【摘 要】
：
网络安全形势日益严峻,从威胁情报中抽取网络安全实体及其关系,构建结构化威胁情报信息,对于网络安全从业人员来说尤为重要。过去的工作主要利用基于特征的模型来完成,不仅耗时,还需要完成大量的特征工程任务,为威胁情报信息抽取研究带来巨大的挑战。基于上述情况,为了降低任务对特征工程的需求,提出一个基于神经网络模型的威胁情报信息抽取方法(TIIE),一方面,采用长短时记忆神经网络(LSTM)进行命名实体识别任务,并利用条件随机场(CRF)模型实现序列标签之间的约束性;另一方面,结合长短时记忆神经网络模型和最短依赖路径
论文部分内容阅读
网络安全形势日益严峻,从威胁情报中抽取网络安全实体及其关系,构建结构化威胁情报信息,对于网络安全从业人员来说尤为重要。过去的工作主要利用基于特征的模型来完成,不仅耗时,还需要完成大量的特征工程任务,为威胁情报信息抽取研究带来巨大的挑战。基于上述情况,为了降低任务对特征工程的需求,提出一个基于神经网络模型的威胁情报信息抽取方法(TIIE),一方面,采用长短时记忆神经网络(LSTM)进行命名实体识别任务,并利用条件随机场(CRF)模型实现序列标签之间的约束性;另一方面,结合长短时记忆神经网络模型和最短依赖路径
其他文献
文本匹配是自然语言处理中的一个重要任务,在信息检索、问答系统和对话系统等领域都运用广泛。最近几年随着深度学习的兴起,文本匹配方法也追随着主流从传统方法逐渐转移到了神经网络研究当中。研究者依次介绍在深度学习时代流行的文本匹配方法,并归纳出这些方法目前存在的问题和之后未来可能的研究方向,研究结果可供相关领域研究人员参考。
基于YOLOv4算法提出一种口罩佩戴检测的方法。对图像进行标注,建立人脸口罩佩戴数据集,并将原算法优化:通过K-means聚类算法重新设计锚框大小;改进网络结构,提高网络对目标深层特征的提取能力;改变NMS方法以减小定位误差,提升检测性能。实验结果显示,优化的YOLOv4算法将假正样本(FP)数量降低了18.16%,真正样本(TP)数量提高1.52%,提高检测准确率。在测试集中的召回率可达到88.
在图像融合领域中,多尺度变换是解决红外与可见光图像融合问题的经典方法,而近年来,深度学习作为一种快速兴起的研究工具,在图像处理中得到了广泛的应用。本文提出一种有效的图像融合方法,将多尺度变换与深度学习框架相结合,生成了包含更多红外与可见光图像的有效信息的融合图像。首先,对源图像进行多尺度变换,获得它们的高通和低通部分。对于高通部分,我们使用深度学习的网络提取深层特征,通过L1范数和平均融合策略进行
机载通信管理软件作为地面电台与机载航电间的数据处理传输软件,因其数据处理量庞大且对数据精度要求较高,在通信导航识别系统中具有不可或缺的重要地位。为更客观公正的评价机载通信管理软件,依据GB/T 30961-2014软件质量度量标准,选择符合软件特点的度量模型,结合度量举证的权重比例,计算被度量软件的综合质量评分,最终实现对机载通信管理软件较为客观公正的评价,在此基础上提出切实可行的提高软件质量的手段和方法,提高机载通信管理软件质量。
针对特定环境下人脸识别系统易受伪造攻击以及满足在有限资源部署高效性和实时性的问题,提出一种基于轻量化网络与近红外的人脸活体检测方法;通过结合现有数据集和自采集数据扩充活体检测的样本库,增加不同光照和不同角度近红外图像,提高神经网络的泛化能力,也进一步加强算法的验证和实验,并且改进轻量化网络的激活函数和注意力机制模块,保证算法的精确度并满足实时性的需求。
为了解决遗传算法在规划AGV路径时存在陷入局部最优,收敛速度慢,且忽略多AGV和真实运行路况的影响,对算法进行改进。采用三交换启发交叉算子代替传统的两交换启发交叉算子,防止陷入局部最优并能提高收敛速度。在适应度函数中引入拥堵系数和路径平滑程度,提高适应度的判断能力,使规划的路径更加符合实际。仿真结果表明,与传统蚁群算法相比,提高跳出局部最优解的能力;与传统遗传算法和Dijkstra算法相比,所规划的路径长度下降52.2%,收敛时间减少19.4%;并能选择较少的转弯数和最少AGV数量的路径,从而减少AGV总
识别胸部计算机断层扫描图像中的恶性肺结节对肺癌早期筛查至关重要。肺结节良恶性分类任务目前广泛采用深度神经网络方法,然而,小样本问题始终阻碍着它在此任务上的性能。我们提出一个多任务肺结节分类残差网络(MTLNC-Net)来解决肺结节良恶性分类任务上的小样本问题。该网络使用肺结节的形态特征作为良恶性分类的辅助监督信号。我们使用LIDC-IDRI数据集来验证提出的方法。结果表明,MTLNC-Net能够有
现代医学技术的进步离不开医学影像的辅助诊断,随着CT技术应用越来越广泛,如何能够用更少剂量的X射线重建出更清晰的CT图像成为了众多学者的研究目标。以深度学习为基础的卷积神经网络图像去噪技术近年来发展迅速。本文提出一种以多层空洞卷积来提取特征的卷积神经网络模型用于低剂量CT图像去噪,并通过实验证明该模型在低剂量CT图像去噪方面的良好表现以及在不同条件下该网络模型的实用性。
生产车间实现无人车搬运货物首要需求是实时检测目标。基于YOLOv4深度学习目标检测网络,对生产车间的托盘、货物、工人进行检测。使用可见光相机拍摄车间在每日不同时段的作业场景,对采集的图像进行标注,数据增强后训练模型,测试效果并评估性能。网络模型准确率达到96.45%,检测结果可靠,每张图像平均检测耗时0.0358s,能够满足实时。与使用Faster R-CNN准确度接近,检测速度提升12帧/秒。相
深度学习已被大量应用于图像去雾领域,并取得优异表现。但现有的网络模型往往深度较深且包含大量参数,这会降低运算效率。为了实现轻量级网络和保持良好性能,提出了多尺度轻量级图像去雾网络(Multi-scale Lightweight Network,MLNet)。使用多支路设计和多尺度卷积提取不同层次的特征信息,在网络中进行特征融合后重建残差图像。最终使用残差图像与输入图像求和得到恢复图像。实验结果表明