检索结果

Select

1. 面向加密流量分类的深度可解释方法

崔剑, 麻开朗, 孙钰, 王豆, 周君良

《计算机应用》唯一官方网站 2023, 43 (4): 1151-1159. DOI: 10.11772/j.issn.1001-9081.2022030382

摘要（366）

HTML （10）

PDF （3314KB）（162）

目前的深度学习模型在加密流量分类任务上相较于传统机器学习方法的性能优势显著，然而由于它固有的黑盒特性，用户无法获知深度学习模型作出分类决策的机理。为了在保证分类准确率的同时提高深度学习模型的可信度，提出一种面向加密流量分类深度学习模型的可解释方法，包括基于原型的流量层级主动解释和基于特征相似显著图的数据包层级被动解释。首先，利用基于原型的流量原型网络（FlowProtoNet），在训练时自动提取各类流量的典型片段，即流量原型；其次，在测试时计算出待测流量与各类原型的相似度，从而在分类的同时实现训练集的溯源解释；然后，为进一步提升可视化解释能力，提出梯度加权的特征相似度显著图（Grad-SSM）方法。Grad-SSM首先通过梯度对特征图加权，过滤分类决策无关区域；接着，计算待测流量与FlowProtoNet提取的原型之间的推土机距离（EMD）得到相似矩阵，从而通过比较测试流量与该类原型，实现注意力热图的进一步聚焦。在ISCX VPN-nonVPN数据集上，所提方法的准确率达到96.86%，与不可解释的人工智能方法持平，而FlowProtoNet能通过给出与原型的相似度，进一步提供分类依据；同时，所提方法的可视化解释能力更强，注意力更聚焦于流量中的关键数据包。

图表 | 参考文献 | 相关文章 | 多维度评价

Select

2. 多层次结构生成对抗网络的文本生成图像方法

孙钰, 李林燕, 叶子寒, 胡伏原, 奚雪峰

计算机应用 2019, 39 (11): 3204-3209. DOI: 10.11772/j.issn.1001-9081.2019051077

摘要（459）

PDF （1012KB）（530）

近年来，生成对抗网络（GAN）在从文本描述到图像的生成中已经取得了显著成功，但仍然存在图像边缘模糊、局部纹理不清晰以及生成样本方差小等问题。针对上述不足，在叠加生成对抗网络模型（StackGAN++）基础上，提出了一种多层次结构生成对抗网络（MLGAN）模型，该网络模型由多个生成器和判别器以层次结构并列组成。首先，引入层次结构编码方法和词向量约束来改变网络中各层次生成器的条件向量，使图像的边缘细节和局部纹理更加清晰生动；然后，联合训练生成器和判别器，借助多个层次的生成图像分布共同逼近真实图像分布，使生成样本方差变大，增加生成样本的多样性；最后，从不同层次的生成器生成对应文本的不同尺度图像。实验结果表明，在CUB和Oxford-102数据集上MLGAN模型的Inception score分别达到了4.22和3.88，与StackGAN++相比，分别提高了4.45%和3.74%。MLGAN模型在解决生成图像的边缘模糊和局部纹理不清晰方面有了一定提升，其生成的图像更接近真实图像。

参考文献 | 相关文章 | 多维度评价

Select

3. 基于Zernike不变矩的零水印算法

王忠孙钰

计算机应用

摘要（1497）

PDF （634KB）（949）

为了实施图像的版权保护，提出了一种基于Zernike不变矩的零水印算法。利用Zernike矩幅度的旋转不变性提取图像特征点，将特征点通过设定的阈值量化为二值序列作为零水印保存到零水印信息库（IPR）。证明版权利用Zernike矩提取待检测图像特征点，以同样的阈值量化为二值水印序列与零水印作相关性检测。实验结果表明,该方法很好地解决了传统水印鲁棒性和不可感知性的矛盾问题，对常用的图像处理和几何攻击具有较好的鲁棒性。