一种轻量级RFID安全协议

在分析了几种现有的典型RFID安全协议的特点和缺陷的基础上,提出了一种轻量级的RFID安全协议,该协议将一次性密码本与询问一应答机制相结合,实现了安全高效的读取访问控制,最后建立该协议的理想化模型,利用BAN逻辑对该协议进行了形式化分析,在理论上证明其安全性.     

OPhone^（TM）上的轻量级小工具Widget开发介绍

一、什么是Widget广义上的Widget是指为用户展示不同个性化信息或提供个性化功能的小工具,这是个Web2.0的产物,从在雏形阶段叫做Konfabulator的苹果Widget,到将Widget发扬光大的YahooWidget,再到个性化的定制网页应用iGoogle,Widget已经穿透了不同的操作平台,成为了非常受欢迎的 Web应用。     

基于分组卷积的轻量级图像超分辨率重建

目前,多数基于卷积神经网络的图像超分辨率算法主要面临着网络结构复杂、参量过大以及推理速率缓慢的问题。因此,提出了利用分组卷积实现轻量化的图像超分辨率重建算法。设计了分组卷积块提取图像的基础特征,使网络参量和推理时间有效地减少,同时引入了一种改进轻量型通道注意力机制,在保证通道依赖性的同时,准确定位到目标的位置,提升重建的性能。利用亚像素卷积的过渡采样可以对特征起到集成作用,可以有效地提高重建精度减少噪声和伪影。实验结果表明,该网络在重建性能具有竞争力的前提下,参数量相比于轻量级多尺度超分辨率与超尺度网络低30%以上,并且重建速度也得到提升。     

基于轻量级密集残差网络的水下图像增强

深度卷积神经网络是水下图像增强的主要方法之一,但其过高的内存消耗和计算需求阻碍了在实际应用中的部署。为此,提出一种轻量级的密集残差卷积神经网络(dense residual convolutional neural networks, DRCNN)用于水下图像增强。为降低计算成本,DRCNN采用深度可分离卷积提取高级特征;通过密集连接和残差学习促进不同通道之间的信息交互,提高模型表征能力;将输入的退化图像与中间特征图融合,保留图像全局相似性,同时防止模型梯度消失。实验结果证明DRCNN能有效提高水下图像质量,较于现有算法,DRCNN参数量减少了85%,PSNR、SSIM值分别提高了3%、2%,测试速度提高了3%。DRCNN使用更少的参数实现了更好的性能,利于在低资源设备的实时场景中应用。     

基于无监督学习的低照度图像增强算法

针对目前低照度图像增强算法存在恢复细节丢失、网络复杂度高和配对数据集获取难度大等问题,提出了一种基于无监督学习的图像增强算法。在YIQ色彩空间中,通过构建的轻量化网络和幂指函数计算亮度通道Y的增强曲线,从而获得曝光较差区域增强和高光区域遏制的图像。该网络使用的无参考损失函数可以隐式地评估图像增强质量并驱动网络学习。实验对比结果表明,该算法在可训练参数和模型权重仅占9.5 k/88 kB的情形下,在视觉效果与图像质量指标上都取得了具有竞争力的结果。     

改进YOLOv5的无人机影像车辆检测方法

针对传统遥感影像车辆目标检测算法易受干扰、鲁棒性较差且在实际应用当中会产生一定的漏检与误检现象等问题,提出了一种基于改进YOLOv5s的轻量级无人机遥感影像车辆目标检测算法。以YOLOv5s为基线模型,根据车辆目标长宽比相对固定的特点,对锚框尺寸进行修正,提高了锚框与车辆目标的契合度;针对无人机影像中车辆密集情况,进行了加权框融合改进,对检测框合并,解决了预测框计数不准确的问题;由于车辆目标具有多变性,通过增加注意力机制网络,提升了模型识别车辆的速度和准确性。研究表明,改进的YOLOv5s模型可以实现实时准确的无人机影像车辆检测。     

轻量级区块链技术综述

传统的区块链技术为了保证交易账本的全网共识和不可篡改性,要求矿工节点具有强大的计算能力和足够的存储空间,这就限制了资源受限的设备加入区块链.近几年,区块链技术已经拓展到金融经济、医疗健康、物联网、供应链等多个领域,但是这些应用场景存在大量算力弱、存储容量低的设备,这给区块链的应用带来了巨大挑战.为此轻量级的区块链技术应运而生.从轻量级计算和轻量级存储两方面出发,总结当前轻量级区块链的研究现状,对比分析各个方案的优缺点.最后展望未来轻量级区块链的发展.     

融合小波包变换的一维ＭｏｂｉｌｅＮｅｔ癫痫脑电信号识别

针对目前传统神经网络内存需求大,运算量大,在移动端或嵌入式设备上运行困难等问题,提出了一种融合了小波包变换的轻量级卷积神经网络模型,用于癫痫脑电信号识别的研究。根据癫痫脑电信号的特性,首先采用小波包变换将脑电信号分成三个频段,然后运用改进的一维MobileNet训练、分类。同时引入超参数宽度因子α,通过改变宽度因子的大小以调整模型的深度。实验结果表明,当一维MobileNet模型的宽度因子α选取为0.75时,最终准确率达到100%,其模型的计算量和参数量分别为56.1M和1.24M。与现有的癫痫EEG信号识别方法比较,此模型在准确率、参数量、计算量方面均有不错的表现。     

基于PP-PicoDet技术的智能垃圾分类

目前在垃圾分类目标检测上大多采用YOLOv5系列算法,该算法在相同参数量的情况下,检测精度和检测速度都相对不太高,难以满足实际应用需求。论文对基于PP-PicoDet技术的垃圾分类目标检测应用进行了研究,并将其与几种常见的垃圾分类目标检测算法进行实验对比分析;结果表明,PP-PicoDet算法能够在使用更少的参数量的情况下,实现较高的检测精度和速度,能够满足移动端部署需求。     

融合语音、脑电和人脸表情的多模态情绪识别

本文提出了一种多模态情绪识别方法, 该方法融合语音、脑电及人脸的情绪识别结果来从多个角度综合判断人的情绪, 有效地解决了过去研究中准确率低、模型鲁棒性差的问题. 对于语音信号, 本文设计了一个轻量级全卷积神经网络, 该网络能够很好地学习语音情绪特征且在轻量级方面拥有绝对的优势. 对于脑电信号, 本文提出了一个树状LSTM模型, 可以全面学习每个阶段的情绪特征. 对于人脸信号, 本文使用GhostNet进行特征学习, 并改进了GhostNet的结构使其性能大幅提升. 此外, 我们设计了一个最优权重分布算法来搜寻各模态识别结果的可信度来进行决策级融合, 从而得到更全面、更准确的结果. 上述方法在EMO-DB与CK+数据集上分别达到了94.36%与98.27%的准确率, 且提出的融合方法在MAHNOB-HCI数据库的唤醒效价两个维度上分别得到了90.25%与89.33%的准确率. 我们的实验结果表明, 与使用单一模态以及传统的融合方式进行情绪识别相比, 本文提出的多模态情绪识别方法有效地提高了识别准确率.