一种基于深度学习的目标检测方法和系统与流程

1.本技术涉及网络安全技术领域，尤其涉及一种基于深度学习的目标检测方法和系统。


背景技术：

2.为了提高现有检测方法的检测能力，考虑引入注意力机制，从重点关注区域提取特征，抑制不相关的背景信息。目前还没有相关可实现的技术方案。
3.因此，急需一种针对性的基于深度学习的目标检测方法和系统。


技术实现要素：

4.本发明的目的在于提供一种基于深度学习的目标检测方法和系统，解决现有需要引入注意力机制、抑制不相关背景的问题。
5.第一方面，本技术提供一种基于深度学习的目标检测方法，所述方法包括：
6.采集网络中不同类型的数据包，提取其中携带的生物特征和时间特征；
7.提取所述数据包的摘要和标识，输入机器学习模型，得出需要重点关注的数据包的指定区域；
8.在数据包的指定区域内提取特征，忽略非指定区域的特征，并优先提取数据包中包含的感知数据的特征，得到深度学习特征，所述感知数据来自于感知设备上报的数据；
9.对采集到的所述深度学习特征进行一次离散化处理，得到降维后的第一特征样本集；
10.对采集到的所述生物特征进行一次离散化采样，将采样值组成序列，与服务器中预先存储的若干生物指纹进行匹配，将符合匹配规则的若干生物指纹生成对应的若干滑动框，使用若干个所述滑动框对所述生物特征进行二次框内采样，重组二次框内采样的采样值，得到第二特征样本集；
11.对采集到的所述时间特征进行差异比较处理，根据差异度的大小划定不同的采样窗，使用所述采样窗再次对所述深度学习特征和生物特征进行采样，将采样后的采样值重组，得到第三特征样本集；
12.将所述第一特征样本集、第二特征样本集中的单个特征分别与所述第三特征样本集中的单个特征，依次计算两两之间的差异值；
13.当该差异值大于阈值时，判断为识别无效，将该差异值反馈给所述机器学习模型，调整需要重点关注的数据包的指定区域范围；
14.当该差异值小于等于阈值时，则认定为检测合格，选择所述第一特征样本集作为对象，输入识别模型，得到分类结果；
15.根据所述分类结果进行管控。
16.第二方面，本技术提供一种基于深度学习的目标检测系统，所述系统包括：
17.采集单元，用于采集网络中不同类型的数据包，提取其中携带的生物特征和时间
特征；
18.关注度单元，用于提取所述数据包的摘要和标识，输入机器学习模型，得出需要重点关注的数据包的指定区域；
19.第一特征提取单元，用于在数据包的指定区域内提取特征，忽略非指定区域的特征，并优先提取数据包中包含的感知数据的特征，得到深度学习特征，所述感知数据来自于感知设备上报的数据；对采集到的所述深度学习特征进行一次离散化处理，得到降维后的第一特征样本集；
20.第二特征提取单元，用于对采集到的所述生物特征进行一次离散化采样，将采样值组成序列，与服务器中预先存储的若干生物指纹进行匹配，将符合匹配规则的若干生物指纹生成对应的若干滑动框，使用若干个所述滑动框对所述生物特征进行二次框内采样，重组二次框内采样的采样值，得到第二特征样本集；
21.第三特征提取单元，用于对采集到的所述时间特征进行差异比较处理，根据差异度的大小划定不同的采样窗，使用所述采样窗再次对所述深度学习特征和生物特征进行采样，将采样后的采样值重组，得到第三特征样本集；
22.计算单元，用于将所述第一特征样本集、第二特征样本集中的单个特征分别与所述第三特征样本集中的单个特征，依次计算两两之间的差异值；
23.分类单元，用于当该差异值大于阈值时，提示识别无效，将该差异值反馈给所述机器学习模型，调整需要重点关注的数据包的指定区域范围；
24.当该差异值小于等于阈值时，提示检测合格，选择所述第一特征样本集作为对象，输入识别模型，得到分类结果；
25.执行单元，用于根据所述分类结果进行管控。
26.第三方面，本技术提供一种基于深度学习的目标检测系统，所述系统包括处理器以及存储器：
27.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；
28.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。
29.第四方面，本技术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。
30.有益效果
31.本发明提供一种基于深度学习的目标检测方法和系统，通过先提取生物和时间维度特征，再在重点关注区域内提取深度学习特征。针对生物特征采用生物指纹匹配和滑动框二次采样；针对时间特征根据差异化结果重新定义采样窗，再次对深度学习和生物两种特征进行采样重组。计算两两特征样本集之间的差异值，不仅可以调整重点关注区域的范围，还可以判断是否分类成功，克服了现有技术需要引入注意力机制、抑制不相关背景的不足，实现检测的高效性和自动性。
附图说明
32.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。
33.图1为本发明基于深度学习的目标检测方法的大致流程图；
34.图2为本发明基于深度学习的目标检测系统的架构图。
具体实施方式
35.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。
36.图1为本技术提供的基于深度学习的目标检测方法的大致流程图，所述方法包括：
37.采集网络中不同类型的数据包，提取其中携带的生物特征和时间特征；
38.提取所述数据包的摘要和标识，输入机器学习模型，得出需要重点关注的数据包的指定区域；
39.在数据包的指定区域内提取特征，忽略非指定区域的特征，并优先提取数据包中包含的感知数据的特征，得到深度学习特征，所述感知数据来自于感知设备上报的数据；
40.对采集到的所述深度学习特征进行一次离散化处理，得到降维后的第一特征样本集；
41.对采集到的所述生物特征进行一次离散化采样，将采样值组成序列，与服务器中预先存储的若干生物指纹进行匹配，将符合匹配规则的若干生物指纹生成对应的若干滑动框，使用若干个所述滑动框对所述生物特征进行二次框内采样，重组二次框内采样的采样值，得到第二特征样本集；
42.对采集到的所述时间特征进行差异比较处理，根据差异度的大小划定不同的采样窗，使用所述采样窗再次对所述深度学习特征和生物特征进行采样，将采样后的采样值重组，得到第三特征样本集；
43.将所述第一特征样本集、第二特征样本集中的单个特征分别与所述第三特征样本集中的单个特征，依次计算两两之间的差异值；
44.当该差异值大于阈值时，判断为识别无效，将该差异值反馈给所述机器学习模型，调整需要重点关注的数据包的指定区域范围；
45.对于所述调整指定区域的范围，机器学习模型可以将接收到的差异值反馈作为模型的参数，也可以将该差异值对应查表，找到对应的范围区间或范围方位，以此修正指定区域的范围大小。
46.当该差异值小于等于阈值时，则认定为检测合格，选择所述第一特征样本集作为对象，输入识别模型，得到分类结果；
47.根据所述分类结果进行管控。
48.其中，当提取网络数据包的过程中，发现缺少某种特征(或称提取失败)时，例如：深度学习特征、生物特征和时间特征三种中缺少生物特征时，后续算法会自动使用深度学习特征按照生物特征的计算方法，得到对应的特征样本集。从而弥补低质量、混合数据的不足。
49.在一些优选实施例中，训练所述识别模型时，通过反向的传播方式来最小化熵损失函数，避免过饱和，当所述识别模型的精度满足阈值的要求，则表明该识别模型训练完成。然后可用于数据验证。
50.在一些优选实施例中，所述机器学习模型采用卷积神经网络架构。
51.在一些优选实施例中，所述生物特征包括数据包中涉及人物面部活动、生理特征的多媒体信息。
52.图2为本技术提供的基于深度学习的目标检测系统的架构图，所述系统包括：
53.采集单元，用于采集网络中不同类型的数据包，提取其中携带的生物特征和时间特征；
54.关注度单元，用于提取所述数据包的摘要和标识，输入机器学习模型，得出需要重点关注的数据包的指定区域；
55.第一特征提取单元，用于在数据包的指定区域内提取特征，忽略非指定区域的特征，并优先提取数据包中包含的感知数据的特征，得到深度学习特征，所述感知数据来自于感知设备上报的数据；对采集到的所述深度学习特征进行一次离散化处理，得到降维后的第一特征样本集；
56.第二特征提取单元，用于对采集到的所述生物特征进行一次离散化采样，将采样值组成序列，与服务器中预先存储的若干生物指纹进行匹配，将符合匹配规则的若干生物指纹生成对应的若干滑动框，使用若干个所述滑动框对所述生物特征进行二次框内采样，重组二次框内采样的采样值，得到第二特征样本集；
57.第三特征提取单元，用于对采集到的所述时间特征进行差异比较处理，根据差异度的大小划定不同的采样窗，使用所述采样窗再次对所述深度学习特征和生物特征进行采样，将采样后的采样值重组，得到第三特征样本集；
58.计算单元，用于将所述第一特征样本集、第二特征样本集中的单个特征分别与所述第三特征样本集中的单个特征，依次计算两两之间的差异值；
59.分类单元，用于当该差异值大于阈值时，提示识别无效，将该差异值反馈给所述机器学习模型，调整需要重点关注的数据包的指定区域范围；
60.当该差异值小于等于阈值时，提示检测合格，选择所述第一特征样本集作为对象，输入识别模型，得到分类结果；
61.执行单元，用于根据所述分类结果进行管控。
62.本技术提供一种基于深度学习的目标检测系统，所述系统包括：所述系统包括处理器以及存储器：
63.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；
64.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。
65.本技术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。
66.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。
67.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。
68.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。
69.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。

技术特征：
1.一种基于深度学习的目标检测方法，其特征在于，所述方法包括：采集网络中不同类型的数据包，提取其中携带的生物特征和时间特征；提取所述数据包的摘要和标识，输入机器学习模型，得出需要重点关注的数据包的指定区域；在数据包的指定区域内提取特征，忽略非指定区域的特征，并优先提取数据包中包含的感知数据的特征，得到深度学习特征，所述感知数据来自于感知设备上报的数据；对采集到的所述深度学习特征进行一次离散化处理，得到降维后的第一特征样本集；对采集到的所述生物特征进行一次离散化采样，将采样值组成序列，与服务器中预先存储的若干生物指纹进行匹配，将符合匹配规则的若干生物指纹生成对应的若干滑动框，使用若干个所述滑动框对所述生物特征进行二次框内采样，重组二次框内采样的采样值，得到第二特征样本集；对采集到的所述时间特征进行差异比较处理，根据差异度的大小划定不同的采样窗，使用所述采样窗再次对所述深度学习特征和生物特征进行采样，将采样后的采样值重组，得到第三特征样本集；将所述第一特征样本集、第二特征样本集中的单个特征分别与所述第三特征样本集中的单个特征，依次计算两两之间的差异值；当该差异值大于阈值时，判断为识别无效，将该差异值反馈给所述机器学习模型，调整需要重点关注的数据包的指定区域范围；当该差异值小于等于阈值时，则认定为检测合格，选择所述第一特征样本集作为对象，输入识别模型，得到分类结果；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：训练所述识别模型时，通过反向的传播方式来最小化熵损失函数，避免过饱和，当所述识别模型的精度满足阈值的要求，则表明该识别模型训练完成。3.根据权利要求1所述的方法，其特征在于：所述机器学习模型采用卷积神经网络架构。4.根据权利要求2或3任一项所述的方法，其特征在于：所述生物特征包括数据包中涉及人物面部活动、生理特征的多媒体信息。5.一种基于深度学习的目标检测系统，其特征在于，所述系统包括：采集单元，用于采集网络中不同类型的数据包，提取其中携带的生物特征和时间特征；关注度单元，用于提取所述数据包的摘要和标识，输入机器学习模型，得出需要重点关注的数据包的指定区域；第一特征提取单元，用于在数据包的指定区域内提取特征，忽略非指定区域的特征，并优先提取数据包中包含的感知数据的特征，得到深度学习特征，所述感知数据来自于感知设备上报的数据；对采集到的所述深度学习特征进行一次离散化处理，得到降维后的第一特征样本集；第二特征提取单元，用于对采集到的所述生物特征进行一次离散化采样，将采样值组成序列，与服务器中预先存储的若干生物指纹进行匹配，将符合匹配规则的若干生物指纹生成对应的若干滑动框，使用若干个所述滑动框对所述生物特征进行二次框内采样，重组
二次框内采样的采样值，得到第二特征样本集；第三特征提取单元，用于对采集到的所述时间特征进行差异比较处理，根据差异度的大小划定不同的采样窗，使用所述采样窗再次对所述深度学习特征和生物特征进行采样，将采样后的采样值重组，得到第三特征样本集；计算单元，用于将所述第一特征样本集、第二特征样本集中的单个特征分别与所述第三特征样本集中的单个特征，依次计算两两之间的差异值；分类单元，用于当该差异值大于阈值时，提示识别无效，将该差异值反馈给所述机器学习模型，调整需要重点关注的数据包的指定区域范围；当该差异值小于等于阈值时，提示检测合格，选择所述第一特征样本集作为对象，输入识别模型，得到分类结果；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。

技术总结
本发明提供一种基于深度学习的目标检测方法和系统，通过先提取生物和时间维度特征，再在重点关注区域内提取深度学习特征。针对生物特征采用生物指纹匹配和滑动框二次采样；针对时间特征根据差异化结果重新定义采样窗，再次对深度学习和生物两种特征进行采样重组。计算两两特征样本集之间的差异值，不仅可以调整重点关注区域的范围，还可以判断是否分类成功，克服了现有技术需要引入注意力机制、抑制不相关背景的不足，实现检测的高效性和自动性。性。性。


技术研发人员：魏亮 谢玮 魏薇 彭志艺 张学阳 郑晓玲
受保护的技术使用者：中国信息通信研究院
技术研发日：2023.06.26
技术公布日：2023/10/6