基于背景辅助的高效人群计数多任务学习网络

在人群计数领域中,复杂背景干扰一直是一个具有挑战性的问题.现有研究通过引入注意力机制等方式弱化背景噪声对计数的影响.但是,随着研究的深入,人群计数网络规模不断扩大,影响了计算效率和实时应用.为了解决复杂背景问题并提高计数效率,该文提出了一个基于背景辅助的高效人群计数多任务学习网络(BAMTLNet).与现有网络不同,为了减少网络的参数量,只采用了VGG-16的前7层作为前端网络.在后端网络中,为了解决复杂背景问题,我们使用了两个高度相关的人群任务：(1)生成估计密度图主任务,采用3个普通卷积层生成密度图,通过积分获得单张图片的人数.(2)复杂背景分割辅助任务,采用3个特定的膨胀卷积层生成图片的背景分割图.两个任务直接连接在前端网络后,没有相互交叉.我们还设计了背景辅助多任务损失函数,通过硬参数共享的方式优化前端网络参数,向主任务传递复杂背景的高级语义信息并优化网络.该端到端人群计数多任务学习网络仅有10层卷积层,参数量小,实现了网络轻量化.在3个人群计数基准数据集上进行了实验,获得了令人满意的结果.     

Faster-RCNN的车型识别分析

车型识别是目标检测领域在智能交通的重要应用,也是近年来国内外学者的研究热点之一。针对已有车辆检测方法缺乏识别车型能力的问题,提出了基于Faster-RCNN目标检测模型与ZF、VGG-16以及ResNet-101 3种卷积神经网络分别结合的策略,实验对比了该策略中的3种结合模型方案在BIT-Vehicle和CompCars2种大型车型数据库的车型识别能力。在BIT-Vehicle数据集上,基于Faster-RCNN与ResNet-101结合模型方案的车型识别率高与其余2种结合模型方案,其车型识别率高达91.3%;在迁移测试CompCars数据集上,3种结合模型方案均展现了很好的泛化能力。     

一种脆弱图像水印的安全性分析与改进

分析了一种用于图像篡改检测和恢复的脆弱数字水印算法的安全性.该算法将图像划分为互不重叠的分块,通过均值比较及校验,产生各分块的认证水印,并嵌入到各自分块中.同时,在各分块中嵌入另一个分块的恢复信息,使得算法既能抵抗矢量量化攻击,又可以在某些分块被篡改时,予以一定程度的恢复.指出由于该算法生成和嵌入水印的方式过于简单,且其嵌入水印的密钥空间过小,能够通过穷举搜索轻易地发现所使用的密钥.因而能够伪造水印,导致错误认证.通过对于嵌入的水印进行混沌调制和置乱,并扩展密钥空间,有效地改进了算法的安全性.     

社交网络基于邻居结点亲密度的信息流控制

Web2.0技术的快速发展推动在线社交网络成为人们传播信息最流行的平台。用户在发布海量数据带来巨大的商业价值的同时,隐私信息泄露问题也随之而来。针对在线社交网络中隐私信息流不可控制的问题,提出了基于邻居结点亲密度的信息流控制模型。该模型通过计算用户授予好友可访问资源的敏感度来衡量邻居结点的亲密关系,并利用用户与好友之间的共同邻居数量对模型进行改进。此外,借鉴多级安全等级(MLS)的思想,将传递信息进行亲密度安全等级划分。社交网络管理者通过对传递信息设置合理的亲密度范围,以实现隐私信息流可控制范围内的传递。最后,通过仿真实验进行参数调整,验证了该模型的有效性和实用性。     

基于Xception的细粒度图像分类

细粒度图像分类是对传统图像分类的子类进行更加细致的划分,实现对物体更为精细的识别,它是计算机视觉领域的一个极具挑战的研究方向。通过对现有的细粒度图像分类算法和Xception模型的分析,提出将Xception模型应用于细粒度图像分类任务。用ImageNet分类的预训练模型参数作为卷积层的初始化,然后对图像进行缩放、数据类型转换、数值归一化处理,以及对分类器参数随机初始化,最后对网络进行微调。在公开的细粒度图像库CUB200-2011、Flower102和Stanford Dogs上进行实验验证,得到的平均分类正确率为71.0%、89.9%和91.4%。实验结果表明Xception模型在细粒度图像分类上有很好的泛化能力。由于不需要物体标注框和部位标注点等额外人工标注信息,Xception模型用在细粒度图像分类上具有较好的通用性和鲁棒性。     

结合DWT变换的二元纯位相滤波器水印

提出了结合离散小波变换(discrete wavelet transfonn,DWT)的二元纯位相滤波器(binaryphase-only filter,BPOF)数字图像水印算法.首先对图像进行DWT变换,然后在DWT变换后的低频子带进行离散Fourier变换(discrete Fourier transforrn,DFT)变换,将DFT变换的相位信息二值化得到BPOF,并将其作为水印嵌入到相应的幅值中.与对图像整体进行DFT变换,并在其全频域或低频域嵌入BPOF水印相比,在保持嵌入水印的不可感知性和检测性能的同时,显著提高了抗JPEG压缩性能.该方法可用于图像真实性、完整性认证,仿真实验证明了算法的有效性.     

基于离散傅里叶变换的信息隐写术

首先将图像DFT变换的幅值取整后以位平面方式表达,然后将秘密信息经过纠错编码以后嵌入到幅值位平面中.分别针对在DFT变换全频域和低频域隐藏信息,研究了隐藏信息的不可感知性和恢复率,以及抗JPEG压缩性能.实验证明.研究结果能够用于信息隐写,且在一定程度上具有抗JPEG压缩能力.     

BN对VGG神经网络的影响研究

文章针对在训练目前卷积神经网络中较为主流的深度神经网络VGG网络模型时调参艰难、收敛较慢的问题,引入批归一化(batch normalization,BN)进行改进。批归一化能提高网络训练的初始学习率上限,同时加快模型收敛速度。相关实验结果表明,在端对端训练或者微调神经网络过程中应用批归一化,能较好地达到优化目的,同时指出在VGG网络中所有激活层前进行批归一化能得到最好的效果。另外VGG网络的优化方法会影响到批归一化,使用改进的基于动量的随机梯度下降能使网络训练时的波动更小。