一种基于分层聚类方法的木马通信行为检测模型

#资源达人分享计划#

目录 现状 产品及优势 技术方案 案例

Deep Learning and Applications A Brief Overview of Deep Learning Adversarial and Fooling Samples Adversarial Noise Fooling Samples Training Robust Neural Networks(ICPR'16) The Random Projection Regularizer Intrinsic Dimensionality and Adversarial Robustness

该文章由中科院自动化所谭铁牛教授编写，简要介绍了计算机视觉的研究和应用，如目标识别与跟踪、人脸识别、异常行为检测等。

人群中的异常行为是一大潜在威胁，自动检测监控中的异常行为成为近年的研究热点之一。然而，由于异常的未知性与复杂性，已有的检测方法仍然存在检测率低、定位精度差的问题。为此，提出了对视频监控中的人群异常行为自动检测与定位的方法。结合灰度值与光流场的分布提取运动区域；对运动区域分割得到有效的运动块，从中提取表示外观和动态的两种特征，即局部H梯度方向直方图G和局部H光流方向直方图F特征；使用k-means方法对运动块进行聚类，对每类样本使用一类分类器进行建模。最后，加入运动连续性约束，以抑制干扰噪声。在两个复杂的异常行为数据集上的实验结果表明，本文方法明显优于已有的检测方法，且可以满足正确率高、抗干扰能力强等实际工程需求。

行业分类-电子电器-加钞行为检测方法、装置、系统、存储介质及电子终端.zip

Android软件恶意行为检测技术研究_曲家兴.caj

基于权限的Android软件行为检测与控制模型，申利民，王一发，为了增强用户对应用程序权限的控制能力，提出了一种基于权限的Android应用软件行为检测模型。借助于Python技术，构建了一个Android应用�

一种基于分层聚类方法的木马通信行为检测模型