专利交易市场

本发明涉及一种基于多模态学习的电力攻击识别方法。本发明包含三部分内容：分布式多模态数据监控单元；模态队列和多模态数据监控中台，三部分的步骤依次实现了多模态监控数据的生成、发送与攻击判断。分布式多模态数据监控单元，利用覆盖层网络实现集群中各局域网的多模态数据生成与采样同步。模态队列利用并行模态队列算法，约束缓存多模态数据的发送。多模态数据监控中台用于判断、存储、查阅多模态监控数据，其中判断过程利用了多源注意力门控循环记忆网络算法，以滑动窗口的方式拉取多模态数据，实现时序感知的多模态电力攻击的判断。本发明可以有效减少监控运行时对原生系统服务的负担，并提升电力攻击检测的效果。

本发明涉及一种多模态协同学习的胃镜图像半监督分类方法，属于图像处理技术领域。所述方法，将无标签样本的训练过程与标签样本的训练过程分离，提出了一种基于一致性学习、恢复性学习和对齐性学习协同学习的自监督预训练策略。为了在标签样本上实现多模态特征融合，提出了一种基于特征分布漂移的微调策略。为了验证本发明方法的有效性，在两个公开的胃镜图像数据集Kvasir和Kvasir v2上进行了广泛的实验。本发明方法能够在仅使用少量标签数据的情况下对于胃镜图像的分类具有良好的分类性能。