“向鸿鑫”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5个，建议您升级VIP下载更多相关专利

[发明专利]一种化学结构感知的分子图像表示学习方法-CN202211654562.9在审
发明人： 向鸿鑫;金淑婷;曾理;曾湘祥 -专利权人：上海宇耀生物科技有限公司
申请日： 2022-12-22 - 公布日： 2023-06-23 - 主分类号： G16H50/50 文献下载
摘要：本发明公开了一种化学结构感知的分子图像表示学习方法，其特征在于，包括预训练阶段和微调阶段，所述预训练阶段包括以下步骤：将分子的SMILES数据转化为分子图像和分子拓扑图两种模态；在每个分子图像和每个分子拓扑图上使用数据增强得到增强后的视角；使用图像编码器和拓扑图编码器分别提取分子图像中的视觉特征和分子拓扑图中的拓扑特征；使用模态内对比学习和模态间对比学习来优化图像编码器和拓扑图编码器；所述微调阶段包括数据获取、预处理、分子图像和拓扑图提取、视觉特征和拓扑特征提取以及下游任务预测。解决了图像中化学语义知识无法被有效感知的问题以及拓扑图中特征表示不足的问题。
一种化学结构感知分子图像表示学习方法

[发明专利]一种基于交叉知识的图像零次分类模型及其分类方法-CN202011402935.4有效
发明人：曾婷;向鸿鑫;谢诚 -专利权人：云南大学
申请日： 2020-12-04 - 公布日： 2022-10-11 - 主分类号： G06V10/764 文献下载
摘要：本发明公开了一种基于交叉知识的图像零次分类模型，包括生物分类树模块；根据数据集中所有的类别构建为生物分类树；视觉特征提取模块：用于将数据集中的图像转化为一维的视觉特征；语义特征提取模块：用于将数据集中的文本或者属性转化为一维的语义特征；交叉知识学习模块：用于丰富类别的语义信息；生成对抗网络模块：包括生成器和判别器,生成器将语义特征生成伪视觉特征，判别器用于判别图像的真伪和所属类别；本发明采用交叉知识学习，能够训练更多相关的语义特征，以便在ZSL中嵌入从语义到视觉的特征，丰富了跨模态学习过程中的语义特征；本发明的模型以及方法简单高效，在多个权威数据集上均获得高准确率分类结果。
一种基于交叉知识图像分类模型及其方法

[发明专利]进程处理方法、装置、计算机设备和可读存储介质-CN202011520264.1在审
发明人：王明广;王丹阳;向鸿鑫 -专利权人：奇安信安全技术（珠海）有限公司;奇安信科技集团股份有限公司
申请日： 2020-12-21 - 公布日： 2022-06-21 - 主分类号： G06F21/55 文献下载
摘要：本发明提供了一种进程处理方法、装置、计算机设备和可读存储介质。该方法包括：当检测到第一系统进程创建子进程时，在预存的进程记录中，查询子进程的真实父进程，其中，进程记录包括源进程和目标进程的对应关系，源进程为向第二系统进程发送进程创建消息的非系统进程，目标进程为进程创建消息指示创建的进程，当子进程与目标进程相同时，目标进程对应的源进程为子进程的真实父进程，第一系统进程和第二系统进程可以相同，也可以不同；以及根据真实父进程确定是否要拦截子进程的创建。通过本发明，能够提升进程处理过程的灵活性和安全防御能力。
进程处理方法装置计算机设备可读存储介质

[发明专利]父进程识别方法、装置、电子设备、存储介质及程序-CN202011522860.3在审
发明人：王明广;王丹阳;向鸿鑫 -专利权人：奇安信安全技术（珠海）有限公司;奇安信科技集团股份有限公司
申请日： 2020-12-21 - 公布日： 2022-06-21 - 主分类号： G06F21/55 文献下载
摘要：本发明提供一种父进程识别方法、装置、电子设备、存储介质及程序，方法包括：监测到目标进程被创建后，确定所述目标进程的默认父进程；当所述默认父进程为系统进程时，判断所述目标进程的目标线程是否为远程过程调用线程；当所述目标进程的目标线程为远程过程调用线程时，从所述目标线程的线程环境块中获取真实父进程的信息。本发明提供的父进程识别方法、装置、电子设备、存储介质及程序，可以识别任意进程通过DCOM的方式所创建的目标进程，并得到目标进程所对应的真实父进程的信息，提高安全防御能力。
进程识别方法装置电子设备存储介质程序

[发明专利]一种结合快速表示学习和语义学习的睡眠阶段分期系统-CN202010090052.8有效
发明人： 向鸿鑫;杨云 -专利权人：云南大学
申请日： 2020-02-13 - 公布日： 2021-03-16 - 主分类号： A61B5/00 文献下载
摘要：本发明提供了一种结合快速表示学习和语义学习的睡眠阶段分期系统，包括信号采集单元、数据预处理单元、信号处理单元和预测结果处理单元；信号采集单元包括EEG信号采集模块和知识数据采集模块，分别用来获取原始EEG信号和睡眠阶段分期的相关知识；数据预处理单元包括特征预处理模块和知识预处理模块分别对采集的EEG信号和知识数据进行预处理；信号处理单元包括表示学习模块和语义学习模块呢能够有效的提取EEG信号特征和与睡眠分期相关的语义特征并得到两个分类结果；最后通过预测结果处理单元将得到两个分类结果加权融合得到最终结果。该系统提高了训练和预测速度，有效利用了信号特征和语义特征大大提高了睡眠阶段分期的准确性。
一种结合快速表示学习语义睡眠阶段分期系统