基于生成对抗门控卷积网络的文档图像印章消除

发票和文档上的印章严重影响文字识别的准确率，因此印章消除技术在文档识别和文档增强的预处理过程中发挥着重要作用。然而，现有的阈值分割方法和基于深度学习的方法存在印章消除不全以及会修改背景像素等问题。文中提出了一个两阶段式印章消除网络SealErase。第一阶段是一个用于生成包含印章位置信息的二值化掩膜的U型分割网络，第二阶段是一个用于进行精细化印章消除的修复网络。由于目前缺乏公开的用于印章消除的成对数据集，现有的方法无法设计像素级的评价指标来衡量生成图像的质量。并且，利用配对的训练集训练神经网络可以有效提高网络的性能。为此，文中兼顾真实场景的泛化性以及对噪声的鲁棒性构建了一个包含8 000个样本的高仿真的印章消除数据集。其中的印章分为两种：真实文档图像中的印章和合成的印章。为了客观地评价SealErase的性能，文中设计了基于图像生成质量和被印章遮盖的字符识别准确率的综合评价指标用于评估SealErase网络的消除性能。在构建的印章消除数据集上对比了现有的印章消除模型，实验结果表明，SealErase网络在图像生成质量的评价指标中的峰值信噪比相比最先进的方法提升了26.79%,平均结构相...     

面向信息内容安全的文本过滤和分类系统研究与实现

本文设计并实现了一个面向信息内容安全应用的文本过滤与自动分类系统。系统采取探测器和分类器两个步骤实现高速网络环境下数据截取、还原、分类的功能。探测器采取简单规则匹配和高速字符串匹配算法来提高数据截取和自身的过滤性能,分类器采取基于简单向量空间模型设计,采取自动学习和人工干预相结合的方法来提高系统的查准率和查全率。本文给出了探测器和分类器在实际应用时的技术性能。     

基于双向生成对抗网络的图像超分辨率算法

基于深度学习的图像超分辨率重建算法不能很好地处理现实生活中有多种复杂噪声干扰的低分辨率图片,提出一种双向的生成对抗网络,引入下采样网络及重建网络联合学习的方法.下采样网络模拟生成现实生活中有复杂噪声及受运动干扰的低分辨率图片,重建网络将模拟生成的低分辨率图片恢复为细节清晰的高分辨率图片.实验结果表明,该算法能够重建出视觉效果良好的超分辨率图像,在Set5、DIV2 K等通用测试集上,其客观评价指标(PSNR、SSIM)对比于SRGAN方法分别提高了约0.9 dB,0.25.     

基于GAN-AdaBoost-DT不平衡分类算法的信用卡欺诈分类

针对传统单个分类器在不平衡数据上分类效果有限的问题，基于对抗生成网络（GAN）和集成学习方法，提出一种新的针对二类不平衡数据集的分类方法——对抗生成网络-自适应增强-决策树（GAN-AdaBoost-DT）算法。首先，利用GAN训练得到生成模型，生成模型生成少数类样本，降低数据的不平衡性；其次，将生成的少数类样本代入自适应增强（AdaBoost）模型框架，更改权重，改进AdaBoost模型，提升以决策树（DT）为基分类器的AdaBoost模型的分类性能。使用受测者工作特征曲线下面积（AUC）作为分类评价指标，在信用卡诈骗数据集上的实验分析表明，该算法与合成少数类样本集成学习相比，准确率提高了4.5%，受测者工作特征曲线下面积提高了6.5%；对比改进的合成少数类样本集成学习，准确率提高了4.9%，AUC值提高了5.9%；对比随机欠采样集成学习，准确率提高了4.5%，受测者工作特征曲线下面积提高了5.4%。在UCI和KEEL的其他数据集上的实验结果表明，该算法在不平衡二分类问题上能提高总体的准确率，优化分类器性能。     

基于生成对抗网络的图像去雾算法

为了提高雾霾条件下拍摄到的模糊图像的质量,提出了一种基于生成对抗学习思想的卷积神经网络去雾算法.该卷积网络在生成模型部分将介质透射率和大气光值嵌入一个变量,进行了联合优化,避免了分离优化影响整体去雾性能的缺陷;在对抗模型部分,将生成模型部分的输出清晰图和真实的清晰图进行对比,从而判别生成的输出清晰图是否足够真实.为了生成更加逼真的清晰图像,引入了一种新的损失函数来优化网络参数,该损失函数同时纳入了图像的L₂损失和双向梯度损失、特征损失和判别器损失,从4个方面来保证去雾性能的良好表现.除此之外,在训练网络的过程中,使用了真实图像和合成有雾图像同时作为数据集,其中的合成图像在合成过程中采用引导滤波算法,这样可以使得合成的有雾图像更加接近于自然情况.最后,引入了更多的评价指标验证了所提方法.基于不同方法的实验数据和实验结果证明了本文方法在已有方法上的提升.     

模糊算法在WiNCS死区采样中的应用

针对无线网络控制系统(WiNCS)常规死区采样算法导致的系统控制性能QoP和网络服务质量(QoS)下降的缺陷,提出一种模糊自适应死区采样算法.该方法利用系统控制误差和系统网络时延设定死区阈值,能实时自适应网络负载变化,自动在系统Qop和QoS指标范围内尽可能减少数据包传输量,更好地捕捉到网络流量变化和网络QoS变化.实验证明:所提方法不但能减少数据包传输量,而且可以高效地保证系统控制性能.模糊自适应死区采样结构简单,易于实现,具有一定的推广价值.     

基于信道注意结构的生成对抗网络医学图像去模糊

清晰的医学图像可以有效地帮助医生进行病理分析和病情诊断.针对医学图像中的显微图像在采集过程中因失焦产生的图像模糊问题,文中以生成对抗网络去模糊模型DeblurGAN作为基本框架,提出了一种新的图像去模糊网络.该网络在生成器结构中引入信道注意结构(Channel Attention,CA),有效地提取了图像的细节特征.图像上采样过程中使用双线性插值+卷积的结构代替反卷积(转置卷积)过程,消除了棋盘效果.使用对抗损失、内容损失相结合的方式训练模型来获得清晰的图像.实验结果表明,该网络较DeblurGAN生成的去模糊图像,在PSNR和SSIM指标上都获得了较大的提升.     

基于支持向量网络和相关反馈的人脸识别

采用了一种通过KPCA提取人脸图像特征,线性SVM对特征进行加权,用最近邻法分类人脸的识别系统.整个系统实质上构成了一个支持向量分类网络.为了自动进行网络训练和参数寻优,提出了一套自动相关反馈训练方法;并采用了图像灰度的伽马校正技术减少光照变化对识别的影响,提高了分类器的性能.基于ORL数据库的相关实验表明,在很少样本训练条件下,这样的系统能够获得较高性能.     

基于聚集残差生成对抗网络的图像去模糊

针对现有图像去模糊算法存在的处理模糊种类单一、耗时长等问题,提出了一种基于聚集残差生成对抗网络的图像去模糊算法.首先,利用生成对抗网络,生成重建图像判别标签,使最后生成的图像更加接近清晰图像;其次,结合聚集残差网络与通道注意力模块,构成特征提取模块,提取中间层的有用特征信息;最后,采用WGAN的Wasserstein-1距离与感知损失结合作为损失函数训练模型,保证生成图像与清晰图像在内容上的一致性.在PyTorch环境下用GOPRO数据集和Kohler数据集测试所提算法,并与L0范数先验、暗通道先验、特异性去模糊、DeepDeblur,DeblurGAN等算法进行对比.实验结果表明,所提算法应用于复原运动模糊图像和高斯模糊图像时,峰值信噪比等评价指标均高于其他算法,并且耗时更短.     

基于多分类器融合的雷达高分辨距离像目标识别与拒判新方法

由于雷达自动目标识别（Radar automatic target recognition,RATR）中库外目标的存在,评价系统性能时应综合考虑其识别性能和拒判性能. 由此本文构造了一种将分类器的输出通过最近邻分类器（Nearest neighbor,NN）进行拒判和识别的“分类器——最近邻”系统,并在拒判和识别两个阶 段分别采用多分类器融合技术以提高RATR系统的拒判和识别综合性能. 此外,文中定义了一种代价函数以衡量系统综合性能并为系统拒判工作点的选取提供依据. 进而,采用局部法和全局法两种算法确定拒判器的工作点. 实测数据实验结果验证了本文方法的有效性,两种工作点选取算法均能够显著提高识别系统的综合性能.     

基于深度集成学习的类极度不均衡数据信用欺诈检测算法

信用欺诈数据分布极度不均衡时,信息失真、周期性统计误差和报告偏倚所产生的噪声错误对训练模型干扰凸显,且易产生过拟合现象.鉴于此,提出一种深度信念神经网络集成算法来解决类极度不均衡的信用欺诈问题.首先,提出双向联合采样算法克服信息缺失和过拟合问题;然后,构造2阶段基分类器簇,针对支持向量机(support vector ...     

基于数字结构特征的发票号码识别算法

由于印章覆盖、发票折痕等干扰因素的存在,一些发票号码区域会出现噪声粘连区域,这些区域会导致发票号码无法正常分割。 针对这一问题,提出了噪声粘连区域修复算法,有效地避免了该情况对数字分割的影响。针对普通发票号码的字体结构和特点,提出了基于数字结构特征的发票号码识别算法。首先定义数字结构特征,包括4种填充区域、2种字符穿越数和4种镂空区域,构成待识别数字的10维特征向量;进而与标准模板库中数字进行模板特征匹配,求得距离最小值所对应的数字作为识别结果。将所提出的方法和基于改进的左右轮廓特征的印刷体数字识别方法进行对比,实验结果表明,本文所提出的识别算法拥有更高的准确率和更快的识别速度,以及对噪声 有更强的鲁棒性。     

基于电子签名的网络发票应用安全设计

本文结合网络发票在我国的发展现状,提出了以电子签名技术为基础的网络发票应用安全设计,可有效解决网络发票应用过程中面临的身份鉴别、内容真实完整和电子防伪等安全问题,并有望为网络发票业务应用提供安全参考。     

利用视频图像检测车位状态的方法

为了实现停车场空车位的快速自动寻找,提出了一种用于视频图像车位检测的车位组合状态网络模型,在最大后验概率意义下,求解最可能的车位状态.对改进的HSI车位图像像素进行贝叶斯分类,利用预先训练好的条件概率计算出相邻车位状态传递概率,通过车位组合状态网络的优化,确定出最佳的车位状态.该方法可以很好地解决车辆遮挡所造成的误判问题,准确地检出车位的占有情况.实验结果表明,该方法具有较高的准确性与鲁棒性,特别是可以较好地消除车辆相互遮挡和环境光线变化对检测结果造成的影响.     

Identifying speakers using their emotion cues

This paper addresses the formulation of a new speaker identification approach which employs knowledge of emotional content of speaker information. Our proposed approach in this work is based on a two-stage recognizer that combines and integrates both emotion recognizer and speaker recognizer into one recognizer. The proposed approach employs both Hidden Markov Models (HMMs) and Suprasegmental Hidden Markov Models (SPHMMs) as classifiers. In the experiments, six emotions are considered including neutral, angry, sad, happy, disgust and fear. Our results show that average speaker identification performance based on the proposed two-stage recognizer is 79.92% with a significant improvement over a one-stage recognizer with an identification performance of 71.58%. The results obtained based on the proposed approach are close to those achieved in subjective evaluation by human listeners.     

适应性增强胶囊网络的古壁画朝代识别算法

针对壁画图像自身存在多义性、不同朝代的壁画绘画风格存在差异性和传统的人工直接参考壁 画文本或历史文献识别壁画朝代存在费时、费力等问题,提出了适应性增强胶囊网络(AEC)的古壁画朝代识别 算法,对莫高窟壁画自动进行朝代识别。在原生胶囊网络基础上,首先引入预先卷积结构对壁画图像进行高层 特征提取;其次增加均层激活增强模型的拟合性能;最后对胶囊网络进行适应性增强,在提高梯度平滑度的基 础上利用自适应学习率进行优化提高模型的分类精度。实验结果表明在所构造的 DH1926 壁画数据集上,AEC 模型准确率为 84.44%、平均精确度(MAP)为 82.36%、平均召回率(MAR)为 83.75%、综合评价指标为 83.96%。 与改进的卷积神经网络(CNN)和原生胶囊网络等其他网络结构相比,各项评价指标均有 3%以上的提升,有较 强的拟合性能,能够多层次提取壁画的丰富特征,表达图像更细节的语义信息,在莫高窟壁画朝代识别中具有 更高的准确度和更好的鲁棒性,有一定的应用价值与研究意义。     

使用Fisher线性判别方法的提取分类器

为了消除个体分类器间的相关性,提高集成器分类性能及稳定性,提出了基于Fisher线性判别方法的分类器提取方法。该方法将高维分类器空间压缩至低维分类器空间,并在该空间内学习集成器。在多个数据集上的比较实验结果表明,该方法可行,其集成性能较理想。     

人体运动视频关键帧优化及行为识别

在行为识别过程中,提取视频关键帧可以有效减少视频索引的数据量,从而提高 动作识别的准确性和实时性。为提高关键帧的代表性,提出一种关键帧序列优化方法,并在此 基础上进行行为识别。首先根据3D 人体骨架特征利用K-均值聚类算法提取人体运动视频序列 中的关键帧,然后根据关键帧所在序列中的位置进行二次优化以提取最优关键帧,解决了传统 方法中关键帧序列冗余等问题。最后根据最优关键帧利用卷积神经网络(CNN)分类器对行为视 频进行识别。在Florence3D-Action 数据库上的实验结果表明,该方法具有较高的识别率,并且 与传统方法相比大幅度缩短了识别时间。     

基于卷积稀疏组合算法的轴承性能衰减评估

为有效监控与评估轴承工作状态,提出一种基于卷积稀疏组合算法评估方案。基于卷积神经网络框架建立轴承性能稀疏表示判别准则,并预测轴承的性能衰减程度;利用轴承衰减自相关函数,预判与轴承谱相关的密度条件,并在分析其他模型数值参量的基础上,验证评估方法的应用平稳性。选取退化指标作为实验对象,并通过分析相关的指标参数值可知,提出算法的评估结果可解释性强,能够较好维护轴承性能的衰减机制,影响系数值被控制在[-1,1]之间;在与传统算法的预测性能对比中,提出算法在两种状态下的偏差值分别为0.02和0.01,优于传统的轴承性能评估算法,同时在评估预测效率方面也具有一定优势。     

使用信息增益方法选择分类器

为了减少表现差的个体分类器对集成器分类性能的影响,提高集成器分类效果及稳定性,提出了基于信息增益的分类器选择方法。该方法将高维分类器空间压缩至低维分类器空间,并在该空间内学习集成器。在多个数据集上的比较实验结果表明,该方法可行,其集成性能较理想。