基于多通道卷积神经网络的语音隐写分析方法

本研究对三种常用的语音隐写方法进行了隐写分析。在目前的网络环境中,VoIP中的隐写技术对通信监控是一个巨大的威胁。近年来,神经网络模型在许多课题中都取得了显著的性能。利用一种改进的神经网络对多种隐写方法实现隐写信号的检测。构建短时傅立叶变换的沿时间轴、频率轴的差分以构建三通道作为输入数据,然后利用一种改进的CNN网络结构进行深层次特征的捕获,这种网络结构引入了Inception结构在同一卷积层上提取各种不同尺度的特征,使用全局平均池化来代替全连接层,在降低参数的同时提升了网络的泛化能力。实验结果表明,该模型相较对比方法对于三种隐写方法均达到了较好的检测效果。     

DDAC：面向卷积神经网络图像隐写分析模型的特征提取方法

针对基于卷积神经网络的图像隐写分析方法中使用人工设计的滤波器在特征提取过程中有效性低的问题,提出方向差分自适应组合（DDAC）特征提取方法。在计算中心像素与周围不同方向像素的差分后,使用1×1卷积对方向差分进行线性组合。根据损失对组合参数自适应更新来构建多样化的滤波器,使获取的嵌入信息残差特征更有效。使用截断线性单元提高嵌入信息残差和图像信息残差的比率,加快模型收敛速度并提高残差特征提取能力。实验结果表明,该方法使Ye-net、Yedroudj-net模型的准确率在WOW和S-UNIWARD数据集中提高1.30%～8.21%。与固定和更新参数SRM滤波器方法相比,测试模型在不同隐写数据集中的准确率提高0.60%～20.72%,并且训练过程更稳定。对比其他图像隐写分析模型,DDAC-net具有更高的隐写分析效率。     

针对ＬＳＢ隐写的语音隐写分析方法

本研究对常用的最低有效位(LSB)隐写技术进行了隐写分析。在目前的网络环境中,检测低嵌入率语音隐写信号仍然是一个非常有挑战性的课题。近年来,神经网络模型在许多课题中都取得了显著的性能。神经网络的主流架构包括卷积神经网络(Convolution neural Networks, CNNs)和循环神经网络(Recurrent neural Networks, RNNs),这两种网络采用了不同的方式来理解各种信号。本文提出了一种合适的方法来结合这两种架构的优点,然后构造了一个新的模型,即CNN-LSTM网络来检测基于LSB的隐写方法。在本文提出的模型中,使用双向长短时记忆循环神经网络(BiLSTM)来捕获信号的长时间上下文信息,然后使用CNN捕获局部特征和全局特征。实验结果表明,该模型相较对比方法对于基于LSB的隐写分析达到了更好的效果。     

基于卷积神经网络的电力通信网络故障诊断

针对电力通信网络故障诊断在噪声条件下性能不佳的问题,提出了一种基于卷积神经网络的故障诊断方法。该方法以卷积神经网络为基本架构,基于Inception模块设计了多尺度特征提取架构,实现故障信息的最大化提取;引入注意力机制,提升特征提取的针对性;构建了含有跳跃连接的卷积结构,有效利用了前后层数据的相关性。实验结果表明,该方法能够有效实现电力通信网络故障诊断,具有较好的抗噪声,且诊断结果稳定性较高。     

基于多层感知卷积和通道加权的图像隐写检测

针对目前图像隐写检测模型中线性卷积层对高阶特征表达能力有限,以及各通道特征图没有区分的问题,该文构建了一个基于多层感知卷积和通道加权的卷积神经网络(CNN)隐写检测模型。该模型使用多层感知卷积(Mlpconv)代替传统的线性卷积,增强隐写检测模型对高阶特征的表达能力;同时引入通道加权模块,实现根据全局信息对每个卷积通道赋予不同的权重,增强有用特征并抑制无用特征,增强模型提取检测特征的质量。实验结果表明,该检测模型针对不同典型隐写算法及不同嵌入率,相比Xu-Net, Yedroudj-Net, Zhang-Net均有更高的检测准确率,与最优的Zhu-Net相比,准确率提高1.95%～6.15%。     

基于小波系数相关性的空域隐写分析方法

基于小波系数相关性,提出了一类具有较高正确检测率的空域隐写通用型检测方法。首先利用互信息分析秘密信息嵌入对图像小波系数在尺度方向和空间方向相关性的影响,并使用马尔可夫模型挖掘小波系数层内和层间相关性,提取转移概率矩阵作为特征;然后对提取的特征进行加权融合并结合Fisher线性判别(FLD)分类器进行分类。针对LSB(least significant bit)、LSBmatching和SM(stochastic modulation)隐写算法的实验表明,在不增加计算复杂度的情况下,本文方法相比现有的典型空域隐写通用型检测方法,正确检测率有明显提高。     

卷积神经网络在数字图像隐写与识别中的应用

基于卷积神经网络设计出一识别数字图像是否进行过隐写的算法.通过CNN中ResNet残差神经网络模型,主要针对于图像隐写算法中的LSB空域隐写算法进行图像隐写分类,ResNet神经网络在残差块之间的输出输入之间引入一个跳跃连接,缓解在网络加深过程的梯度消失问题,使得能通过结构的优化和深度的不断加深来提高其网络分类能力...     

基于并行卷积核交叉模块的卷积神经网络设计

针对卷积神经网络结构单一,模块中卷积核使用单一,网络特征提取不充分导致图片分类准确度不够,以及模型大的问题,提出卷积核交叉模块的网络设计。此模块先将输出特征图分成两组,每一组采用不同数量、不同大小的卷积核进行特征提取,然后将分组得到的特征图进行级联操作后再通过1×1的卷积核进行整合。该文设计的卷积神经网络与传统的网络相比,在食物101_food数据集上将识别精度由56.7%提升至72.63%;在交通GTSRB数据集上将识别精度由96.3%提升至98.41%。实验结果表明,该文设计的网络结构性能优越,且网络模型较小。     

信息隐写与隐写分析研究框架探讨

文章分析了广义信息隐藏研究中存在的问题，提出引入全信息理论和模糊信息处理的思想进行研究-对信息空间从三个层面上进行了分类，将隐写和隐写分析问题放在信息空间中进行研究，建立了隐写分析研究框架.     

一种基于权重融合的JPEG隐写分析方法

针对JPEG图像通用隐写检测中检测效率低、训练时间长的问题,提出一种基于集成分类器的新检测方法。算法以CC-PEV为特征对图像进行描述并作为隐写分析特征;然后,随机构造若干个特征子空间,用bootstrap方法构造图像训练子集,分别进行训练得到数个基分类器;根据基分类器的分类结果赋予基分类器不同的权重,将基分类器的结果按照其权重进行融合得到最终的结果。本文对该算法进行了测试,对它的集成性、检测准确率和训练时间进行分析。实验结果表明,相对于传统的集成方法,本文方法用自举方法构造训练集、随机方法构造子特征空间、赋予基分类器不同权重进行融合能够显著地提高算法准确率。本文方法相对于SVM和传统的集成分类方法,具有更高的检测率,对于特征维数更大的图像检测,具有更好的拓展性和一般适用性。     

基于卷积神经网络和注意力机制的图像检索

当前先进的图像检索方法中,存在着不能很好地分辨图像中不同区域和内容的重要性的问题,导致计算资源分配不合理、检索正确率较低等一系列结果.为了解决这些问题,提出了一种基于卷积神经网络(Convolutional Neural Network,CNN)和注意力机制的图像检索方法.首先使用卷积神经网络提取特征,然后使用注意力机...     

结合胶囊网络和卷积神经网络的目标识别模型

通过改进动态路由和压缩函数的方式对Hinton等的胶囊网络模型进行改进。运用了加强数据集的方法,增加了数据集的大小,在一定程度上避免了过拟合现象的发生。通过实验表明,改进后的胶囊网络模型在结构上有了简化,在效率上比未改进的模型有了明显的提高。在改进的胶囊网络模型基础上,提出了将改进后的胶囊网络与卷积神经网络相结合的网络模型。该模型训练准确率达到97.56%,模型评估准确率达88%。     

基于自注意力卷积神经网络的实体关系抽取

在自然语言处理解领域中,实体关系抽取作为信息抽取中的一个重要分支,旨在从自然文本中提取出两个实体之间的语义关系。大多数研究工作都是基于NLP系统的特征,特征提取工程和预处理过程十分冗杂,并且由LTP工具提取出来的特征会在模型中迭代而产生错误传播。为了避免对NLP系统的滥用,提出一种基于端到端的自注意力卷积神经网络模型来提取实体对之间的语义关系。实验结果表明,该方法在SemEval-2010 Task 8数据集上的F₁值提高了约1.3%。     

一种基于卷积神经网络的雷达目标分类方法

雷达作为对低空和地面目标探测及监视预警的主要手段,在安全领域应用广泛。针对现阶段实际应用中雷达目标分类技术中过于依赖人工提取特征的问题,提出了一种基于卷积神经网络的分类方法,对雷达回波数据进行二维傅里叶变换得到距离-多普勒图像,再以距离-多普勒图集作为数据集,训练神经网络,得到能够完成雷达目标识别的网络模型。结果表明,相较于传统方法,基于卷积神经网络的目标识别模型在省去人工工作的同时提高了目标识别精度。     

基于卷积神经网络的人脸表情技术研究

在日常的沟通与交流过程中,运用面部表情可以促使沟通交流变得更加顺畅,因此对于人类而言,进行面部表情的解读也是获取相关沟通交流内容的重要程序。随着科学技术的不断发展,人工智能在日常人类交流沟通中运用的越发广泛,因此面部表情人工智能识别这一项技术的发展与创新也更加受到关注。文章将对卷积神经网络的人脸表情识别技术进行深入的研究与探析。     

基于深度卷积神经网络的红细胞识别算法研究

针对深度研究的项目特点,文章对卷积神经网络结构的研究现状进行分析,总结卷积神经网络结构及优化算法。旨在通过对这些内容的分析,针对红细胞图像提取特征,设计群优化算法的卷积神经网络结构,以提高图像检测的科学性、准确性,展现深度卷积神经网络的识别算法技术的使用价值。     

基于卷积神经网络的虚拟视点空洞填补

为了提高虚拟视点绘制中空洞填补的质量,本文提 出一种基于卷积神经网络的虚拟视点空洞填补算 法,包括图像预处理、特征提取和空洞填补三部分。首先,对双视点虚拟视点图像进行预处 理,即利用深 度图像绘制(Depth Image Based Rendering,DIBR)技术得到空洞填补前的图像和空洞掩膜 ;然后,通过卷积 神经网络对虚拟视点图像提取多维特征,针对空洞区域,使用结构相似性损失函数优化网络 ;最后,利用 提取的特征填补虚拟视点中的空洞。实验结果表明,本文算法能较好地保持虚拟视点图像前 景和背景的锐 利边缘,主观视觉感知效果佳,同时,对不同场景测试序列的客观评价指标PS NR和SSIM都能取得满意结果,该方法能有效地填补虚拟视点中的空洞。     

基于深度卷积神经网络的多特征融合的手势识别

针对传统的分类方法由于提取的特征比较单一或者分类器结构过于简单,导致手语识别率较低的问题,本文将深度卷积神经网络架构作为分类器与多特征融合算法进行结合,通过使用纹理特征结合形状特征做到有效识别。首先纹理特征通过LBP、卷积神经网络和灰度共生矩阵方法得到,其中形状特征向量由Hu氏不变量和傅里叶级数组成。为了避免过拟合现象,使用"dropout"方法训练深度卷积神经网络。这种基于深度卷积神经网络的多特征融合的手语识别方法,在"hand"数据库中,对32种势的识别率为97.73%。相比一般的手语识别方法,此方法鲁棒性更强,并且识别率更高。     

基于卷积神经网络的材质分类识别研究

目前,空间目标中约6%为正在工作的航天器,而约94%的空间目标为太空垃圾,严重干扰和限制了航天器发射、运行等正常的太空活动轨道,在有效清除空间碎片之前,必须对其进行有效识别。本文基于散射光谱,使用卷积神经网络对空间碎片四种材质进行分类识别,并与BP神经网络的识别结果分析比较。鉴于试验所得的材质的原始光谱信噪比低、特征信息弱等特点,需要对光谱信号进行预处理包括去噪、BRDF计算和归一化处理。然后各取四种材质的200帧样本数据进行训练,另各取50帧数据预测,结果表明：卷积神经网络的总体精度比BP神经网络低2%,耗时少101 s;而增加训练样本数据量达到每个材质各500帧时,卷积神经网络的总体精度仅比BP神经网络低0.05%,耗时则少了891 s,卷积神经网络极大的体现了其时间的优越性。该方法对大数据量的空间碎片材质的分类,具有较大的实用性和借鉴意义。     

基于特征融合卷积神经网络的FMCW雷达人体动作识别

针对微多普勒特征识别人体动作的局限性,基于调频连续波( Frequency Modulated Continuous Wave,FMCW)雷达采用深度学习方法对人体动作识别,提出了一种特征融合卷积神经网络结构.利用FMCW雷达采样的人体动作回波数据分别构建出时间-距离特征和微多普勒特征图,将这两种特征图作为输入数据分别...