“袁俊坤”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果10个，建议您升级VIP下载更多相关专利

[发明专利]基于扩散模型的图片数据集扩充方法、介质及设备-CN202310827912.5在审
发明人：况琨;苗乔伟;张圣宇;袁俊坤;吴飞 -专利权人：浙江大学
申请日： 2023-07-06 - 公布日： 2023-10-13 - 主分类号： G06T11/60 文献下载
摘要：本发明提供了一种基于扩散模型的图片数据集扩充方法、介质及设备。该方法包括：S1：针对原始图片数据集中的图像，设计对应的文本描述；S2：构建单词‑图像重映射模块嵌入预训练过的扩散模型，使用原始图片和对应文本描述作为输入数据对，训练单词‑图像重映射模块，构建图片到单词的重新映射；S3：固定扩散模型与其中的单词‑图像重映射模块，通过文本描述中单词的重新组合和拼接，构建新的文本描述。通过使用该文本描述与不同的随机噪声，通过扩散模型生成不同于数据集的图片，从而完成对原始图片数据集的扩充。
基于扩散模型图片数据扩充方法介质设备

[发明专利]基于神经网络的工具变量生成与手写数字识别方法及装置-CN202011493947.2有效
发明人：况琨;袁俊坤;吴飞;林兰芬 -专利权人：浙江大学
申请日： 2020-12-16 - 公布日： 2023-08-22 - 主分类号： G06N5/04 文献下载
摘要：本发明公开了一种基于神经网络的工具变量生成与反事实推理方法及装置。针对之前的基于工具变量的反事实推理(如手写数字识别)方法需要预先定义和可获取的工具变量的问题，本发明直接从可观测变量中学习和解耦出工具变量，大大提升了因果推断效率，节省了时间和成本。本发明首次自动地从可观测变量中提取出工具变量，在算法和运用上有独创性和独特性。将本发明应用于现有的基于工具变量的反事实预测方法，与使用真实工具变量的方法相比性能因果推断有明显提升。本发明着重于从可观测变量中解耦出工具变量的表征，解决了基于工具变量的反事实预测技术需要预先使用先验知识和高昂成本获取工具变量数据的难题，提升了手写数字识别等领域精度。
基于神经网络工具变量生成手写数字识别方法装置

[发明专利]图像分类模型构建方法、图像分类方法及装置、电子设备-CN202210424033.3在审
发明人：林兰芬;牛子未;袁俊坤;马旭 -专利权人：浙江大学
申请日： 2022-04-20 - 公布日： 2022-08-23 - 主分类号： G06V10/764 文献下载
摘要：本发明公开了一种图像分类模型构建方法、图像分类方法及装置、电子设备，图像分类模型构建方法包括：使用多个源域分别各自训练对应的辅助学生模型；使用所述多个源域混合训练一个学生组长模型；对多个所述辅助学生模型的预测输出进行互相蒸馏，得到第一蒸馏损失；根据所述第一蒸馏损失，更新多个所述辅助学生模型；将更新后的多个所述辅助学生模型的预测输出蒸馏给所述学生组长模型，得到第二蒸馏损失；根据所述第二蒸馏损失，更新所述学生组长模型，所述学生组长模型用于对待分类的图像进行分类。
图像分类模型构建方法装置电子设备

[发明专利]域适应图像分类网络的训练方法、图像分类方法及装置-CN202210193844.7在审
发明人：林兰芬;马旭;袁俊坤 -专利权人：浙江大学
申请日： 2022-03-01 - 公布日： 2022-06-28 - 主分类号： G06V10/764 文献下载
摘要：本发明公开了一种域适应图像分类网络的训练方法、图像分类方法及装置，其中域适应图像分类网络的训练方法包括：获取若干对源域图像和目标域图像；提取其中一对源域图像和目标域图像的跨层特征；利用注意力机制计算跨层特征之间的相似度；根据所述跨层特征的多核最大均值差异和所述相似度，计算域对齐泛化损失；根据源域图像和目标域图像的跨层特征，计算分类损失；根据域对齐泛化损失和分类损失，加权计算域适应图像分类网络的总损失；根据总损失，更新域适应图像分类网络的参数；对其余源域图像和目标域图像执行从提取其中一对源域图像和目标域图像的跨层特征至根据总损失更新域适应图像分类网络的参数的步骤，直至跨层对齐损失收敛。
适应图像分类网络训练方法装置

[发明专利]一种DGA域名开集分类方法、装置、电子设备及介质-CN202110124340.5有效
发明人：林兰芬;周少芳;袁俊坤 -专利权人：浙江大学
申请日： 2021-01-29 - 公布日： 2022-05-17 - 主分类号： G06F16/35 文献下载
摘要：本申请公开了一种DGA域名开集分类方法、装置、电子设备及介质，包括：获取待分类的DGA域名；将所述DGA域名分别分割为字符粒度的元素和单词粒度的元素；对所述字符粒度的元素和所述单词粒度的元素分别进行哈希计算，得到字符级别整数编码和单词级别整数编码；将所述字符级别整数编码和单词级别整数编码输入基于自注意力的DGA域名检测网络中，得到域名属于各已知DGA域名家族的概率；采用深度开集分类方法，根据所述概率，识别属于未知DGA域名家族的域名，得出分类结果。
一种 dga 域名分类方法装置电子设备介质

[发明专利]面向恶意软件图像格式检测模型的黑盒攻击的防御方法及其装置-CN201910886217.X有效
发明人：陈晋音;袁俊坤;邹健飞 -专利权人：浙江工业大学
申请日： 2019-09-19 - 公布日： 2021-10-15 - 主分类号： G06F21/56 文献下载
摘要：一种面向恶意软件图像格式检测模型的黑盒攻击的防御方法，包括：1)获取数据集，分为训练集和测试集；2)转换为恶意软件图像格式；3)构建基于深度卷积生成对抗网络(DCGAN)生成扰动的黑盒攻击模型，黑盒攻击模型结构分为生成器和判别器两部分；4)经过步骤3)构建的生成器和判别器之间的不断对抗过程，生成器最终生成能够模仿样本B的对抗样本；5)将步骤4)获取的对抗样本对恶意软件汇编格式检测模型重训练进行优化，获得能够防御对抗攻击的恶意软件检测模型；6)利用能够防御对抗攻击的恶意软件检测模型对恶意软件进行识别。本发明还包括实施面向恶意软件图像格式检测模型的黑盒攻击的防御方法的装置。
面向恶意软件图像格式检测模型黑盒攻击防御方法及其装置

[发明专利]一种DGA域名检测分类方法及装置-CN202110124333.5在审
发明人：林兰芬;周少芳;袁俊坤 -专利权人：浙江大学
申请日： 2021-01-29 - 公布日： 2021-06-11 - 主分类号： H04L29/06 文献下载
摘要：本申请公开了一种DGA域名检测分类方法及装置，包括：获取待分类的DGA域名；采用混合粒度的域名分割方法，将所述DGA域名分割成字符粒度或单词粒度的元素；为每个所述元素进行哈希计算，得到对应的整数编码；将所述整数编码输入基于多层空洞因果卷积的DGA域名检测分类网络中，得到分类结果。本申请采用混合粒度的域名分割方法，将域名分割为字符粒度或单词粒度的元素，可以有效利用域名的字符组合及单词组合特征，实现对不同种类DGA域名的统一检测，并提高对基于单词列表的DGA域名的检测能力。使用基于多层空洞因果卷积的DGA域名检测分类网络计算分类结果，其计算效率高，可以取得性能与效率的平衡。
一种 dga 域名检测分类方法装置

[发明专利]一种基于深度学习的恶意软件图像格式检测方法及其装置-CN201910886585.4有效
发明人：陈晋音;邹健飞;袁俊坤 -专利权人：浙江工业大学
申请日： 2019-09-19 - 公布日： 2021-06-08 - 主分类号： G06F21/56 文献下载
摘要：一种基于深度学习的恶意软件图像格式的检测方法，包括以下步骤：1)构建恶意软件样本数据集；2)转换为恶意软件图像格式；3)构建卷积神经网络分类器；4)根据样本数据集对分类器进行训练以实现对恶意软件样本的分类。本发明还提供一种实施基于深度学习的恶意软件图像格式的检测方法的装置。本发明有良好的适用性和精度，能够有效地对恶意软件进行检测，取得较好的检测效果。
一种基于深度学习恶意软件图像格式检测方法及其装置

[发明专利]面向恶意软件汇编格式检测模型的黑盒攻击的防御方法-CN201910672092.0有效
发明人：陈晋音;邹健飞;袁俊坤 -专利权人：浙江工业大学
申请日： 2019-07-24 - 公布日： 2021-05-11 - 主分类号： G06F21/56 文献下载
摘要：一种面向恶意软件汇编格式检测模型的黑盒攻击的防御方法，包括以下步骤：1)获取数据集，将其划分为训练集和测试集；2)恶意软件汇编格式的处理；3)构建卷积神经网络分类器；4)基于梯度下降的恶意软件汇编格式检测模型的白盒攻击；5)设计具有代表性的深度学习模型结构，作为用于迁移攻击的迁移分类器；6)将初始的训练数据集的一部分用于MalConv的学习，一部分用于迁移分类器的学习；7)生成对抗样本；8)将步骤7)获取的对抗样本对恶意软件汇编格式检测模型重训练进行优化，获得能够防御对抗攻击的恶意软件检测模型；9)利用能够防御对抗攻击的恶意软件检测模型对恶意软件进行识别。
面向恶意软件汇编格式检测模型黑盒攻击防御方法

[发明专利]基于深度学习的恶意软件汇编格式的检测方法-CN201910671549.6在审
发明人：陈晋音;邹健飞;袁俊坤 -专利权人：浙江工业大学
申请日： 2019-07-24 - 公布日： 2020-01-03 - 主分类号： G06F21/56 文献下载
摘要：一种基于深度学习的恶意软件汇编格式的检测方法，包括以下步骤：1)构建恶意软件样本数据集，并以“.asm”后缀的汇编语言文件类型保存；2)对汇编格式的恶意软件进行处理获得8通道输入数值矩阵；3)构建卷积神经网络分类器；4)根据样本数据集对分类器进行训练以实现对恶意软件样本的分类。本发明的优点是：实现了直接对恶意软件原始文件进行处理和分析，进行端到端的检测的深度学习网络模型。通过深度学习算法，利用带有大卷积核和大池化核的卷积神经网络作为分类检测网络，达到了较好的检测效果，提升了检测精度。在真实恶意软件上的实验结果表明，该算法具有良好的适用性和精度，能够有效的对恶意软件进行检测，取得较好的检测效果。
恶意软件检测卷积神经网络样本数据分类器构建汇编汇编语言文件处理和分析分类检测数值矩阵网络模型学习算法原始文件卷积核大池算法样本保存分类学习网络

1
共 10 条