[go: up one dir, main page]

CN116843907B - 基于深度学习的增强和目标检测方法和系统 - Google Patents

基于深度学习的增强和目标检测方法和系统 Download PDF

Info

Publication number
CN116843907B
CN116843907B CN202310763616.3A CN202310763616A CN116843907B CN 116843907 B CN116843907 B CN 116843907B CN 202310763616 A CN202310763616 A CN 202310763616A CN 116843907 B CN116843907 B CN 116843907B
Authority
CN
China
Prior art keywords
sample set
network
difference
path
extract
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
CN202310763616.3A
Other languages
English (en)
Other versions
CN116843907A (zh
Inventor
魏亮
谢玮
魏薇
彭志艺
海涵
凌霞
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 CN202310763616.3A priority Critical patent/CN116843907B/zh
Publication of CN116843907A publication Critical patent/CN116843907A/zh
Application granted granted Critical
Publication of CN116843907B publication Critical patent/CN116843907B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/094—Adversarial learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明提供一种基于深度学习的增强和目标检测方法和系统，通过检测点采样和构建网络拓扑建模针对流量可能路径进行增强处理再采样两种采样方式，其中增强处理能够得到候选位置信息对应的节点。得到两个不同的样本集，将两个样本集输入对抗性网络，计算两者之间的差异度，根据差异度修正候选位置信息，当该差异度小于等于阈值时表示捕获成功，融合得到深度合成样本集，最后通过识别模型分类。

Description

基于深度学习的增强和目标检测方法和系统
技术领域
本申请涉及网络安全技术领域，尤其涉及一种基于深度学习的增强和目标检测方法和系统。
背景技术
现有的网络检测方法经常由于样本不均导致漏检或错检，需要考虑网络拓扑结构进行正向建模。同时，还需要针对流量路径进行增强处理，更为合理采集样本，从而更好地提取特征。
因此，急需一种针对性的基于深度学习的增强和目标检测方法和系统。
发明内容
本发明的目的在于提供一种基于深度学习的增强和目标检测方法和系统，解决现有样本不均导致漏检或错检，以及需要对流量路径进行增强处理的问题。
第一方面，本申请提供一种基于深度学习的增强和目标检测方法，所述方法包括：
在检测点采集数据包，提取其中携带的第一数据特征；
根据网络中网元之间的交互和流量的路径，构建网络拓扑关系表；
获知发送流量的网元标识和数量，根据该发送流量的网元在所述网络拓扑关系表中的位置，生成可能路径图；
将所述可能路径图进行卷积操作提取路径特征，生成抽象化后的路径特征图，将所述可能路径图输入区域建议模型，得到建议区域，所述建议区域映射到所述路径特征图上，通过池化操作提取候选位置信息；
采集该候选位置信息对应节点的数据包，提取其中携带的第二数据特征；
分别对第一数据特征和第二数据特征进行离散化处理，得到降维后的第一样本集和第二样本集；
将所述第一样本集和第二样本集分别送入对抗性网络的两个输入端，由该对抗性网络计算两者之间的差异度，若该差异度大于阈值，则将差异度反馈给区域建议模型，用于调整建议区域的范围和大小，修正候选位置信息；若该差异度小于等于阈值，则表示捕获成功，将所述第一样本集和第二样本集融合为深度合成样本集；
将所述深度合成样本集送入识别模型，进行分类操作，得出分类结果；
根据所述分类结果进行管控。
第二方面，本申请提供一种基于深度学习的增强和目标检测系统，所述系统包括：
第一采集单元，用于在检测点采集数据包，提取其中携带的第一数据特征；
构建单元，用于根据网络中网元之间的交互和流量的路径，构建网络拓扑关系表；
第二采集单元，用于获知发送流量的网元标识和数量，根据该发送流量的网元在所述网络拓扑关系表中的位置，生成可能路径图；将所述可能路径图进行卷积操作提取路径特征，生成抽象化后的路径特征图，将所述可能路径图输入区域建议模型，得到建议区域，所述建议区域映射到所述路径特征图上，通过池化操作提取候选位置信息；采集该候选位置信息对应节点的数据包，提取其中携带的第二数据特征；
融合单元，用于分别对第一数据特征和第二数据特征进行离散化处理，得到降维后的第一样本集和第二样本集；
将所述第一样本集和第二样本集分别送入对抗性网络的两个输入端，由该对抗性网络计算两者之间的差异度，若该差异度大于阈值，则将差异度反馈给区域建议模型，用于调整建议区域的范围和大小，修正候选位置信息；若该差异度小于等于阈值，则表示捕获成功，将所述第一样本集和第二样本集融合为深度合成样本集；
分类单元，用于将所述深度合成样本集送入识别模型，进行分类操作，得出分类结果；
执行单元，用于根据所述分类结果进行管控。
第三方面，本申请提供一种基于深度学习的增强和目标检测系统，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
本发明提供一种基于深度学习的增强和目标检测方法和系统，通过检测点采样和构建网络拓扑建模针对流量可能路径进行增强处理再采样两种采样方式，其中增强处理能够得到候选位置信息对应的节点。得到两个不同的样本集，将两个样本集输入对抗性网络，计算两者之间的差异度，根据差异度修正候选位置信息，当该差异度小于等于阈值时表示捕获成功，融合得到深度合成样本集，最后通过识别模型分类，克服了现有技术由于样本不均导致漏检或错检、需要针对流量路径进行增强处理的不足，实现检测的高效性和自动性。
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为本发明基于深度学习的增强和目标检测方法的大致流程图；
图2为本发明基于深度学习的增强和目标检测系统的架构图。
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为本申请提供的基于深度学习的增强和目标检测方法的大致流程图，所述方法包括：
在检测点采集数据包，提取其中携带的第一数据特征；
根据网络中网元之间的交互和流量的路径，构建网络拓扑关系表；
获知发送流量的网元标识和数量，根据该发送流量的网元在所述网络拓扑关系表中的位置，生成可能路径图；
将所述可能路径图进行卷积操作提取路径特征，生成抽象化后的路径特征图，将所述可能路径图输入区域建议模型，得到建议区域，所述建议区域映射到所述路径特征图上，通过池化操作提取候选位置信息；
采集该候选位置信息对应节点的数据包，提取其中携带的第二数据特征；
分别对第一数据特征和第二数据特征进行离散化处理，得到降维后的第一样本集和第二样本集；
将所述第一样本集和第二样本集分别送入对抗性网络的两个输入端，由该对抗性网络计算两者之间的差异度，若该差异度大于阈值，则将差异度反馈给区域建议模型，用于调整建议区域的范围和大小，修正候选位置信息；若该差异度小于等于阈值，则表示捕获成功，将所述第一样本集和第二样本集融合为深度合成样本集；
将所述深度合成样本集送入识别模型，进行分类操作，得出分类结果；
根据所述分类结果进行管控。
在一些优选实施例中，所述将第一样本集和第二样本集融合包括以下任一种：将两个样本集按照对应项目重组，第二样本集按照项目将数据特征插入补齐到第一样本集中，得到所述深度合成样本集；
或，将两个样本集按前后顺序拼接，得到所述深度合成样本集。
在一些优选实施例中，所述区域建议模型包括在区域建议网络中，区域建议模型部署在该网络中的某一个服务器上，使用特征边界框对输入项进行划界。
在流量途径的路径上确定建议区域，进而池化得到候选位置，于候选位置采集数据包，可以弥补现有技术样本不均的问题。
这里的区域建议模型可以利用现有技术已经存在的模型，将模型的输入项扩展一下，增加一个反馈输入项，后续可以根据对抗性网络的比较结果调整模型的输出结果，更好地优化建议区域。
在一些优选实施例中，所述调整建议区域的范围和大小包括：区域建议模型将所述差异度作为模型参数，修正所述可能路径图的建议区域的范围和大小，再次将修正后的建议区域映射到所述路径特征图上，通过池化操作得到新的候选位置信息。
所述建议区域的范围和大小，可以包括覆盖范围和覆盖类型等多种含义。
图2为本申请提供的基于深度学习的增强和目标检测系统的架构图，所述系统包括：
第一采集单元，用于在检测点采集数据包，提取其中携带的第一数据特征；
构建单元，用于根据网络中网元之间的交互和流量的路径，构建网络拓扑关系表；
第二采集单元，用于获知发送流量的网元标识和数量，根据该发送流量的网元在所述网络拓扑关系表中的位置，生成可能路径图；将所述可能路径图进行卷积操作提取路径特征，生成抽象化后的路径特征图，将所述可能路径图输入区域建议模型，得到建议区域，所述建议区域映射到所述路径特征图上，通过池化操作提取候选位置信息；采集该候选位置信息对应节点的数据包，提取其中携带的第二数据特征；
融合单元，用于分别对第一数据特征和第二数据特征进行离散化处理，得到降维后的第一样本集和第二样本集；
将所述第一样本集和第二样本集分别送入对抗性网络的两个输入端，由该对抗性网络计算两者之间的差异度，若该差异度大于阈值，则将差异度反馈给区域建议模型，用于调整建议区域的范围和大小，修正候选位置信息；若该差异度小于等于阈值，则表示捕获成功，将所述第一样本集和第二样本集融合为深度合成样本集；
分类单元，用于将所述深度合成样本集送入识别模型，进行分类操作，得出分类结果；
执行单元，用于根据所述分类结果进行管控。
本申请提供一种基于深度学习的增强和目标检测系统，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)

1.一种基于深度学习的增强和目标检测方法，其特征在于，所述方法包括：
在检测点采集数据包，提取其中携带的第一数据特征；
根据网络中网元之间的交互和流量的路径，构建网络拓扑关系表；
获知发送流量的网元标识和数量，根据该发送流量的网元在所述网络拓扑关系表中的位置，生成可能路径图；
将所述可能路径图进行卷积操作提取路径特征，生成抽象化后的路径特征图，将所述可能路径图输入区域建议模型，得到建议区域，所述建议区域映射到所述路径特征图上，通过池化操作提取候选位置信息；
采集该候选位置信息对应节点的数据包，提取其中携带的第二数据特征；
分别对第一数据特征和第二数据特征进行离散化处理，得到降维后的第一样本集和第二样本集；
将所述第一样本集和第二样本集分别送入对抗性网络的两个输入端，由该对抗性网络计算两者之间的差异度，若该差异度大于阈值，则将差异度反馈给区域建议模型，用于调整建议区域的范围和大小，修正候选位置信息；若该差异度小于等于阈值，则表示捕获成功，将所述第一样本集和第二样本集融合为深度合成样本集；
将所述深度合成样本集送入识别模型，进行分类操作，得出分类结果；
根据所述分类结果进行管控。
2.根据权利要求1所述的方法，其特征在于：所述将第一样本集和第二样本集融合包括以下任一种：将两个样本集按照对应项目重组，第二样本集按照项目将数据特征插入补齐到第一样本集中，得到所述深度合成样本集；
或，将两个样本集按前后顺序拼接，得到所述深度合成样本集。
3.根据权利要求1所述的方法，其特征在于：所述区域建议模型包括在区域建议网络中，区域建议模型部署在该网络中的某一个服务器上，使用特征边界框对输入项进行划界。
4.根据权利要求2或3任一项所述的方法，其特征在于：所述调整建议区域的范围和大小包括：区域建议模型将所述差异度作为模型参数，修正所述可能路径图的建议区域的范围和大小，再次将修正后的建议区域映射到所述路径特征图上，通过池化操作得到新的候选位置信息。
5.一种基于深度学习的增强和目标检测系统，其特征在于，所述系统包括：
第一采集单元，用于在检测点采集数据包，提取其中携带的第一数据特征；
构建单元，用于根据网络中网元之间的交互和流量的路径，构建网络拓扑关系表；
第二采集单元，用于获知发送流量的网元标识和数量，根据该发送流量的网元在所述网络拓扑关系表中的位置，生成可能路径图；将所述可能路径图进行卷积操作提取路径特征，生成抽象化后的路径特征图，将所述可能路径图输入区域建议模型，得到建议区域，所述建议区域映射到所述路径特征图上，通过池化操作提取候选位置信息；采集该候选位置信息对应节点的数据包，提取其中携带的第二数据特征；
融合单元，用于分别对第一数据特征和第二数据特征进行离散化处理，得到降维后的第一样本集和第二样本集；
将所述第一样本集和第二样本集分别送入对抗性网络的两个输入端，由该对抗性网络计算两者之间的差异度，若该差异度大于阈值，则将差异度反馈给区域建议模型，用于调整建议区域的范围和大小，修正候选位置信息；若该差异度小于等于阈值，则表示捕获成功，将所述第一样本集和第二样本集融合为深度合成样本集；
分类单元，用于将所述深度合成样本集送入识别模型，进行分类操作，得出分类结果；
执行单元，用于根据所述分类结果进行管控。
6.一种基于深度学习的增强和目标检测系统，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，所述程序代码用于执行实现权利要求1-4任一项所述的方法。
CN202310763616.3A 2023-06-26 2023-06-26 基于深度学习的增强和目标检测方法和系统 Active CN116843907B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310763616.3A CN116843907B (zh) 2023-06-26 2023-06-26 基于深度学习的增强和目标检测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310763616.3A CN116843907B (zh) 2023-06-26 2023-06-26 基于深度学习的增强和目标检测方法和系统

Publications (2)

Publication Number Publication Date
CN116843907A CN116843907A (zh) 2023-10-03
CN116843907B true CN116843907B (zh) 2024-02-13

Family

ID=88159234

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310763616.3A Active CN116843907B (zh) 2023-06-26 2023-06-26 基于深度学习的增强和目标检测方法和系统

Country Status (1)

Country Link
CN (1) CN116843907B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014011828A2 (en) * 2012-07-12 2014-01-16 Telcordia Technologies, Inc. System and method for creating bgp route-based network traffic profiles to detect spoofed traffic
CN110688925A (zh) * 2019-09-19 2020-01-14 国网山东省电力公司电力科学研究院 基于深度学习的级联目标识别方法及系统
CN111476302A (zh) * 2020-04-08 2020-07-31 北京工商大学 基于深度强化学习的Faster-RCNN目标物体检测方法
WO2020181685A1 (zh) * 2019-03-12 2020-09-17 南京邮电大学 一种基于深度学习的车载视频目标检测方法
CN113256507A (zh) * 2021-04-01 2021-08-13 南京信息工程大学 一种针对二进制流量数据生成图像的注意力增强方法
CN114549845A (zh) * 2022-01-13 2022-05-27 山东师范大学 一种基于特征融合的Logo图像检测方法及系统
CN115565043A (zh) * 2022-10-18 2023-01-03 哈尔滨石油学院 结合多表征特征以及目标预测法进行目标检测的方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014011828A2 (en) * 2012-07-12 2014-01-16 Telcordia Technologies, Inc. System and method for creating bgp route-based network traffic profiles to detect spoofed traffic
WO2020181685A1 (zh) * 2019-03-12 2020-09-17 南京邮电大学 一种基于深度学习的车载视频目标检测方法
CN110688925A (zh) * 2019-09-19 2020-01-14 国网山东省电力公司电力科学研究院 基于深度学习的级联目标识别方法及系统
CN111476302A (zh) * 2020-04-08 2020-07-31 北京工商大学 基于深度强化学习的Faster-RCNN目标物体检测方法
CN113256507A (zh) * 2021-04-01 2021-08-13 南京信息工程大学 一种针对二进制流量数据生成图像的注意力增强方法
CN114549845A (zh) * 2022-01-13 2022-05-27 山东师范大学 一种基于特征融合的Logo图像检测方法及系统
CN115565043A (zh) * 2022-10-18 2023-01-03 哈尔滨石油学院 结合多表征特征以及目标预测法进行目标检测的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于样本增强的网络恶意流量智能检测方法;陈铁明;金成强;吕明琪;朱添田;;通信学报;20201231(第06期);全文 *
基于深度学习的输电线杆塔鸟巢检测与识别;庞宁;;自动化与仪器仪表;20200425(第04期);全文 *

Also Published As

Publication number Publication date
CN116843907A (zh) 2023-10-03

Similar Documents

Publication Publication Date Title
CN109784391B (zh) 基于多模型的样本标注方法及装置
CN111784729B (zh) 一种对象跟踪方法、装置、电子设备及存储介质
TWI760325B (zh) 一種應用程式的分類方法和裝置
CN106708844A (zh) 一种用户群体的划分方法和装置
CN107728615A (zh) 一种自适应区域划分的方法及系统
US20250004554A1 (en) Three-dimensional modeling system and modeling method based on multimodal fusion
CN111340100B (zh) Bim模型的相似度计算方法
CN112634395B (zh) 一种基于slam的地图构建方法及装置
CN115348190A (zh) 一种物联网设备检测方法、系统和设备
CN115706695A (zh) 网络故障根因的确定方法、装置、设备及存储介质
CN116958267B (zh) 位姿处理方法、装置、电子设备及存储介质
CN115270954A (zh) 基于异常节点识别的无监督的apt攻击检测方法和系统
CN108805211A (zh) 基于机器学习的智能业务类型感知方法
WO2021169239A1 (zh) 一种爬虫数据的识别方法、系统及设备
CN119515500A (zh) 一种基于跨境电商的大数据管理系统
CN118473782A (zh) 网络异常检测方法、装置、计算机设备、可读存储介质和程序产品
CN116843907B (zh) 基于深度学习的增强和目标检测方法和系统
CN117788741A (zh) 基于点云的建筑物模型重建方法、装置、设备及存储介质
CN108133116B (zh) Cad户型图墙厚自动识别方法及系统
CN115102758A (zh) 异常网络流量的检测方法、装置、设备及存储介质
CN110942008B (zh) 一种基于深度学习的面单信息定位方法和系统
CN117313028B (zh) 海上目标的识别方法及装置
WO2024174723A1 (zh) 模型训练的方法、装置及存储介质
CN116781546B (zh) 基于深度合成数据的异常检测方法和系统
CN102215138B (zh) 一种网络异常的检测方法和装置

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