些不太重要的错误或丢失数据，节约数据恢复的成本，交给预测模型进行预测，最后仍然可以恢复得到合理的多媒体数据。
在一些优选实施例中，所述服务器中存储有不同场景与特征规则的关联关系，根据场景选择若干个特征规则，生成指定场景下的规则模板，其中关联度高的特征组成一个项目，特征成为该项目里的元素。
本申请服务器中存储了不同类型场景的特征规则，用户可以进一步扩展，丰富更多场景，也就是，本申请保持了极大的可扩展性。
在一些优选实施例中，所述多个特征值与所述第一特征值进行合并，包括：将多个特征值与第一特征值进行异或、或相加运算，得到一个特征集合。
本申请合并运算可以不局限于上述异或或相加。
图2为本申请提供的基于智能深度合成的数据恢复系统的架构图，所述系统包括：
采集单元，用于采集损坏的多媒体数据，并对所述损坏的多媒体数据进行整理，包括清洗和去除噪声；
提取单元，用于从整理后的多媒体数据中提取预设字段的值，所述预设字段是在多媒体数据中额外增加的帧结构字段，用于存储多媒体数据对应的场景信息，并对该预设字段的内容采用单独的纠错编码；当所述预设字段发生错误时，采用纠错恢复该预设字段的内容，再从中提取预设字段的值，得到对应的场景信息；
请求单元，用于根据所述场景信息向服务器请求下发规则模板；
填充发掘单元，用于对所述整理后的多媒体数据按照下发的规则模板进行填充，发掘出错误或空缺的项目，并得到所述错误或空缺的项目的标识；
特征提取单元，用于利用深度学习技术对所述整理后的多媒体数据中正确的项目进行特征提取，得到多个第一特征值；
预测单元，用于将所述多个第一特征值和所述错误或空缺的项目的标识输入预测模型，预测出错误或空缺的项目的若干个待选特征组及其对应的概率值，每个所述待选特征组包括多个预测得出的特征值；
合并单元，用于选择概率值最高的待选特征组，从中提取出多个特征值，将其与所述第一特征值进行合并，得到多媒体数据完整的特征集合；
恢复单元，用于对所述特征集合进行还原处理，得到恢复后的多媒体数据，向用户展示。
本申请提供一种基于智能深度合成的数据恢复系统，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)
1.一种基于智能深度合成的数据恢复方法，其特征在于，所述方法包括：
采集损坏的多媒体数据，并对所述损坏的多媒体数据进行整理，包括清洗和去除噪声；
从整理后的多媒体数据中提取预设字段的值，所述预设字段是在多媒体数据中额外增加的帧结构字段，用于存储多媒体数据对应的场景信息，并对该预设字段的内容采用单独的纠错编码；
当所述预设字段发生错误时，采用纠错恢复该预设字段的内容，再从中提取预设字段的值，得到对应的场景信息；
根据所述场景信息向服务器请求下发规则模板；
对所述整理后的多媒体数据按照下发的规则模板进行填充，发掘出错误或空缺的项目，并得到所述错误或空缺的项目的标识；
利用深度学习技术对所述整理后的多媒体数据中正确的项目进行特征提取，得到多个第一特征值；
将所述多个第一特征值和所述错误或空缺的项目的标识输入预测模型，预测出错误或空缺的项目的若干个待选特征组及其对应的概率值，每个所述待选特征组包括多个预测得出的特征值；
选择概率值最高的待选特征组，从中提取出多个特征值，将其与所述第一特征值进行合并，得到多媒体数据完整的特征集合；
对所述特征集合进行还原处理，得到恢复后的多媒体数据，向用户展示。
2.根据权利要求1所述的方法，其特征在于：所述根据所述场景信息向服务器请求下发规则模板，包括：所述规则模板中包含指定场景所要求的各种项目和元素；服务器将所需多媒体数据按照项目类别分别与模板中项目元素建立对应关系，进行存储；服务器接收请求，根据所述场景信息，调取出对应的规则模板，下发给终端设备。
3.根据权利要求2所述的方法，其特征在于：所述服务器中存储有不同场景与特征规则的关联关系，根据场景选择若干个特征规则，生成指定场景下的规则模板，其中关联度高的特征组成一个项目，特征成为该项目里的元素。
4.根据权利要求3所述的方法，其特征在于：所述多个特征值与所述第一特征值进行合并，包括：将多个特征值与第一特征值进行异或、或相加运算，得到一个特征集合。
5.一种基于智能深度合成的数据恢复系统，其特征在于，所述系统包括：
采集单元，用于采集损坏的多媒体数据，并对所述损坏的多媒体数据进行整理，包括清洗和去除噪声；
提取单元，用于从整理后的多媒体数据中提取预设字段的值，所述预设字段是在多媒体数据中额外增加的帧结构字段，用于存储多媒体数据对应的场景信息，并对该预设字段的内容采用单独的纠错编码；当所述预设字段发生错误时，采用纠错恢复该预设字段的内容，再从中提取预设字段的值，得到对应的场景信息；
请求单元，用于根据所述场景信息向服务器请求下发规则模板；
填充发掘单元，用于对所述整理后的多媒体数据按照下发的规则模板进行填充，发掘出错误或空缺的项目，并得到所述错误或空缺的项目的标识；
特征提取单元，用于利用深度学习技术对所述整理后的多媒体数据中正确的项目进行特征提取，得到多个第一特征值；
预测单元，用于将所述多个第一特征值和所述错误或空缺的项目的标识输入预测模型，预测出错误或空缺的项目的若干个待选特征组及其对应的概率值，每个所述待选特征组包括多个预测得出的特征值；
合并单元，用于选择概率值最高的待选特征组，从中提取出多个特征值，将其与所述第一特征值进行合并，得到多媒体数据完整的特征集合；
恢复单元，用于对所述特征集合进行还原处理，得到恢复后的多媒体数据，向用户展示。
6.一种基于智能深度合成的数据恢复系统，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，所述程序代码用于执行实现权利要求1-4任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311657221.1A CN117376632B (zh) | 2023-12-06 | 2023-12-06 | 基于智能深度合成的数据恢复方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311657221.1A CN117376632B (zh) | 2023-12-06 | 2023-12-06 | 基于智能深度合成的数据恢复方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117376632A true CN117376632A (zh) | 2024-01-09 |
| CN117376632B CN117376632B (zh) | 2024-02-06 |
Family
ID=89389551
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311657221.1A Active CN117376632B (zh) | 2023-12-06 | 2023-12-06 | 基于智能深度合成的数据恢复方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117376632B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117370584A (zh) * | 2023-12-08 | 2024-01-09 | 中国信息通信研究院 | 多媒体数据深度合成方法和系统 |
| CN117540038A (zh) * | 2024-01-10 | 2024-02-09 | 中国信息通信研究院 | 智能检测虚假数据合成方法和系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2003007615A1 (fr) * | 2001-07-12 | 2003-01-23 | France Telecom Sa | Methode de protection et de correction d'une information de scene multimedia |
| CN101690239A (zh) * | 2006-04-04 | 2010-03-31 | 高通股份有限公司 | 具有帧信息表的帧级多媒体解码 |
| US20150188972A1 (en) * | 2013-12-30 | 2015-07-02 | Alcatel-Lucent Usa Inc. | Methods and systems for improving error resilience in video delivery |
| CN112380840A (zh) * | 2020-11-19 | 2021-02-19 | 平安科技（深圳）有限公司 | 文本纠错方法、装置、设备及介质 |
| CN114897738A (zh) * | 2022-05-25 | 2022-08-12 | 中国石油大学(华东) | 一种基于语义不一致性检测的图像盲修复方法 |
| CN115348456A (zh) * | 2022-08-11 | 2022-11-15 | 上海久尺网络科技有限公司 | 视频图像处理方法、装置、设备及存储介质 |
| CN115984662A (zh) * | 2023-03-21 | 2023-04-18 | 广东省科技基础条件平台中心 | 一种多模态数据预训练及识别方法、装置、设备及介质 |
| CN116304038A (zh) * | 2023-03-03 | 2023-06-23 | 成都康赛信息技术有限公司 | 一种基于深度学习的教育资源场景化综合纠错方法 |
| CN116823600A (zh) * | 2023-04-24 | 2023-09-29 | 南京理工大学 | 一种融合语义先验与加权损失的场景文本图像重建方法 |
-
2023
- 2023-12-06 CN CN202311657221.1A patent/CN117376632B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2003007615A1 (fr) * | 2001-07-12 | 2003-01-23 | France Telecom Sa | Methode de protection et de correction d'une information de scene multimedia |
| CN101690239A (zh) * | 2006-04-04 | 2010-03-31 | 高通股份有限公司 | 具有帧信息表的帧级多媒体解码 |
| US20150188972A1 (en) * | 2013-12-30 | 2015-07-02 | Alcatel-Lucent Usa Inc. | Methods and systems for improving error resilience in video delivery |
| CN112380840A (zh) * | 2020-11-19 | 2021-02-19 | 平安科技（深圳）有限公司 | 文本纠错方法、装置、设备及介质 |
| CN114897738A (zh) * | 2022-05-25 | 2022-08-12 | 中国石油大学(华东) | 一种基于语义不一致性检测的图像盲修复方法 |
| CN115348456A (zh) * | 2022-08-11 | 2022-11-15 | 上海久尺网络科技有限公司 | 视频图像处理方法、装置、设备及存储介质 |
| CN116304038A (zh) * | 2023-03-03 | 2023-06-23 | 成都康赛信息技术有限公司 | 一种基于深度学习的教育资源场景化综合纠错方法 |
| CN115984662A (zh) * | 2023-03-21 | 2023-04-18 | 广东省科技基础条件平台中心 | 一种多模态数据预训练及识别方法、装置、设备及介质 |
| CN116823600A (zh) * | 2023-04-24 | 2023-09-29 | 南京理工大学 | 一种融合语义先验与加权损失的场景文本图像重建方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117370584A (zh) * | 2023-12-08 | 2024-01-09 | 中国信息通信研究院 | 多媒体数据深度合成方法和系统 |
| CN117370584B (zh) * | 2023-12-08 | 2024-10-18 | 中国信息通信研究院 | 多媒体数据深度合成方法和系统 |
| CN117540038A (zh) * | 2024-01-10 | 2024-02-09 | 中国信息通信研究院 | 智能检测虚假数据合成方法和系统 |
| CN117540038B (zh) * | 2024-01-10 | 2024-03-22 | 中国信息通信研究院 | 智能检测虚假数据合成方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117376632B (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117376632B (zh) | 基于智能深度合成的数据恢复方法和系统 | |
| CN112686775A (zh) | 基于孤立森林算法的电力网络攻击检测方法及系统 | |
| CN110781960B (zh) | 视频分类模型的训练方法、分类方法、装置及设备 | |
| CN111753673A (zh) | 一种视频数据的检测方法和装置 | |
| CN112433874A (zh) | 一种故障定位方法、系统、电子设备及存储介质 | |
| US8571255B2 (en) | Scalable media fingerprint extraction | |
| CN112052451A (zh) | 一种webshell检测方法和装置 | |
| CN116778935A (zh) | 水印生成、信息处理、音频水印生成模型训练方法和装置 | |
| CN115509848A (zh) | 日志分析方法、装置、电子设备和存储介质 | |
| KR20120051952A (ko) | 특징점을 이용한 영상 검색 방법 및 상기 방법을 수행하는 장치 | |
| CN111209158B (zh) | 服务器集群的挖矿监控方法及集群监控系统 | |
| CN105740260A (zh) | 提取模板文件数据结构的方法和装置 | |
| CN115114627B (zh) | 一种恶意软件检测方法及装置 | |
| CN111178037A (zh) | 重复缺陷报告识别方法、装置及电子设备 | |
| CN113157946B (zh) | 实体链接方法、装置、电子设备及存储介质 | |
| CN109522196A (zh) | 一种故障日志处理的方法及装置 | |
| CN110414845B (zh) | 针对目标交易的风险评估方法及装置 | |
| CN109299260B (zh) | 数据分类方法、装置以及计算机可读存储介质 | |
| CN114218554A (zh) | 一种设备指纹生成方法、装置、设备及可读存储介质 | |
| CN112990466A (zh) | 一种冗余规则检测方法、装置以及服务器 | |
| CN117540038B (zh) | 智能检测虚假数据合成方法和系统 | |
| CN117370584B (zh) | 多媒体数据深度合成方法和系统 | |
| CN110765318A (zh) | 查询区块链数据的方法及装置 | |
| CN110362580A (zh) | 一种bim建筑工程数据检索优化归类方法及其系统 | |
| CN114650435B (zh) | 视频内重复片段查找方法、装置及相关设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |