基于五阶CNN超混沌系统的图像加密方法

为提高二维图像加密的效果,提出一种将像素置乱和像素替换相结合的图像加密方法。首先,利用位平面分解处理明文图像,接着利用幻方变换置乱方法分别对8个位平面进行像素置乱加密预处理,然后对4个高位平面使用五阶细胞神经网络（CNN）超混沌系统产生的超混沌序列进行像素替换的再次加密。实验结果表明:加密后图像的信息熵可达到7.986,体现出较高的随机性;实现了对加密图像直方图的改变,降低了像素间的关联性。该方法有效地提高了二维图像的加密效果和抗攻击能力。     

基于改进VGG-16神经网络的图像分类方法

为提高图像分类模型的准确度,提出了一种迁移学习VGG-16并对其进行改进的图像分类方法,即NewVGG-16模型.首先从ImageNet数据集中选取十种不同类型的部分图像数据,进行去噪、标准化等预处理;接着迁移学习VGG-16模型同时将其改进,模型的优化包括改进池化层为sort_pool2d,在每个卷积层后面添加BN层以增强规范性,并选用Adaboost分类器提升整体的分类性能.通过训练集实现模型参数的调整,用测试集检验其准确性.实验证明,该模型能有效提升图像分类的准确性和适用性,准确度可达到98.75％.     

基于改进Bilinear CNN的细粒度图像分类方法

为提高细粒度图像分类的精确度,提出一种基于双线性网络(Bilinear CNN)的改进方法.首先,选取结构紧密的DenseNet121卷积部分作为特征提取模块,运用改进的Relu-and-Softplus激活函数;接着,结合注意力机制引入空间注意力模块和通道注意力模块,在整体性和局部性上有效提取细节特征;并增加一层卷积层实现调整特征图维度的过渡作用,通过特征图分组策略有效降低特征向量维度减少参数;在双线性池化后采用全局最大池化层处理N个双线性特征向量,融合得到用于Softmax分类的最终向量.经实验证明,新模型的分类精确度可达到96.869％,参数量也大幅度降低,工作效率显著提高.