现存的使用噪声特征的多篡改类型图像伪造检测算法,往往不能有效地检测篡改区域和非篡改区域之间的特征差异,特别是对复制-粘贴篡改类型。为此,提出一种融合残差反馈和自注意力机制的双流编-解码器图像篡改取证网络,通过两个流分别检测RGB像素的非自然边缘等篡改伪影和局部噪声不一致性。首先,在编码器阶段使用多个融合残差反馈的双重残差单元提取相关篡改特征,以获得粗特征图;其次,通过改进后的自注意力机制对粗特征图进行进一步特征增强;随后,将互相对应的编码器浅层特征和解码器深层特征进行融合;最后,串联融合两个流最终提取到的篡改特征,再通过一个特殊卷积操作实现对篡改区域的像素级定位。实验结果表明,所提网络在COVERAGE数据集上的F1值和曲线下面积(AUC)优于对比网络。在NIST16、Columbia数据集上,所提网络的F1值相较于TED-Net(Two-stream Encoder-Decoder Network)分别提高了9.8和7.7个百分点,AUC分别提高了1.1和6.5个百分点。所提网络在复制-粘贴篡改类型检测上取得了良好的效果,并且也适用于其他篡改类型检测。同时,该网络能在像素级上对篡改区域准确定位,检测性能优于对比网络。
使用传统的基于图的方法进行离群点检测构造转移概率矩阵需要使用数据的整体分布,容易忽略数据的局部信息,导致检测精度低,而使用数据的局部信息可能导致“悬空链接”的问题。针对这些问题,提出一个基于全息图平稳分布因子的离群点检测算法(HSDFOD)。首先,使用相似度矩阵自适应地获取每个数据点的邻居集合构造一个局部信息图;然后,引入最小生成树构造一个全局信息图;最后,利用局部信息图和全局信息图融合为一个全息图构造转移概率矩阵进行马尔可夫随机游走,并通过生成的平稳分布检测离群点。在人工数据集A1~A4上,HSDFOD的精确率均高于SOD(Outlier Detection in axis-parallel Subspaces of high dimensional data)、SUOD(accelerating large-Scale Unsupervised heterogeneous Outlier Detection)、IForest (Isolation Forest)和HBOS (Histogram-Based Outlier Score);曲线下面积(AUC)整体上也优于这4个对比算法。在真实数据集上,HSDFOD的精确率均高于80%,AUC均高于SOD、SUOD、IForest和HBOS。可见,所提算法在离群点检测上有较好的应用前景。
针对当前照明环境存在能耗浪费严重的问题,提出一种基于改进麻雀搜索算法(P-SSA)的照明控制优化方法。首先为增加初始种群的多样性、避免早熟收敛和增强寻优能力,对SSA引入Logistic混沌初始化、柯西变异及历史最优位置的记忆功能;然后综合考虑光环境中人员存在状态、天然光分布及多灯具之间的耦合作用建立适应度函数,并使用DIALux evo专业照明仿真软件获取人工光照度传递矩阵和天然光照度分布;最后对改进的SSA进行性能验证,并使用多个优化算法进行调光系数组合寻优的实验。实验结果表明,相较于粒子群优化算法(PSO)、算术优化算法(AOA)等,基于P-SSA的照明控制优化方法可以快速并精确地找到最优调光系数的组合,并实现满足舒适性为前提下的最大化节能性要求。
图像修复是一种常见的图像篡改手段,而基于深度学习的图像修复方法能生成更复杂的结构乃至新的对象,使得图像修复取证工作更具有挑战性。因此,提出一种端到端的面向图像修复取证的U型特征金字塔网络(FPN)。首先,通过自上而下的VGG16模块进行多尺度特征提取,并利用自下而上的特征金字塔架构对融合后的特征图进行上采样,整体流程形成U型结构;然后,结合全局和局部注意力机制凸显修复痕迹;最后,使用融合损失函数以提高修复区域的预测率。实验结果表明,所提方法在多种深度修复数据集上的平均F1分数和IoU值分别为0.791 9和0.747 2,与现有的基于扩散的数字图像修复定位(LDI)、基于图像块的深度修复取证方法(Patch-CNN)和基于高通全卷积神经网络(HP-FCN)方法相比,所提方法具有更好的泛化能力,且对JPEG压缩也具有较强的鲁棒性。
说话人确认任务旨在判断注册语音与测试语音是否属于同一说话人。针对说话人识别系统提取的声纹特征通常会受到与身份信息无关的因素干扰进而导致系统的准确性严重下降的问题,提出一种基于不确定性学习(UL)的文本无关的说话人确认(TISV)方法。首先,在说话人主干网络中引入不确定性同时学习声纹特征(均值)和话语数据的不确定性(方差),以建模语音数据集中的不确定性;其次,通过重采样技巧得到特征的分布表示;最后,在说话人分类损失中引入KL散度正则化约束噪声的分布,从而解决计算分类损失过程中的退化问题。实验结果表明,当训练集为VoxCeleb1和VoxCeleb2开发集时,与基于确定性方法的Thin ResNet34模型相比,所提方法的模型在VoxCeleb1-O测试集上的等错误率(EER)分别降低了9.9%和10.4%,最小检测代价函数(minDCF)分别降低了10.9%和4.5%。可见,所提方法在有噪声、无约束场景下的准确度有所提高。
针对跌倒检测算法中存在网络计算量大和类跌倒行为难以区分的问题,提出一种基于关节点特征的跌倒检测算法。首先,在目前先进的CenterNet算法基础上提出了深度可分离卷积CenterNet (DSC-CenterNet)关节点检测算法,从而在减少骨干网络计算量的同时准确检测人体关节点并获取关节点坐标;然后,基于关节点位置和人体先验知识来提取可充分表达跌倒行为的空间特征和时间特征作为关节点特征;最后,把关节点特征向量输入全连接层,并经Sigmoid分类器输出跌倒或非跌倒两种类别,从而实现人体目标的跌倒检测。实验结果表明,所提算法在UR Fall Detection数据集上对不同状态变化下跌倒检测的平均准确率达到98.00%,区分类跌倒行为的准确率达到98.22%,跌倒检测速度为18.6 frame/s。与原CenterNet结合关节点特征跌倒检测的算法相比,DSC-CenterNet结合关节点特征算法的跌倒检测速度提升了22.37%,提高后的速度可有效满足视频监控下人体跌倒检测任务的实时性。该算法能有效提高跌倒检测速度并对人体跌倒状态进行准确检测,且进一步验证了基于关节点特征的跌倒检测算法在视频跌倒行为分析中的可行性与高效性。
为了准确地检测出复杂网络的社团结构,提出一种基于信号自适应传递的社团发现方法。首先使信号在复杂网络上自适应地传递,从而获取网络中各节点对整个网络的影响向量,然后把网络中节点的拓扑结构转化成代数向量空间上的几何关系,最后结合聚类特性发现网络中的社团结构。为获取更加合理的空间向量,提出最佳传递次数,缩小搜索空间,增强算法寻优能力。该算法在计算机生成网络、Zachary网络和美国大学生足球赛网络上进行实验测试, 并与GN算法、谱聚类算法、极值优化算法和信号传递算法进行实验对比,社团划分的准确性和精确性均有所提高,证明该算法具有有效性和可行性。
通过将网络节点推荐行为分析和网络恶意节点密度的自适应机制纳入信誉度评价过程,提出了基于蚁群算法的加强型可抵御攻击信任管理模型——EAraTRM,以解决传统信任模型因较少考虑节点的推荐欺骗行为而导致容易在恶意节点的合谋攻击影响下失准的问题。在对比研究中发现,EAraTRM可以在网络中恶意节点密度达到90%,其他传统信任模型已经失效的情况下,仍保持较高的正确性。实验结果表明,EAraTRM能提高节点评价其他节点信誉度时的精度,并降低整个网络中恶意节点间进行合谋攻击的成功率。
针对图像识别中图像尺寸比例不一致、旋转角度不相同,以及识别率低、鲁棒性差的问题,提出一种图像的形态学识别算法。首先对图像进行中心化及归一化处理,同时将图形的轮廓图像转换为二值图像;其次采用大小变化的圆形进行图像过滤,获取图形不同尺寸的形态学特征,建立扇形区域特征向量;最后采用多尺度的分析方法进行图像识别以及图像角度分析。在角度无关性、比例无关性、轮廓干扰鲁棒性下与传统方法进行对比实验,实验结果表明该方法有较高的识别率,并可以分析出图像间的角度差值,在图像轮廓有噪声的情况下有较好的鲁棒性,同时大大降低了图像尺寸比例不同、旋转角度不同对图像识别的影响。
为了解决无线资源竞争中功率博弈的博弈者获得的环境信息具有非对称性问题,提出了一种基于隐马尔可夫预测的功率博弈机制。该机制通过建立隐马尔可夫预测模型(HMPM)判断博弈的对手是否参与博弈,从而提高博弈的信息准确度;然后利用预测获得的信息通过代价函数计算最佳发射功率。仿真结果表明,与最大后验概率法(MAP)和不预测法(NP)相比,基于隐马尔可夫预测的功率博弈模型能够在满足目标容量的同时,较好地提高非授权用户的功率效率。