CN113572742B - 基于深度学习的网络入侵检测方法 - Google Patents
基于深度学习的网络入侵检测方法 Download PDFInfo
- Publication number
- CN113572742B CN113572742B CN202110750388.7A CN202110750388A CN113572742B CN 113572742 B CN113572742 B CN 113572742B CN 202110750388 A CN202110750388 A CN 202110750388A CN 113572742 B CN113572742 B CN 113572742B
- Authority
- CN
- China
- Prior art keywords
- model
- network intrusion
- intrusion detection
- error
- network
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 75
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 12
- 238000013145 classification model Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000007477 logistic regression Methods 0.000 claims abstract description 6
- 239000000284 extract Substances 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- H04L63/1416—Event detection, e.g. attack signature detection
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的网络入侵检测方法，该方法训练过程为：将获取的数据集输入待训练的卷积神经网络模型，通过待训练的卷积神经网络模型提取网络流量特征；再通过空间金字塔模型“卷积层+上采样层+下采样层”反复提取网络流量更丰富的特征，得到多尺度的有效特征层；最后通过逻辑回归预测网络入侵分类置信度，使用逻辑分类模型预测类别，将真实框与预测框通过误差模型计算真实框与预测框的损失误差；然后通过反向梯度进行反复迭代优化，将损失误差最小的待训练的网络入侵检测模型作为训练好的网络入侵检测模型；本发明方法进一步提高了网络入侵的检测精度和速度，提高了对未知攻击的检测能力，降低了误报率。
Description
技术领域
本发明涉及网络技术领域，具体涉及一种基于深度学习的网络入侵检测方法。
背景技术
随着科学技术发展的日益提高，网络已经成为人们广泛使用的工具之一，在人们享受便利的互联网服务时，互联网安全问题也逐渐引起人们的广泛关注。特别是在社交、电商、大数据广泛使用的时代，网络入侵和窃取数据等问题也日益出现，因此网络安全已经成为不可忽视的问题。
现有的网络入侵检测技术，虽然提高了精确度，但是在面对KDD99这样的高维数据集时，由于数据维度的影响，训练模型时往往会导致对攻击类别的检测率较低，从而影响整体的检测率。传统的机器学习入侵检测技术在检测高维数据时，往往需要人为的根据大量经验和专业知识选择一些特征，这个特征选取的过程往往直接影响最终的检测结果，并且效率较低。传统的机器学习入侵检测在对网络攻击类别预测时经常采用单分类器，这就使得当攻击类型是多个标签时，会出现精确率低、误报率高的情况。
发明内容
本发明的目的是进一步提高网络入侵的检测精度和速度，同时还能在网络环境发生变化时表现出一定的自适应能力，提高对未知攻击的检测能力，建立一个更为完善和全面的检测模型，从而改善网络入侵的检测效果。本发明提供一种基于深度学习的网络入侵检测方法，旨在提高检测性能。
为了解决上述存在的技术问题，实现发明目的，本发明是通过以下技术方案实现的：
一种基于深度学习的网络入侵检测方法，其包括训练部分和测试部分，利用深度学习算法进行网络入侵的学习与检测，所述网络入侵检测方法的训练过程为：S1、将数据集KDD99的90％作为训练数据，数据经预处理和归一化处理后输入待训练的卷积神经网络模型，通过待训练的卷积神经网络模型提取特征；S2、通过空间金字塔模型反复提取更丰富的特征，得到多尺度的有效特征层，有效特征层包含先验框、修正参数及分类置信度和类别，所述先验框为根据聚类算法自动找到的合适的锚框；S3、通过逻辑回归预测分类置信度，使用逻辑分类模型预测类别，获得网络入侵结果，包括预测的矩形框与预测的类别，将真实结果与预测结果通过误差模型计算真实结果与预测结果的损失误差；S4、通过反向传播模型计算损失函数的梯度，利用梯度下降算法反复迭代优化，得到使损失函数最小的参数权重，将损失函数最小的网络入侵检测模型作为训练好的网络入侵检测模型去测试，所述梯度下降表达式为：
其中，β为学习率、J(θ)为损失函数、θj为时刻j的参数、θj+1为时刻j+1的参数；
所述网络入侵检测的测试过程为：将数据集的10％作为测试数据，将要预测的数据转化为图片，通过训练好的网络入侵检测模型，得到网络入侵的检测结果；如果检测结果与真实结果一致，则将该模型作为最终的网络入侵检测模型，如果检测结果与真实结果不一致，则需要进一步调整模型的超参数进行优化，使每一个检测结果与真实结果一致。
优选地，所述待训练的卷积神经网络模型为mobilenetv3模型，所述空间金字塔模型为“卷积层+上采样层+下采样层”模型，所述逻辑分类模型为逻辑分类器，所述误差模型为位置误差、置信度误差和类别误差模型的总和，所述反向传播模型为误差反向传播模型。
优选地，所述数据集包含训练数据集和测试数据集，训练数据集包含1种正常的标识类型和22种训练攻击类型，且有14种攻击仅出现在测试数据集中。
优选地，将所述数据集输入待训练的网络入侵检测模型之前，需要对数据进行数据增强和归一化操作，所述数据增强方法包含利用8张经过翻转、剪裁、色域变化处理的图片进行拼接组合。
优选地，所述卷积神经网络模型使用深度可分离卷积的轻量化网络，使用自动机器学习为给定的问题找到最佳的神经网络架构。
优选地，所述空间金字塔模型采用将上采样和下采样融合做法反复提取网络特征，从下到上、从上到下进行特征提取，并且在4个尺寸的特征图上做检测。
优选地，所述逻辑分类模型采用多标签多分类的逻辑分类器，使用逻辑回归预测每个边界框的分数，采用多标签多分类的逻辑分类器进行类别预测。
优选地，所述误差模型的位置误差采用完全交并比的误差模型，在正常交并比的基础上加入两个框的中心点的欧式距离和惩罚因子，置信度误差和类别误差为二值交叉熵损失，最终的损失为位置损失、置信度损失和类别损失的总和。
与现有技术相比，本发明具有以下有益效果：
(1)本发明方法有效的利用数据增强，减少了过拟合，能有效的对未知数据表现出一定的适应能力；
(2)使用逻辑分类器，进一步提高了检测分类精度，降低了误报率。该方法使用轻量化网络，不需要多个GPU加速，降低了用户的使用成本，易于实现，使得网络入侵方法更好的满足工程实际要求。
附图说明
图1是本发明的网络入侵检测整个网络结构图；
图2是本发明预测框的修正参数图；
图3是本发明网络入侵检测训练流程图；
图4是本发明网络入侵检测测试流程图。
具体实施方式
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部实施例。通常在此处附图中描述和展示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明实施例的详细描述并非旨在限制本发明要求保护的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的其他所有实施例，都属于本发明保护的范围。
本发明的硬件实验环境为：CPU Intel Core 17-7700HQ@2.80GHZ，16GRAM，GPUNVIDIA GeForce GTX1060，显存6G。软件运行环境：Windows10 64位操作系统，编程语言为Python3编程，采用基于pytorch深度学习框架。本发明的训练集和验证集分别占数据集的90％和10％，设置超参数学习率lr为0.001，batch_size为64，优化函数采用Adam，学习率下降方式采用指数衰减，采用迁移学习的思想来更好的训练权重，当我们已有部分预训练权重，这部分预训练权重所应用的那部分网络是通用的，如骨干网络，那么我们可以先冻结这部分权重的训练，将更多的资源放在训练后面部分的网络参数，这样使得时间和资源利用都能得到很大改善。然后后面的网络参数训练一段时间之后再解冻这些被冻结的部分，这时再全部一起训练。训练世代分为冻结世代和解冻世代，冻结世代设置为100，解冻世代设置为200，即总训练世代为300。网络入侵检测模型的训练过程如图3所示：
S1、将数据集输入待训练的卷积神经网络模型，检测数据集为KDD99数据集，数据集包含训练数据集和测试数据集。本发明将数据集的90％作为训练集，10％为测试集。训练数据集包含1种正常的标识类型和22种训练攻击类型，另外有14种攻击仅出现在测试数据集中。KDD99入侵检测实验数据的标识类型如下表1所示。
表1 KDD99入侵检测实验数据的标识类型
则将数据集输入待训练的网络入侵检测模型的步骤之前，该方法还包括：对数据进行数据增强和归一化操作，数据增强方法利用8张经过翻转、剪裁、色域变化处理的图片进行拼接组合，通过多张图片的拼接组合可以提取到更为丰富的背景信息，能够有效地减少过拟合，对未知环境表现出一定的适应能力。归一化采用min-max的方式，将生成的特征数据缩放到[0,1]范围内，公式(1)被用到每个特征中。
其中，f(x)为归一化后的结果，x为要归一化的属性，min为x属性的最小值，max为x属性的最大值。
通过待训练的卷积神经网络模型提取特征，待训练的卷积神经网络模型为mobilenetv3模型，使用深度可分离卷积的轻量化网络，使用自动机器学习为给定的问题找到最佳的神经网络架构。如图1所示，左边为mobilenetv3网络结构，主要采用了mobilenetv3网络特有的块结构，它综合了以下四个特点：mobilenetv1的深度可分离卷积；mobilenetv2的具有线性瓶颈的逆残差结构；轻量级的注意力模型；利用h-swish代替swish函数。这些特点使该网络结构大大减少了参数量同时提高了网络的准确性。
S2、再通过空间金字塔模型反复提取更丰富的特征，得到多尺度的有效特征层，空间金字塔模型为“卷积层+上采样层+下采样层”模型，如图1所示，一部分显示的是FasterRCNN采用的特征金字塔结构，一部分为新增的自下而上的特征提取，然后将上采样和下采样融合，这样有利于提取更丰富的特征。通过空间金字塔模型和深度可分离卷积最终将得到4个有效特征层，即实现了在多个尺寸的特征图上做检测。采用深度可分离卷积代替普通卷积能大大减少参数量。有效特征层包含先验框、修正参数及分类置信度和类别，先验框为根据聚类算法自动找到的合适的5个锚框，修正参数为框的中心点的坐标和宽高，修正方法如图2所示。网络会为每一个框预测4个参数：tx、ty、tw、th，如果目标框距离图像左上角的位移是(cx，cy)，且对应的先验框的宽和高为pw，ph，则网络的预测值bx、by、bw、bh为：
bx＝σ(tx)+cx (2)
by＝σ(ty)+cy (3)
S3、通过逻辑回归预测分类置信度，即通过sigmoid函数将获得的数转变为0-1，然后将预测框与真实框的重合程度较高的框的值设为1，将重合程度较低的框的值设为0。sigmoid函数的公式如下：
使用多标签多分类的逻辑分类模型预测网络攻击类别。
S4、最后，将真实结果与预测结果通过误差模型计算真实结果与预测结果的损失函数，然后通过误差反向传播，利用梯度下降算法更新参数，之后进行反复迭代优化，将损失误差最小的待训练的网络入侵检测模型作为训练好的网络入侵检测模型；误差模型为位置误差、置信度误差和类别误差模型，误差模型的位置误差采用完全交并比的误差模型，在正常交并比的基础上加入两个框的中心点的欧式距离和惩罚因子，公式如下：
LOSSCIOU＝1-CIOU (9)
其中，IOU为实际框和预测框的交并比，ρ2(b，bgt)分别代表了预测框和真实框的中心点的欧式距离，c代表的是能够同时包含预测框和真实框的最小闭包区域的对角线距离，α和v代表惩罚因子，目的是使得两个框的长宽比更趋于一致。w为预测框的宽度，h为预测框的高度，wgt是真实框的宽度，hgt是真实框的高度。因为CIOU表示的是两个框的接近程度，那么1-CIOU则代表两个框的偏离程度，以此来作为先验框位置参数的损失函数。置信度误差和类别误差为二值交叉熵函数，公式如下：
BCELoss＝-yt log yp-(1-yt)log(1-yp) (10)
其中，BCELoss表示二元交叉熵损失，yt表示真实框的值，yp表示预测框的值。最终的损失为位置损失、置信度损失和类别损失的总和。通过对该损失函数反向传播，利用梯度下降算法更新参数值，梯度下降表达式为：
其中，β为学习率，J(θ)为损失函数，θj为时刻j的参数，θj+1为时刻j+1的参数。通过不断迭代优化参数，将损失值最小的网络入侵检测模型作为训练好的网络入侵检测模型。
网络入侵检测的测试过程如图4所示，将要预测的数据转化为图片，通过训练好的网络入侵检测模型，得到网络入侵的检测结果。如果检测结果与真实结果一致，则将该模型作为最终的网络入侵检测模型，如果检测结果与真实结果不一致，则需要进一步调整模型的超参数进行优化，尽量使每一个检测结果与真实结果一致。检测结果为正常或网络攻击类型。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有而各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。因注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
Claims (8)
1.一种基于深度学习的网络入侵检测方法，其包括训练部分和测试部分，其特征在于，
利用深度学习算法进行网络入侵的学习与检测，所述网络入侵检测方法的训练过程为：
S1、将数据集的90％作为训练数据，数据经预处理和归一化处理后输入待训练的卷积神经网络模型，通过待训练的卷积神经网络模型提取特征；
S2、通过空间金字塔模型反复提取更丰富的特征，得到多尺度的有效特征层，有效特征层包含先验框、修正参数及分类置信度和类别，所述先验框为根据聚类算法自动找到的合适的锚框；
S3、通过逻辑回归预测分类置信度，使用逻辑分类模型预测类别，获得网络入侵结果，包括预测的矩形框与预测的类别，将真实结果与预测结果通过误差模型计算真实结果与预测结果的损失误差；
S4、通过反向传播模型计算损失函数的梯度，利用梯度下降算法反复迭代优化，得到使损失误差最小的参数权重，将损失误差最小的网络入侵检测模型作为训练好的网络入侵检测模型去测试，所述梯度下降表达式为：
其中，β为学习率、J(θ)为损失函数、θj为时刻j的参数、θj+1为时刻j+1的参数；
所述网络入侵检测的测试过程为：将数据集的10％作为测试数据，将要预测的数据转化为图片，通过训练好的网络入侵检测模型，得到网络入侵的检测结果；如果检测结果与真实结果一致，则将损失误差最小的网络入侵检测模型作为最终的网络入侵检测模型，如果检测结果与真实结果不一致，则调整损失误差最小的网络入侵检测模型的超参数进行优化，使每一个检测结果与真实结果一致。
2.根据权利要求1所述的基于深度学习的网络入侵检测方法，其特征在于，所述待训练的卷积神经网络模型为mobilenetv3模型，所述空间金字塔模型为卷积层、上采样层与下采样层的模型，所述逻辑分类模型为逻辑分类器，所述误差模型为位置误差、置信度误差和类别误差模型的总和，所述反向传播模型为误差反向传播模型。
3.根据权利要求1所述的基于深度学习的网络入侵检测方法，其特征在于，所述数据集包含训练数据集和测试数据集，训练数据集包含1种正常的标识类型和22种训练攻击类型，且有14种攻击仅出现在测试数据集中。
4.根据权利要求1所述的基于深度学习的网络入侵检测方法，其特征在于，将所述数据集输入待训练的网络入侵检测模型之前，需要对数据进行数据增强和归一化操作，所述数据增强方法包含利用8张经过翻转、剪裁、色域变化处理的图片进行拼接组合。
5.根据权利要求1所述的基于深度学习的网络入侵检测方法，其特征在于，所述卷积神经网络模型使用深度可分离卷积的轻量化网络，使用自动机器学习为给定的问题找到最佳的神经网络架构。
6.根据权利要求1所述的基于深度学习的网络入侵检测方法，其特征在于，所述空间金字塔模型采用将上采样和下采样融合做法反复提取网络特征，从下到上、从上到下进行特征提取，并且在4个尺寸的特征图上做检测。
7.根据权利要求1所述的基于深度学习的网络入侵检测方法，其特征在于，所述逻辑分类模型采用多标签多分类的逻辑分类器，使用逻辑回归预测每个边界框的分数，采用多标签多分类的逻辑分类器进行类别预测。
8.根据权利要求1所述的基于深度学习的网络入侵检测方法，其特征在于，所述误差模型的位置误差采用完全交并比的误差模型，在正常交并比的基础上加入两个框的中心点的欧式距离和惩罚因子，置信度误差和类别误差为二值交叉熵损失，最终的损失为位置损失、置信度损失和类别损失的总和。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110750388.7A CN113572742B (zh) | 2021-07-02 | 2021-07-02 | 基于深度学习的网络入侵检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110750388.7A CN113572742B (zh) | 2021-07-02 | 2021-07-02 | 基于深度学习的网络入侵检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113572742A CN113572742A (zh) | 2021-10-29 |
| CN113572742B true CN113572742B (zh) | 2022-05-10 |
Family
ID=78163537
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110750388.7A Active CN113572742B (zh) | 2021-07-02 | 2021-07-02 | 基于深度学习的网络入侵检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113572742B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114298286A (zh) * | 2022-01-10 | 2022-04-08 | 江苏稻源科技集团有限公司 | 一种对轻量化卷积神经网络训练得到预训练模型的方法 |
| CN114844696B (zh) * | 2022-04-28 | 2023-01-17 | 西安交通大学 | 一种基于风险池最小化的网络入侵动态监测方法、系统、设备和可读存储介质 |
| CN116132078B (zh) * | 2022-05-07 | 2024-10-18 | 河北工业大学 | 基于图神经演化的车辆can通信入侵检测方法 |
| CN115239946B (zh) * | 2022-06-30 | 2023-04-07 | 锋睿领创(珠海)科技有限公司 | 小样本迁移学习训练、目标检测方法、装置、设备和介质 |
| CN115188474B (zh) * | 2022-07-13 | 2023-07-25 | 广东食品药品职业学院 | 一种基于神经网络的血糖浓度预测及高低血糖预警方法 |
| CN115174268B (zh) * | 2022-09-05 | 2022-11-18 | 北京金睛云华科技有限公司 | 基于结构化正则项的入侵检测方法 |
| CN115459996B (zh) * | 2022-09-06 | 2025-01-14 | 重庆邮电大学 | 基于门控卷积和特征金字塔的网络入侵检测方法 |
| CN115865486B (zh) * | 2022-11-30 | 2024-04-09 | 山东大学 | 基于多层感知卷积神经网络的网络入侵检测方法及系统 |
| CN116319036B (zh) * | 2023-03-27 | 2024-05-24 | 哈尔滨工业大学（威海） | 基于卷积循环神经网络的异常网络请求识别模型生成方法 |
| CN119025922B (zh) * | 2024-10-18 | 2025-02-14 | 浙江工业大学 | 融合可解释模型与大语言模型的入侵检测与诊断方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109615016A (zh) * | 2018-12-20 | 2019-04-12 | 北京理工大学 | 一种基于金字塔输入增益的卷积神经网络的目标检测方法 |
| WO2020094276A1 (en) * | 2018-11-09 | 2020-05-14 | NEC Laboratories Europe GmbH | Method and system for adaptive network intrusion detection |
| CN111967343A (zh) * | 2020-07-27 | 2020-11-20 | 广东工业大学 | 基于简单神经网络和极端梯度提升模型融合的检测方法 |
| CN112446388A (zh) * | 2020-12-05 | 2021-03-05 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 一种基于轻量化二阶段检测模型的多类别蔬菜幼苗识别方法及系统 |
-
2021
- 2021-07-02 CN CN202110750388.7A patent/CN113572742B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020094276A1 (en) * | 2018-11-09 | 2020-05-14 | NEC Laboratories Europe GmbH | Method and system for adaptive network intrusion detection |
| CN109615016A (zh) * | 2018-12-20 | 2019-04-12 | 北京理工大学 | 一种基于金字塔输入增益的卷积神经网络的目标检测方法 |
| CN111967343A (zh) * | 2020-07-27 | 2020-11-20 | 广东工业大学 | 基于简单神经网络和极端梯度提升模型融合的检测方法 |
| CN112446388A (zh) * | 2020-12-05 | 2021-03-05 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 一种基于轻量化二阶段检测模型的多类别蔬菜幼苗识别方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113572742A (zh) | 2021-10-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113572742B (zh) | 基于深度学习的网络入侵检测方法 | |
| Han et al. | A unified metric learning-based framework for co-saliency detection | |
| CN112949572B (zh) | 基于Slim-YOLOv3的口罩佩戴情况检测方法 | |
| WO2017113232A1 (zh) | 一种基于深度学习的产品分类方法及装置 | |
| US11816149B2 (en) | Electronic device and control method thereof | |
| CN103984959B (zh) | 一种基于数据与任务驱动的图像分类方法 | |
| CN103605972B (zh) | 一种基于分块深度神经网络的非限制环境人脸验证方法 | |
| CN112084866A (zh) | 一种基于改进YOLO v4算法的目标检测方法 | |
| CN112766158A (zh) | 基于多任务级联式人脸遮挡表情识别方法 | |
| CN112801182B (zh) | 一种基于困难样本感知的rgbt目标跟踪方法 | |
| CN111368660A (zh) | 一种单阶段半监督图像人体目标检测方法 | |
| CN115631369A (zh) | 一种基于卷积神经网络的细粒度图像分类方法 | |
| CN115482595B (zh) | 一种基于语义分割的特定人物视觉伪造检测与鉴别方法 | |
| CN112733942A (zh) | 一种基于多级特征自适应融合的变尺度目标检测方法 | |
| CN110458022A (zh) | 一种基于域适应的可自主学习目标检测方法 | |
| CN110852327A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN115240024A (zh) | 一种联合自监督学习和半监督学习的地外图片分割方法和系统 | |
| Zhou et al. | A learning framework for shape retrieval based on multilayer perceptrons | |
| CN112883931A (zh) | 基于长短期记忆网络的实时真假运动判断方法 | |
| WO2023246912A1 (zh) | 图像文字结构化输出方法、装置、电子设备和存储介质 | |
| CN110852317A (zh) | 一种基于弱边缘的小尺度目标检测方法 | |
| CN111815582A (zh) | 改进背景先验和前景先验的二维码区域检测方法 | |
| CN112560824B (zh) | 一种基于多特征自适应融合的人脸表情识别方法 | |
| CN110210419A (zh) | 高分辨率遥感图像的场景识别系统及模型生成方法 | |
| Ke et al. | Vehicle logo recognition with small sample problem in complex scene based on data augmentation |
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 |