基于改进的Mask R-CNN图像篡改取证方法

随着现代科学技术的进步,图像编辑工具的发展极大地降低了篡改所需成本。图像篡改手段有多种,现有的方法往往存在通用性差的问题。同时,这些方法只关注篡改定位而忽略对篡改手段的分类。本文提出一种基于改进的Mask R-CNN两阶段网络模型用于图像篡改取证。在特征提取部分,结合空域富模型(spatial rich model, SRM)和受约束卷积对输入图像进行预处理,再输入到ResNet101前4层中,以建立能够有效体现各种篡改痕迹的统一特征表示。一阶段网络通过注意力区域提议网络(attention region proposal network, A-RPN)检测篡改区域,预测模块实现篡改操作分类和粗略篡改区域定位。继而,一阶段网络得到的定位信息引导二阶段网络学习局部特征以定位出最终的篡改区域。本文所提出的模型能检测3种不同类型的图像篡改操作,包括复制-粘贴、拼接和移除。实验结果表明,本文所提出的方法在NIST16、COVERAGE、Columbia和CASIA数据集的F1值分别达到了0.924、0.761、0.791和0.473,优于传统方法和一些主流深度学习方法。     

一种引入聚焦机制的静态图像人体分割方法

针对静态图像中人体分割不能够聚焦所要分割区域,造成分割效果不佳的问题.通过对残差网络进行改进,使之能够适应人体分割这一任务,并在改进的残差网络中引入一种聚焦机制进行静态图像人体分割.根据静态图像人体分割问题,设计了具有聚焦机制的损失函数、辅助分割损失函数以及分割损失函数.另外,为了得到数据集的辅助分割类标、分割类标以及注意力聚焦图,提出了数据预处理算法.在Pascal-Person-Part数据集和LIP数据集上进行训练和测试,并将测试结果与SegNet,FCN-8s,DeepLabV2,Attention,LG-LSTM以及Attention+ SSL方法进行比较.通过比较像素精度、平均像素精度和IoU(Intersection over Union)指标,表明所提方法能够提高静态图像中人体分割的效果,验证了所提方法的可靠性.     

基于区域的小波多尺度多聚焦图像融合方法

提出了基于区域的小波多尺度多聚焦图像融合方法.首先对参加融合的两幅图像进行小波多尺度分解,得到两个金字塔结构.对于金字塔的每一层分解,使用"区域象素聚类"的方法生成标签图像,利用标签图像,对两金字塔各层的三个高频细节分量按区域能量取大的规则,形成融合二值决策图,每层分解对应一个二值决策图.利用每一层的二值决策图对相应层的细节分量进行融合,最后重构.并采用均方根误差对该方法进行了客观评价.实验结果表明本方法对多聚焦图像有较好的融合效果,其融合性能比基于窗口能量取大的单个象素的小波图像融合方法和文献[3]提出的融合方法的融合性能都好.     

基于注意力机制的脑肿瘤分割算法研究

文章针对形状复杂、边界模糊的脑肿瘤难以实现精确分割的问题,提出一种基于卷积注意力机制和Transformer多头注意力机制的U型分割网络。文章首先设计了基于通道注意力和空间注意力的卷积模块,提高了模块对局部关键特征的提取能力;其次使用一种结构更精简的Transformer模块作为网络的瓶颈层,利用其多头注意力机制对全局特征进行充分感知;最后在BraTS 2021数据集上进行了实验。实验结果表明文章算法在增强肿瘤区域、肿瘤核心区域和整个肿瘤区域的Dice系数评分分别为87.51%,90.69%和93.47%,可以有效提高脑肿瘤分割精度。     

双平面OTN网络实现多种业务传输容灾解决方案

在传送网网络的建设和扩容中,OTN网络通常被定位于核心骨干层,用于大量2.5Gbit/s、10Gbit/s、40Gbit/s甚至100Gbit/s等大颗粒的业务调度.OTN节点就相当于各类汇聚业务的枢纽站,一旦发生故障,将导致整个汇聚区域中多种业务瘫痪,带来灾难性后果,其安全保障十分重要.如果能建设一套备用系统作为OTN网络的备份,将能很好地保证OTN设备汇聚业务的安全性,但新建一套OTN系统投资巨大,投资利用率不高,如何能综合平衡投资与安全的矛盾,是摆在OTN网络建设前方的一个问题.     

用于自然植物细粒度分类的目标定位和区域选择网络

近年来,植物中的细粒度分类问题已经成为计算机视觉领域热门的方向之一。现有的大部分细粒度分类方法只专注于如何寻找更有区分性的部位,忽视了目标的整体结构有助于网络的分类和区分性部位的定位。基于注意力定位关键区域的方法大多都是利用局部注意力来直接定位的,这些方法无法判断所定位到的区域在全局所有区域中是否是最有区分性的。为了解决以上问题,提出一个模板定位和区域选择网络从粗粒度到细粒度渐进式的学习目标的特征。具体来说,目标定位模块可以定位到完整的目标,排除背景的干扰,强化网络提取目标整体结构特征的能力,有助于准确分类和后续区分性区域的定位。区域选择模块则通过全局相关性来衡量数千个区域在全局上的重要程度,根据重要性来选择最有区分性的区域,使网络学习目标的细粒度特征。在iNaturalist-2021Mini和iNaturalist-2018数据集上的实验表明,所提出的方法可以达到优异的效果。     

一种用于网络动画过滤的文字提取方法

网络动画中往往包含丰富的字符信息,如果能够将这些字符信息加以提取和识别,将对网络动画的有效过滤具有重要意义。论文介绍了一种新的基于类边缘文本提取算法及其实现,该算法利用DCT方法提取出字符的类边缘信息,然后采用基于映射方法进行定位。实验结果表明,该方法能够准确、有效地定位和提取网络动画中的文字区域。     

基于自组织特征映射神经网络的聚类分析

在深入研究自组织特征映射（Self-organizing Feature Mapping,SOFM）神经网络的结构和聚类算法的基础上,阐述了SOFM网络的建立方法.以随机二维向量的聚类为例,利用所建立的SOFM网络模型对输入的随机二维向量进行聚类,并着重研究了输出层神经元拓扑结构、训练步数对聚类结果的影响以及在相同拓扑结构条件下,SOFM网络模型的权值向量的调整过程.仿真结果表明：在输出层神经元节点形式为六边型条件下,输出层神经元的个数越多,SOFM网络模型的聚类结果就越准确;在相同的拓扑结构条件下,训练步数越大,SOFM网络聚类结果越准确,但过大的训练步数对于聚类结果的影响甚微.     

钢铁企业全区域网络监测系统的开发与研究

本文通过分析XX钢铁企业现有网络结构,结合现场工作需要,对全区域网络监测系统进行开发与研究,实现实时监测网络状态,实时监测交换机状态,以及发现故障及时、故障定位准确地功能需求。     

基于深度卷积与全局特征的图像密集字幕描述

为了解决图像密集字幕描述中感兴趣区域(Regions of interest,ROI)定位不准确与区域粗粒度描述问题,本文提出了一种基于深度卷积与全局特征的图像密集字幕描述算法,该算法采用残差网络与并行LSTM(Long Short Term Memory)网络的联合模型对存在的区域重叠定位和粗粒度描述细节信息不完整问题进一步改进。首先利用深度残差网络与Faster R-CNN(Faster R-Convolutional Neural Network)的RPN(Regional Proposal Network)层获取更精准区域边界框,以便避免区域标记重叠;然后将全局特征、局部特征和上下文特征信息分别输入并行LSTM网络且采用融合算子将三种不同输出整合以获得最终描述语句。通过在公开数据集上与两种主流算法对比表明本文模型具有一定优越性。