梭子鱼Web应用防火墙获五星评价成最值得购买产品

在国际知名资讯安全杂志《SC Magazine》的应用安全产品组评测中,梭子鱼Web应用防火墙获得五星级评价并被评为最值得购买的产品。《SC Magazine》赞扬了梭子鱼Web应用防火墙的便于安装、卓越的功能等。该评测报告指出:"梭子鱼Web应用防火墙易于安装配置,在从包装盒取出后,我们可以轻松地利用机架安装工具把它安装到我们的服务器机架中。同时这个设备内置了很多     

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。     

一种面向移动边缘计算的多用户细粒度任务卸载调度方法

在移动边缘计算中(Mobile Edge Computing,MEC),任务卸载可以有效地解决移动设备资源受限的问题,但是将全部任务都卸载到边缘服务器并非最优.本文提出一种面向移动边缘计算的多用户细粒度任务卸载调度新方法,把计算任务看作一个有向无环图(Directed Acyclic Graph,DAG),对节点的执行位置和调度顺序进行了优化决策.考虑系统的延迟把计算卸载看作一个约束多目标优化问题(Constrained Multi-object Optimization Problem,CMOP),提出了一个改进的NSGA-Ⅱ算法来解决CMOP.所提出的算法能够实现本地和边缘的并行处理从而减少延迟.实验结果表明,算法能够在实际应用程序中做出最优决策.     

对虚拟应用网络中的安全技术研究

目前面向企业的虚拟信息技术解决方案大多基于B/S模式,该模式利用一种结构化的、规范化的集成方式将各企业、各信息平台、各种不同应用集成起来,实现虚拟企业中的动态连接。但是这些研究的重点都在于信息、数据和应用的集成,而往往忽略了虚拟企业中的信息安全问题,多数通过系统完成后对系统安全漏洞等进行打补丁的方式添加必要的安全措施。     

超细粒度杯形金刚石砂轮高精平面磨削陶瓷

使用超精平面磨床和甚细粒度杯形金刚石砂轮,对Ｓｉ３Ｎ４和Ａｌ２Ｏ３－ＴｉＣ陶瓷及Ｍｎ－Ｚｎ铁氧体进行了高精平面磨削,使用的最大切深为２μｍ,且最大进给量自始至终为１００ｍｍ／ｍｉｎ,使用原子力显微镜,测量了表面粗糙度和脆性面积的百分数。这些特性用一义为Ｓｍａｘ＝μａＶｆ／Ｖｓ的参数“Ｓｍａｘ”进行了讨论。     

细粒度扩展视频均等质量流化算法

细粒度扩展(fine-granularity-scalability,简称FGS)编码具有很强的灵活性和较好的视频流化性能,故已被MPEG-4和H.26L等标准所采用.FGS编码的一个突出特点是可以随意裁减以适应网络带宽的变化.但是,简单的裁减方法容易造成连续图像质量抖动过大,而用户通常希望流化视频的图像质量尽可能地平滑.在相关研究的基础上,针对非实时流化应用,分别讨论了在无损和有损条件下进行FGS编码均等质量流化的算法.该算法基于FGS的分段线性率失真模型和滑动窗口,在无损条件下,使用二分法,在当前窗口中的所有帧之间进行速率分配,以实现均等质量流化;在有损条件下,通过自适应的启发式算法,并结合前向纠错(forward error correction,简称FEC)技术来达到同样的目的.实验结果表明:在两种情况下,该算法均可以获得较好的流化效果,使流化视频的图像质量更加平滑.     

网络监督数据下的细粒度图像识别综述

细粒度图像识别旨在对某一传统语义类别下细粒度级别的不同子类类别进行视觉识别,在智慧新经济和工业物联网等领域（如智慧城市、公共安全、生态保护、农业生产与安全保障）具有重要的科学意义和应用价值。细粒度图像识别在深度学习的助力下取得了长足进步,但其对大规模优质细粒度图像数据的依赖成为制约细粒度图像识别推广和普及的瓶颈。随着互联网和大数据的快速发展,网络监督图像数据作为免费的数据来源成为缓解深度学习对大数据依赖的可行解决方案,如何有效利用网络监督数据成为提升细粒度图像识别推广性和泛化性的热门课题。本文围绕细粒度图像识别主题,以网络监督数据下的细粒度识别为重点,先后对细粒度识别数据集、传统细粒度识别方法、网络监督下细粒度识别特点与方法进行介绍,并回顾了全球首届网络监督下的细粒度图像识别竞赛的相关情况及冠军解决方案。最后,在上述内容基础上总结和讨论了该领域的未来发展趋势。     

基于元学习的少样本红外空中目标分类方法

针对空中红外目标样本数目不足、细粒度分类精度低等问题,提出一种基于元学习的少样本红外空中目标分类的方法.该方法以元学习为基础,结合多尺度特征融合,在减少计算量的同时有效提取不同分类任务之间的共性,再利用微调策略实现对不同任务的分类.实验证明,此方法在提升mini-ImageNet数据集分类精度的同时可减少约70％的计算...     

基于语义DCNN特征融合的细粒度车型识别模型

针对深度卷积神经网络模型缺乏对语义信息的表征能力,而细粒度视觉识别中种类间视觉差异微小且多集中在关键的语义部位的问题,提出基于语义信息融合的深度卷积神经网络模型及细粒度车型识别模型.该模型由定位网络和识别网络组成,通过定位网络FasterRCNN获取车辆目标及各语义部件的具体位置;借助识别网络提取目标车辆及各语义部件的特征,再使用小核卷积实现特征拼接和融合;最后经过深层神经网络得到最终识别结果.实验结果表明,文中模型在斯坦福BMW-10数据集的识别准确率为78.74%,高于VGG网络13.39%;在斯坦福cars-197数据集的识别准确率为85.94%,其迁移学习模型在BMVC car-types数据集的识别准确率为98.27%,比该数据集目前最好的识别效果提高3.77%;该模型避免了细粒度车型识别对于车辆目标及语义部件位置的依赖,并具有较高的识别准确率及通用性.