CN107633058A - 一种基于深度学习的数据动态过滤***及其方法 - Google Patents
一种基于深度学习的数据动态过滤***及其方法 Download PDFInfo
- Publication number
- CN107633058A CN107633058A CN201710853173.1A CN201710853173A CN107633058A CN 107633058 A CN107633058 A CN 107633058A CN 201710853173 A CN201710853173 A CN 201710853173A CN 107633058 A CN107633058 A CN 107633058A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- deep learning
- depth recognition
- complex
- 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.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的数据动态过滤***及其方法，涉及网络数据分析领域。本***包括数据源收集模块（10）、深度学习模块（20）、深度识别模块（30）、数据接入过滤模块（40）和数据处理存储模块（50）；数据源收集模块（10）、深度学习模块（20）和深度识别模块（30）依次循环交互；数据接入过滤模块（40）、数据处理存储模块（50）和深度识别模块（30）次循环交互。本发明较传统的数据分析扩大了网络数据分析的领域，并能倒推出复杂数据基本特征，对其相关数据进行有针对性的全面分析。
Description
技术领域
本发明涉及网络数据分析领域，尤其涉及一种基于深度学习的数据动态过滤***及其方法。
背景技术
自2016年3月AlphaGo在围棋上战胜李世石以来，人工智能掀起一波热潮，智能驾驶，百度大脑紧跟而上，其核心技术在于深度学***台有Google公司的tensorflow。
在网络数据分析领域，前端数据接入由Cavium公司出产的OCTEON网络处理芯片进行处理，其吞吐性能与协处理器功能比较先进，在海量网络数据的分析与过滤上性能较高。
发明内容
本发明的目的就在于针对网络数据分析领域，通过复杂网络数据即图像、音频和信号数据倒推出其基本特征，对相关源数据进行过滤，提供一种基于深度学习的数据动态过滤***及其方法。
实现本发明目的技术方案是：
首先启动数据源收集模块，人工收集、下载、和/或读取linux、HDFS和/或GCS等文件***中的数据，并收集在深度识别模块中经过识别的数据；数据收集后，发给深度学习模块tensorflow进行训练，深度学习将训练的计算图和参数结果进行保存，并发送给深度识别模块用来进行匹配；此时，启动数据接入过滤模块，将数据发给数据处理存储模块；数据处理存储模块会进行传统的数据分析并存储数据；深度识别模块此时读取复杂数据进行识别，将识别出的复杂数据发给数据源收集模块用来训练，将识别出的复杂数据的基本特征进行提取并发给数据接入过滤***进行过滤，以进行专门的分析。
具体地说：
一、基于深度学习的数据动态过滤***(简称***)
本***包括数据源收集模块、深度学习模块、深度识别模块、数据接入过滤模块和数据处理存储模块；
其交互关系是：
数据源收集模块、深度学习模块和深度识别模块依次循环交互，数据源收集模块收集数据给深度学习模块进行学习，深度学习模块提供计算图和参数给深度识别模块进行识别，深度识别模块将识别出来的复杂数据给数据源收集模块进行收集；
数据接入过滤模块、数据处理存储模块和深度识别模块依次循环交互，数据接入过滤模块根据基本特征过滤网络数据给数据处理存储模块，数据处理存储模块50将复杂数据提供给深度识别模块进行识别，深度识别模块30识别后将复杂数据的基本特征提供给数据接入过滤模块。
二、基于深度学习的数据动态过滤方法(简称方法)
本方法包括下列步骤：
①首先启动数据源收集模块，方式为人工收集、下载、或读取POSIX、HDFS、GCS三种文件***中的数据，并收集在深度识别模块中经过识别的数据，这些数据用来给深度学习模块进行学习；
②数据收集后，发给深度学习模块进行卷积神经网络或循环神经网络计算，将训练的计算图和参数结果进行保存，并发送给深度识别模块用来对复杂数据进行匹配；
③此时，启动数据接入过滤模块，对接入的网络数据根据基本特征进行过滤，将过滤匹配的网络数据发给数据处理存储模块；
④数据处理存储模块会进行传统的数据分析并存储待识别的复杂数据；
⑤深度识别模块此时读取复杂数据进行识别：将识别出的复杂数据发给数据源收集模块用来训练，此处又经第①步骤循环进行；将识别出的复杂数据的基本特征进行提取并发给数据接入过滤***进行过滤，以进行针对性的全面分析，此处又经第③步骤循环进行。
本发明具有以下优点和积极效果：
①使用tensorflow框架，其源码由Google公司提供，稳定，更新速度快，支持GPU计算，易于维护和移植；
②深度学习扩大了网络数据分析的领域，并提高了准确率；
③可自动识别出的复杂数据的基本特征进行提取并发给数据接入过滤***进行过滤，以进行专门的分析，加强了数据分析的针对性与全面性；
④运用Cavium公司出产的OCTEON网络处理器进行协处理器过滤，性能较高；
⑤动态过滤，可实时应对情况的变化。
总之，本发明较传统的数据分析扩大了网络数据分析的领域，并能倒推出复杂数据基本特征，对其相关数据进行有针对性的全面分析。
附图说明
图1为本***的结构方框图；
图2为数据源收集模块10的工作流程图；
图3为深度学习模块20的工作流程图；
图4为深度识别模块30的工作流程图；
图5为数据接入过滤模块40的工作流程图；
图6为数据处理存储模块50的工作流程图。
图中：
10—数据源收集模块；
20—深度学习模块；
30—深度识别模块；
40—数据接入过滤模块；
50—数据处理存储模块。
英译汉：
1、AlphaGo：由Google公司设计的围棋智能机器人；
2、HDFS：；运行在通用硬件上的分布式文件***；
3、GCS：Google公司的分布式文件***；
4、tensorflow：Google公司的深度学***台；
5、Cavium：全球领先的多核MIPS和ARM处理器提供商；
6、OCTEON：Cavium公司提供的网络处理芯片；
7、POSIX：UNIX的可移植操作***接口；
8、batch：深度学习的批处理对象，检验数据集；
9、URL：统一资源定位符，互联网上资源位置和访问方法的简结表示；
10、HOST：互联网中的主机名称；
11、GPU：显卡芯片；
12、Relu：一种神经元激活函数算法；
13、CUDA：NVIDIA英伟达公司提供的运算平台，实现GPU协同处理；
14、HFA：OCTEON芯片的模糊匹配协处理器；
15、protobuf：Google公司定义的一种数据交换格式。
具体实施方式
以下结合附图和实施例详细说明。
一、***
1、总体
如图1，本***包括数据源收集模块10、深度学习模块20、深度识别模块30、数据接入过滤模块40和数据处理存储模块50；
其交互关系是：
数据源收集模块10、深度学习模块20和深度识别模块30依次循环交互，数据源收集模块10收集数据给深度学习模块20进行学习，深度学习模块20提供计算图和参数给深度识别模块30进行识别，深度识别模块30将识别出来的复杂数据给数据源收集模块10进行收集；
数据接入过滤模块40、数据处理存储模块50和深度识别模块30依次循环交互，数据接入过滤模块40根据基本特征过滤网络数据给数据处理存储模块50，数据处理存储模块50将复杂数据提供给深度识别模块30进行识别，深度识别模块30识别后将复杂数据的基本特征提供给数据接入过滤模块40。
工作机理是：
数据源收集模块10和深度学习模块20交互，将数据集传给深度学习模块20，深度学习模块20和深度识别模块30交互，将计算图和参数传给深度识别模块30；
深度识别模块30和数据源收集模块10交互，将识别的复杂数据传给数据源收集模块10组成数据集的一部分；
数据接入过滤模块40和数据处理存储模块50交互，将网络数据传给数据处理存储模块50进行传统的分析，并进行存储，数据处理存储模块50与深度识别模块30交互，将复杂数据传给深度识别模块30，进行识别；
深度识别模块30和数据接入过滤模块40，将复杂数据的基本特征传给数据接入过滤模块40，进行动态过滤。
2、功能模块
1)数据源收集模块10
人工收集、下载、网络获取和/或读取POSIX、HDFS和/或GCS三种文件***中的数据，并收集在深度识别模块30中经过识别的复杂数据；
具体地说，如图2，数据源收集模块10的工作流程如下：
a、开始-200
启动数据源收集模块，要具备基本的数据预处理功能，对图像和频谱图进行裁剪、缩放和旋转功能，还需具备数据集分类功能，另外对噪音数据要进行处理；
b、使用网络获取数据下载经典数据集-201
网络获取数据和下载经典数据集都是获取数据源的重要方法；
c、人工收集特殊数据集-202
对于特殊应用场景，需采用人工方法进行数据源的采集；
d、收取深度识别模块发来的复杂数据-203
深度识别模块发来的复杂数据一般是具备特征的优质数据源，应该收集；
e、读取POSIX、HDFS和/或GCS文件***中的数据-204
还有一部分数据是存储在POSIX、HDFS和/或GCS文件***中的，特别是大数据往往存储在HDFS和GCS文件***中，也需要收集；
f、预处理并整理成训练、验证和测试三类数据集-205
数据集需要整理成训练、验证和测试三类，以便深度学习模块20使用。
2)深度学习模块20
采用tensorflow框架，通过前向传播算法激活，反向传播算法优化，对不同复杂数据采用卷积神经网络或循环神经网络算法进行深层次的特征提取，最终训练出高准确率的计算图和参数；
具体地说，如图3，深度学习模块20的工作流程如下：
A、开始-300
tensorflow开始初始化，迁移学习情况下先加载模型；
B、定义前向传播算法-301
前向传播算法，在深度学习中需要激活输入数据，一般情况下采用Relu算法，对于复杂数据采用卷积神经网络或循环神经网络算法进行深层次的特征提取，加入隐藏层、卷积层和池化层进行计算；
C、定义反向传播算法-302
反向传播算法对深度学习的模型进行优化，通过损失函数即交叉熵或均方差的计算，对模型进行收敛，优化函数则根据参数的调优情况进行选择；
D、定义多线程、队列与GPU设备-303
使用多线程、队列和GPU设备提高训练的速度，即多线程采用coordinator和start_queue_runners函数，队列采用string_input_producer函数，GPU安装CUDA以便使用；
E、开始训练并验证-304
使用数据源收集模块10提供的数据进行训练，从输入层到输出层进行优化，即学习率、随机采样和正则化，对部分数据生成batch进行验证，通过梯度下降得到一个优化的结果；
F、保存训练结果-305
训练结果保存后，发给深度识别模块30对复杂数据进行识别。
3)深度识别模块30
采用深度学习模块20提供的计算图和参数，对复杂数据即图像、音频、视频和信号数据进行预处理和识别，为数据源收集模块10提供数据，为数据接入过滤模块40提供复杂数据的基本特征；
具体地说，如图4，深度识别模块30的工作流程如下：
Ⅰ、开始-400
模块开始初始化，不同的识别需求对应不同的进程，并需要提供不同的计算图和参数；
Ⅱ、加载并初始化模型-401
加载计算图与参数，读取protobuf格式的数据，在andriod***上数据大小一般不超过64M，硬盘上大小一般不超过512M，为计算数与参数创建会话；
Ⅲ、读取复杂数据并进行预处理-402
将音频与信号转换成相应的频谱图流，然后对图像进行预处理，包括大小，翻转、亮度、对比度、色相、饱和度和标注，行成一个张量；
Ⅳ、在模型上运行复杂数据-403
在模型上运行复杂数据，行成一个输出，这个输出也是一个张量，在分类问题中，张量包含每个类别的概率大小；
Ⅴ、给出TOP5的结果-404
对于分类问题，给出概率最大的前五名的类别名称，并呈现出来供分析记录；
Ⅵ、对识别的复杂数据及基本特征进行处理-405
为数据源收集模块10提供复杂数据，为数据接入过滤模块40提供复杂数据的基本特征。
4)数据接入过滤模块40
对网络数据进行接入，按复杂数据的基本特征进行动态过滤，过滤其相关的数据；
具体地说，如图5，数据接入过滤模块40的工作流程如下：
ⅰ、开始-500
模块开始初始化。Cavium公司的HFA硬件初始化，分配相应的内存并加载基本特征，为每个数据包创建TCP或UDP数据流；
ⅱ、从网络数据包中提取基本特征-501
从网络数据包中提取基本特征，即数据的ip、五元组、URL或HOST，以及特殊字段；
ⅲ、从深度识别模块获取基本特征并与数据包匹配-502
深度识别模块30会把复杂数据的基本特征发给本模块，此时由HFA协处理器进行五元组匹配或字符串的模糊匹配；
ⅳ、按流过滤并向后发送数据-503
匹配基本特征的数据包，按照其关联上的流数据进行过滤并发给数据处理存储模块50。
5)数据处理存储模块50
传统的数据分析，将复杂的数据进行存储，以供深度模块30处理。
具体地说，如图6，数据处理存储模块50的工作流程如下：
α、开始-600
模块开始初始化，传统的深度报文检测启动，数据库启动；
β、对网络数据进行处理-601
将网络数据包的基本特征与复杂数据关联起来，即数据的ip，五元组，URL或HOST，以及特殊字段与复杂数据对应起来；
γ、将相关基本特征与复杂数据信息存储起来-602
将相关基本特征与复杂数据信息存储起来，目前对于大数据采用流行的HDFS文件***进行存储，由深度识别模块30读取文件进行识别。
3、本动态过滤***的工作机理
数据源收集模块和深度学习模块连接，将数据集传给深度学习模块，深度学习模块和深度识别模块连接，将计算图与参数传给深度识别模块；
深度识别模块与数据源收集模块，将识别的复杂数据传给数据源收集模块组成数据集的一部分；
数据接入过滤模块和数据处理存储模块连接，将网络数据传给数据处理存储模块进行传统的分析，并进行存储，数据处理存储模块与深度识别模块连接，将复杂数据传给深度识别模块，进行识别；
深度识别模块和数据接入过滤模块，将复杂数据的基本特征传给数据接入过滤模块，进行动态过滤。
本发明应用举例，如在网络数据中发现一张图片，经过深度识别模块发现是张三的，而该图片对应的账号是为“hacker”的用户的，于是在数据接入过滤模块中将账号为“hacker”的网络数据过滤出来进行分析，达到了通过图片查找目标及过滤分析目标相关网络数据的结果。
Claims (7)
1.一种基于深度学习的数据动态过滤***，其特征在于：
包括数据源收集模块（10）、深度学习模块（20）、深度识别模块（30）、数据接入过滤模块（40）和数据处理存储模块（50）；
其交互关系是：
数据源收集模块（10）、深度学习模块（20）和深度识别模块（30）依次循环交互，数据源收集模块（10）收集数据给深度学习模块（20）进行学习，深度学习模块（20）提供计算图和参数给深度识别模块（30）进行识别，深度识别模块（30）将识别出来的复杂数据给数据源收集模块（10）进行收集；
数据接入过滤模块（40）、数据处理存储模块（50）和深度识别模块（30）依次循环交互，数据接入过滤模块（40）根据基本特征过滤网络数据给数据处理存储模块（50），数据处理存储模块（50）将复杂数据提供给深度识别模块（30）进行识别，深度识别模块（30）识别后将复杂数据的基本特征提供给数据接入过滤模块（40）。
2.按权利要求1所述的基于深度学习的数据动态过滤***，其特征在于：
所述的数据源收集模块（10）的工作流程如下：
a、开始（200）
启动数据源收集模块，要具备基本的数据预处理功能，对图像和频谱图进行裁剪、缩放和旋转功能，还需具备数据集分类功能，另外对噪音数据要进行处理；
b、使用网络获取数据下载经典数据集（201）
网络获取数据和下载经典数据集都是获取数据源的重要方法；
c、人工收集特殊数据集（202）
对于特殊应用场景，需采用人工方法进行数据源的采集；
d、收取深度识别模块发来的复杂数据（203）
深度识别模块发来的复杂数据一般是具备特征的优质数据源，应该收集；
e、读取POSIX、HDFS和/或GCS文件***中的数据（204）
还有一部分数据是存储在POSIX、HDFS和/或GCS文件***中的，特别是大数据往往存储在HDFS和GCS文件***中，也需要收集；
f、预处理并整理成训练、验证和测试三类数据集（205）
数据集需要整理成训练、验证和测试三类，以便深度学习模块（20）使用。
3.按权利要求1所述的基于深度学习的数据动态过滤***，其特征在于：
所述的深度学习模块（20）的工作流程如下：
A、开始（300）
tensorflow开始初始化，迁移学习情况下先加载模型；
B、定义前向传播算法（301）
前向传播算法，在深度学习中需要激活输入数据，一般情况下采用Relu算法，对于复杂数据采用卷积神经网络或循环神经网络算法进行深层次的特征提取，加入隐藏层、卷积层和池化层进行计算；
C、定义反向传播算法（302）
反向传播算法对深度学习的模型进行优化，通过损失函数即交叉熵或均方差的计算，对模型进行收敛，优化函数则根据参数的调优情况进行选择；
D、定义多线程、队列与GPU设备（303）
使用多线程、队列和GPU设备提高训练的速度，即多线程采用coordinator和start_queue_runners函数，队列采用string_input_producer函数，GPU安装CUDA以便使用；
E、开始训练并验证（304）
使用数据源收集模块（10）提供的数据进行训练，从输入层到输出层进行优化，即学习率、随机采样和正则化，对部分数据生成batch进行验证，通过梯度下降得到一个优化的结果；
F、保存训练结果（305）
训练结果保存后，发给深度识别模块（30）对复杂数据进行识别。
4.按权利要求1所述的基于深度学习的数据动态过滤***，其特征在于：
所述的深度识别模块（30）的工作流程如下：
Ⅰ、开始（400）
模块开始初始化，不同的识别需求对应不同的进程，并需要提供不同的计算图和参数；
Ⅱ、加载并初始化模型（401）
加载计算图与参数，读取protobuf格式的数据，在andriod***上数据大小一般不超过64M，硬盘上大小一般不超过512M，为计算数与参数创建会话；
Ⅲ、读取复杂数据并进行预处理（402）
将音频与信号转换成相应的频谱图流，然后对图像进行预处理，包括大小，翻转、亮度、对比度、色相、饱和度和标注，行成一个张量；
Ⅳ、在模型上运行复杂数据（403）
在模型上运行复杂数据，行成一个输出，这个输出也是一个张量，在分类问题中，张量包含每个类别的概率大小；
Ⅴ、给出TOP5的结果（404）
对于分类问题，给出概率最大的前五名的类别名称，并呈现出来供分析记录；
Ⅵ、对识别的复杂数据及基本特征进行处理（405）
为数据源收集模块10提供复杂数据，为数据接入过滤模块40提供复杂数据的基本特征。
5.按权利要求1所述的基于深度学习的数据动态过滤***，其特征在于：
所述的数据接入过滤模块（40）的工作流程如下：
ⅰ、开始（500）
模块开始初始化，Cavium公司的HFA硬件初始化，分配相应的内存并加载基本特征，为每个数据包创建TCP或UDP数据流；
ⅱ、从网络数据包中提取基本特征（501）
从网络数据包中提取基本特征，即数据的ip、五元组、URL或HOST，以及特殊字段；
ⅲ、从深度识别模块获取基本特征并与数据包匹配（502）
深度识别模块30会把复杂数据的基本特征发给本模块，此时由HFA协处理器进行五元组匹配或字符串的模糊匹配；
ⅳ、按流过滤并向后发送数据（503）
匹配基本特征的数据包，按照其关联上的流数据进行过滤并发给数据处理存储模块50。
6.按权利要求1所述的基于深度学习的数据动态过滤***，其特征在于：
所述的数据处理存储模块（50）的工作流程如下：
α、开始（600）
模块开始初始化，传统的深度报文检测启动，数据库启动；
β、对网络数据进行处理（601）
将网络数据包的基本特征与复杂数据关联起来，即数据的ip，五元组，URL或HOST，以及特殊字段与复杂数据对应起来；
γ、将相关基本特征与复杂数据信息存储起来（602）
将相关基本特征与复杂数据信息存储起来，目前对于大数据采用流行的HDFS文件***进行存储，由深度识别模块30读取文件进行识别。
7.基于权利要求1-6所述***的数据动态过滤方法，其特征在于包括下列步骤：
①首先启动数据源收集模块，方式为人工收集、下载、或读取POSIX、HDFS、GCS三种文件***中的数据，并收集在深度识别模块中经过识别的数据，这些数据用来给深度学习模块进行学习；
②数据收集后，发给深度学习模块进行卷积神经网络或循环神经网络计算，将训练的计算图和参数结果进行保存，并发送给深度识别模块用来对复杂数据进行匹配；
③此时，启动数据接入过滤模块，对接入的网络数据根据基本特征进行过滤，将过滤匹配的网络数据发给数据处理存储模块；
④数据处理存储模块会进行传统的数据分析并存储待识别的复杂数据；
⑤深度识别模块此时读取复杂数据进行识别：将识别出的复杂数据发给数据源收集模块用来训练，此处又经第①步骤循环进行；将识别出的复杂数据的基本特征进行提取并发给数据接入过滤***进行过滤，以进行针对性的全面分析，此处又经第③步骤循环进行。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710853173.1A CN107633058B (zh) | 2017-09-20 | 2017-09-20 | 一种基于深度学习的数据动态过滤***及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710853173.1A CN107633058B (zh) | 2017-09-20 | 2017-09-20 | 一种基于深度学习的数据动态过滤***及其方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107633058A true CN107633058A (zh) | 2018-01-26 |
| CN107633058B CN107633058B (zh) | 2021-06-01 |
Family
ID=61103400
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710853173.1A Active CN107633058B (zh) | 2017-09-20 | 2017-09-20 | 一种基于深度学习的数据动态过滤***及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107633058B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108647206A (zh) * | 2018-05-04 | 2018-10-12 | 重庆邮电大学 | 基于混沌粒子群优化cnn网络的中文垃圾邮件识别方法 |
| CN109448707A (zh) * | 2018-12-18 | 2019-03-08 | 北京嘉楠捷思信息技术有限公司 | 一种语音识别方法及装置、设备、介质 |
| CN109635180A (zh) * | 2018-12-13 | 2019-04-16 | 武汉虹旭信息技术有限责任公司 | 基于互联网海量信息的关键词分类处理***及其方法 |
| CN112862109A (zh) * | 2021-02-09 | 2021-05-28 | 上海商汤智能科技有限公司 | 深度学习模型的执行方法、装置、电子设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102546624A (zh) * | 2011-12-26 | 2012-07-04 | 西北工业大学 | 一种网络多路入侵检测防御方法及*** |
| CN102821002A (zh) * | 2011-06-09 | 2012-12-12 | ***通信集团河南有限公司信阳分公司 | 网络流量异常检测方法和*** |
| CN103179105A (zh) * | 2012-10-25 | 2013-06-26 | 四川省电力公司信息通信公司 | 一种基于网络流量中行为特征的智能木马检测装置及其方法 |
| US20150161995A1 (en) * | 2013-12-06 | 2015-06-11 | Nuance Communications, Inc. | Learning front-end speech recognition parameters within neural network training |
| CN106096060A (zh) * | 2016-07-06 | 2016-11-09 | 吴本刚 | 海洋网络安全风险防御*** |
-
2017
- 2017-09-20 CN CN201710853173.1A patent/CN107633058B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102821002A (zh) * | 2011-06-09 | 2012-12-12 | ***通信集团河南有限公司信阳分公司 | 网络流量异常检测方法和*** |
| CN102546624A (zh) * | 2011-12-26 | 2012-07-04 | 西北工业大学 | 一种网络多路入侵检测防御方法及*** |
| CN103179105A (zh) * | 2012-10-25 | 2013-06-26 | 四川省电力公司信息通信公司 | 一种基于网络流量中行为特征的智能木马检测装置及其方法 |
| US20150161995A1 (en) * | 2013-12-06 | 2015-06-11 | Nuance Communications, Inc. | Learning front-end speech recognition parameters within neural network training |
| CN106096060A (zh) * | 2016-07-06 | 2016-11-09 | 吴本刚 | 海洋网络安全风险防御*** |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108647206A (zh) * | 2018-05-04 | 2018-10-12 | 重庆邮电大学 | 基于混沌粒子群优化cnn网络的中文垃圾邮件识别方法 |
| CN108647206B (zh) * | 2018-05-04 | 2021-11-12 | 重庆邮电大学 | 基于混沌粒子群优化cnn网络的中文垃圾邮件识别方法 |
| CN109635180A (zh) * | 2018-12-13 | 2019-04-16 | 武汉虹旭信息技术有限责任公司 | 基于互联网海量信息的关键词分类处理***及其方法 |
| CN109448707A (zh) * | 2018-12-18 | 2019-03-08 | 北京嘉楠捷思信息技术有限公司 | 一种语音识别方法及装置、设备、介质 |
| CN112862109A (zh) * | 2021-02-09 | 2021-05-28 | 上海商汤智能科技有限公司 | 深度学习模型的执行方法、装置、电子设备及存储介质 |
| CN112862109B (zh) * | 2021-02-09 | 2024-05-24 | 上海商汤智能科技有限公司 | 深度学习模型的执行方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107633058B (zh) | 2021-06-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108229478B (zh) | 图像语义分割及训练方法和装置、电子设备、存储介质和程序 | |
| CN110147711A (zh) | 视频场景识别方法、装置、存储介质和电子装置 | |
| CN107633058A (zh) | 一种基于深度学习的数据动态过滤***及其方法 | |
| CN109117777A (zh) | 生成信息的方法和装置 | |
| Duta et al. | Spatio-temporal vlad encoding for human action recognition in videos | |
| CN109829959B (zh) | 基于人脸解析的表情编辑方法及装置 | |
| CN111709406B (zh) | 文本行识别方法及装置、可读存储介质、电子设备 | |
| CN107122375A (zh) | 基于图像特征的图像主体的识别方法 | |
| CN105205782A (zh) | 超解像方法和***、服务器、用户设备及其方法 | |
| CN110839173A (zh) | 一种音乐匹配方法、装置、终端及存储介质 | |
| CN111160533A (zh) | 一种基于跨分辨率知识蒸馏的神经网络加速方法 | |
| CN109117897A (zh) | 基于卷积神经网络的图像处理方法、装置及可读存储介质 | |
| CN110766063A (zh) | 基于压缩激励和紧密连接卷积神经网络的图像分类方法 | |
| CN110222728A (zh) | 物品鉴别模型的训练方法、***及物品鉴别方法、设备 | |
| Wang et al. | Multiscale deep alternative neural network for large-scale video classification | |
| CN113989556B (zh) | 一种小样本医学影像分类方法和*** | |
| CN108664465A (zh) | 一种自动生成文本方法以及相关装置 | |
| CN112580720A (zh) | 一种模型训练方法及装置 | |
| CN108229527A (zh) | 训练及视频分析方法和装置、电子设备、存储介质、程序 | |
| CN112668492A (zh) | 一种自监督学习与骨骼信息的行为识别方法 | |
| CN108062416A (zh) | 用于在地图上生成标签的方法和装置 | |
| Park et al. | Insect classification using Squeeze-and-Excitation and attention modules-a benchmark study | |
| CN114639152A (zh) | 基于人脸识别的多模态语音交互方法、装置、设备及介质 | |
| WO2024114341A1 (zh) | 视频内容识别及模型训练的方法、装置和设备 | |
| CN114065720A (zh) | 会议纪要生成方法、装置、存储介质及电子设备 |
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 |