基于卷积神经网络的图像拼接篡改检测算法

为了进一步提高篡改检测率,提出了一种基于卷积神经网络(CNN)的图像篡改检测算法(SCNN)。虽然CNN能够直接从数据中学习分类特征,但是在其标准形式中,它倾向于学习与图像内容相关的特征。为了克服图像取证任务中的这一问题,提出了一种新的图像预处理层来共同抑制图像内容并自适应地学习特征。使用CASIA V2.0中75%的图像对SCNN进行训练和验证,并使用CASIA V2.0中的其余图像和哥伦比亚未压缩数据集中的所有图像进行测试。实验结果表明,本文SCNN框架明具有一定有效性及鲁棒性。     

6-氨基-7-甲氧基喹唑啉的合成

以3-硝基-4-氯苯甲酸为原料,经酯化、硝化、水合肼还原、环合、氯化、氢化等反应得到标题化合物。整个反应过程成本低、操作简便、节约时间、符合工业化的要求。探讨了还原2,5-二硝基-4-氯苯甲酸甲酯时水合肼用量、反应温度、反应时间和催化剂的用量,氯化反应中氯化试剂、助溶剂以及温度等因素对目标产物的影响。结果表明,当n(2,5-二硝基-4-氯苯甲酸甲酯)∶n(80%水合肼)=1∶2.5、反应温度为78℃、反应时间为3 h、Fe Cl_3用量为0.6 g、活性炭用量为0.15 g时,还原效果最佳;以SOCl_2为氯化试剂、DMF为催化剂,80℃时,收率及纯度最高。目标产物结构通过元素分析、~(13)CNMR、IR、~1HNMR以及MS确定,为新型酪氨酸激酶抑制剂的合成提供依据。     

4,4′-双(4-氨基苯氧基)二苯砜的合成及表征

利用苯酚和浓硫酸为起始原料,经过磺化反应、脱水缩合反应、S_N2亲核取代反应、加氢还原四步反应合成了目标产物4,4′-双(4-氨基苯氧基)二苯砜。实验结果表明,HPLC≥98.0%,目标产物的总收率为69.7%,并且利用IR、LC-MS和~1H NMR对产物的结构进行了表征,与标准品相符。     

6-氨基-1,2-苯并吡喃酮的制备及表征

以80%水合肼为还原剂、FeCl_3/C为催化剂,还原6-硝基-1,2-苯并吡喃酮制备6-氨基-1,2-苯并吡喃酮,并通过~1 H NMR、IR、~(13)C NMR和LC-MS表征了目标产物的结构,HPLC分析纯度达99%以上。同时探究了水合肼用量、反应温度、反应时间以及催化剂用量对反应的影响。较佳的合成工艺条件为:n(80%水合肼)∶n(6-硝基-1,2-苯并吡喃酮)=2.5,FeCl_3用量为0.8g,活性炭用量为0.2g,反应温度为78℃,反应时间3.5h,收率可达85.0%。     

1-(2-(苄基硫代)-5-氯噻吩-3-基)乙酮的合成研究及产品表征

利用噻吩、浓盐酸和双氧水为起始原料,经过氯代反应、傅克酰基化反应和亲核加成反应合成了目标产物。考察了反应物配比、催化剂和反应时间等影响反应收率的主要因素,得到了合成目标化合物的较优反应条件。实验结果表明,该反应条件温和,后处理简单,安全系数高,并且目标产物的总收率为64.7%。利用IR、~1 H NMR和LC-MS对产物的结构进行了表征。