期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于CNN-Transformer混合架构的AI生成图像鲁棒检测方法
1
作者
康馨元
李帆
+2 位作者
赵慧
王保栋
李鑫
《数据采集与处理》
北大核心
2025年第5期1283-1293,共11页
深度生成模型的快速发展使得合成图像的逼真度不断提高,从图像生成到人脸篡改,各类生成技术已经深入人们的日常生活,图像真实性问题引起关注。此外,主流的图像分类模型主要在风格丰富多变的自然场景数据集上进行预训练,而单一提示词虽...
深度生成模型的快速发展使得合成图像的逼真度不断提高,从图像生成到人脸篡改,各类生成技术已经深入人们的日常生活,图像真实性问题引起关注。此外,主流的图像分类模型主要在风格丰富多变的自然场景数据集上进行预训练,而单一提示词虽能生成大量的数据,但是存在明显的同质化问题,影响了学习难度的均衡性,从而使得传统的图像二分类训练方法在生成图像检测任务上存在泛化能力不足的问题。针对此类问题,本文提出了一种难易样本不均衡下的检测方法,无需修改现有分类模型,通过生成数据的自我增强方式,建立了一种有效的数据增强范式,扩充生成数据的多样性,从而平衡模型的学习难度。同时,在难易样本中利用修正的类交叉熵损失进行敏感惩罚。本文所提方法在2023年11月山东省人工智能学会举办的计算机视觉应用挑战赛(真假图片识别赛)中取得了最好的结果。
展开更多
关键词
深度学习
图像分类
数据增强
真假图像识别
类别不均衡问题
在线阅读
下载PDF
职称材料
基于GHM可视化和深度学习的恶意代码检测与分类
被引量：
1
2
作者
张淑慧
胡长栋
+3 位作者
王连海
徐淑奖
邵蔚
兰田
《信息安全研究》
CSCD
北大核心
2024年第3期216-222,共7页
恶意代码的复杂性和变异性在不断增加,致使恶意软件的检测变得越来越具有挑战性.大多数变异或未知的恶意程序是在现有恶意代码的逻辑基础上进行改进或混淆形成的,因此发现恶意代码家族并确定其恶意行为变得越来越重要.提出了一种基于GHM...
恶意代码的复杂性和变异性在不断增加,致使恶意软件的检测变得越来越具有挑战性.大多数变异或未知的恶意程序是在现有恶意代码的逻辑基础上进行改进或混淆形成的,因此发现恶意代码家族并确定其恶意行为变得越来越重要.提出了一种基于GHM(Gray, HOG,Markov)的新型恶意软件可视化方法进行数据预处理.与传统的可视化方法不同,该方法在可视化过程中通过HOG和马尔科夫提取出更加有效的数据特征,并构建了3通道彩色图像.此外,构建了基于CNN和LSTM的VLMal分类模型,对可视化图像进行恶意软件检测分类.实验结果表明,该方法可以有效地检测和分类恶意代码,具有较好的准确性和稳定性.
展开更多
关键词
恶意软件检测
深度学习
恶意软件分类
内存取证
可视化
在线阅读
下载PDF
职称材料
题名
基于CNN-Transformer混合架构的AI生成图像鲁棒检测方法
1
作者
康馨元
李帆
赵慧
王保栋
李鑫
机构
济南
大学
信息
科学
与工程
学院
山东省
泛在智能
计算
重点实验室(筹)
北京埃斯顿医疗科技有限公司
青岛
大学
计算机
科学
技术
学院
山东省
计算
中心
(国家超级
计算
济南
中心
)算力互联网与信息安全教育部重点实验室
山东省
基础科学
研究
中心
(
计算机
科学
)
齐鲁
工业
大学
(
山东省
科学院
)
山东省
工业
网络和信息系统安全重点实验室
出处
《数据采集与处理》
北大核心
2025年第5期1283-1293,共11页
基金
国家自然科学基金(62103165)
算力互联网与信息安全教育部重点实验室开放课题(2023ZD038)
山东省自然科学基金(ZR2022ZD01)。
文摘
深度生成模型的快速发展使得合成图像的逼真度不断提高,从图像生成到人脸篡改,各类生成技术已经深入人们的日常生活,图像真实性问题引起关注。此外,主流的图像分类模型主要在风格丰富多变的自然场景数据集上进行预训练,而单一提示词虽能生成大量的数据,但是存在明显的同质化问题,影响了学习难度的均衡性,从而使得传统的图像二分类训练方法在生成图像检测任务上存在泛化能力不足的问题。针对此类问题,本文提出了一种难易样本不均衡下的检测方法,无需修改现有分类模型,通过生成数据的自我增强方式,建立了一种有效的数据增强范式,扩充生成数据的多样性,从而平衡模型的学习难度。同时,在难易样本中利用修正的类交叉熵损失进行敏感惩罚。本文所提方法在2023年11月山东省人工智能学会举办的计算机视觉应用挑战赛(真假图片识别赛)中取得了最好的结果。
关键词
深度学习
图像分类
数据增强
真假图像识别
类别不均衡问题
Keywords
deep learning
image classification
data enhancement
real and fake image recognition
class imbalance problem
分类号
TP391 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
基于GHM可视化和深度学习的恶意代码检测与分类
被引量：
1
2
作者
张淑慧
胡长栋
王连海
徐淑奖
邵蔚
兰田
机构
齐鲁
工业
大学
(
山东省
科学院
)
山东省
计算
中心
(国家超级
计算
济南
中心
)
算力互联网与信息安全教育部重点实验室(
齐鲁
工业
大学
(
山东省
科学院
))
山东省
计算机
网络重点实验室(
山东省
计算
中心
(国家超级
计算
济南
中心
))
山东省
基础科学
研究
中心
(
计算机
科学
)
齐鲁
工业
大学
(
山东省
科学院
)
出处
《信息安全研究》
CSCD
北大核心
2024年第3期216-222,共7页
基金
国家自然科学基金项目(62102209)
山东省自然科学基金重点项目(ZR2020KF035)
泰山学者工程资助项目(tsqn202312231)。
文摘
恶意代码的复杂性和变异性在不断增加,致使恶意软件的检测变得越来越具有挑战性.大多数变异或未知的恶意程序是在现有恶意代码的逻辑基础上进行改进或混淆形成的,因此发现恶意代码家族并确定其恶意行为变得越来越重要.提出了一种基于GHM(Gray, HOG,Markov)的新型恶意软件可视化方法进行数据预处理.与传统的可视化方法不同,该方法在可视化过程中通过HOG和马尔科夫提取出更加有效的数据特征,并构建了3通道彩色图像.此外,构建了基于CNN和LSTM的VLMal分类模型,对可视化图像进行恶意软件检测分类.实验结果表明,该方法可以有效地检测和分类恶意代码,具有较好的准确性和稳定性.
关键词
恶意软件检测
深度学习
恶意软件分类
内存取证
可视化
Keywords
malware detection
deep learning
malware classification
memory forensics
visualization
分类号
TP393.08 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于CNN-Transformer混合架构的AI生成图像鲁棒检测方法
康馨元
李帆
赵慧
王保栋
李鑫
《数据采集与处理》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
基于GHM可视化和深度学习的恶意代码检测与分类
张淑慧
胡长栋
王连海
徐淑奖
邵蔚
兰田
《信息安全研究》
CSCD
北大核心
2024
1
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
