面向密文图像信息隐藏的随机插值方法

传统图像插值方法应用于密文域图像信息隐藏时会降低信息隐藏系统的安全性.为此利用随机分配插值权重的策略设计了一种密文图像随机插值方法.该方法首先生成大小为密文图像两倍的初始插值图像,对于插值图像的奇数行和奇数列像素,直接用密文图像的相应像素填充;对于其他位置的像素,先用伪随机函数生成随机值,再结合像素的具体位置来计算插值结果.实验结果表明,所提方法生成的密文图像的插值图像,其直方图近似均匀分布.对比结果显示该随机插值方法在安全性方面优于3种文献插值方法.

基于图像插值和参考矩阵的可逆信息隐藏算法

本文提出一种基于插值技术和参考矩阵的可逆信息隐藏算法。该算法首先用一种改进的线性插值方法对载体图像进行插值,生成一幅插值图像;然后对插值图像进行不重叠分块,分块大小为2×2,在每个分块中以左上角的像素值作为平面坐标点的横坐标,其他像素值作为纵坐标构造3个坐标点并将其映射到参考矩阵中;最后根据秘密信息的十进制值和参考矩阵中相应坐标点的值来修改纵坐标以实现信息隐藏。在提取秘密信息时,通过信息隐藏时相同方法构造每个分块的3个坐标点并映射到参考矩阵中获取相应坐标点处的值完成秘密信息的提取。由于信息隐藏过程仅修改插值像素,原始像素保持不变,因此可无损还原载体图像。大量实验结果表明,该算法具有较大的信息隐藏容量和较好的视觉效果。

基于Swin Transformer和卷积注意力的乳腺癌病理图像诊断研究

为了降低由于医生阅片疲劳或经验不足而可能导致的漏诊或误诊问题,提高医生诊断乳腺癌病理图像的准确性和工作效率,文中采用北京大学国际医院提供的公开的最大乳腺癌病理组织图像数据集,包括正常、良性病变、原位癌和浸润癌四种类型,并提出了一种基于Swin Transformer和卷积注意力机制的乳腺癌病理图像诊断方法,给出了诊断算法的框架和处理流程,在评价指标方面取得了96.93%的精确率、97.82%的召回率和97.74%的准确率,与常用的卷积神经网络ResNet152、VGG16相比,精确率和准确率都是最高的,从而证明提出的方法是有效的。最后,基于Flask技术和Swin Transformer开发了可视化的乳腺癌病理图像诊断软件,只需提供一张患者的乳腺癌病理组织图像,10 s左右即可自动输出诊断结果,可以极大地提高医生的工作效率。

融合上下文信息和关键信息的文本摘要

的一个迫切需要解决的问题是如何准确地概括文本的核心内容。目前文本摘要的主要方法是使用编码器-解码器架构,在解码过程中利用软注意力获取所需的上下文语义信息。但是,由于编码器有时候会编码过多的信息,所以生成的摘要不一定会概括源文本的核心内容。为此,该文提出一种基于双注意指针网络的文本摘要模型。首先,该模型使用了双注意指针融合网络,其中自注意机制从编码器中收集关键信息,软注意和指针网络通过上下文信息生成更连贯的核心内容。两者融合能够生成具有总结性和连贯性的摘要。其次,采用改进后的覆盖率机制来处理重复问题,提高生成摘要的准确性。同时,结合计划采样和强化学习产生新的训练方法来优化模型。在CNN/Daily Mail数据集和LCSTS数据集上的实验表明,该模型达到了当前主流模型的效果。实验结果分析表明,该模型在总结性方面具有良好的表现,同时减少了重复的出现。

基于曲面插值的加密图像可逆信息隐藏算法

提出一种基于曲面插值的加密图像可逆信息隐藏算法.对原始图像进行加密,利用随机函数确定加密图像中的载体像素,根据载体像素取反位的不同采取不同的隐藏方法.对载密图像进行解密以确定载体像素,在载体像素5×5邻域中选取与载体像素距离最近的6个非载体像素,采用曲面插值的方法计算载体像素的预测值,应用该预测值提取秘密信息并恢复载体像素.实验结果表明,该算法提取秘密信息的错误率较低,恢复图像的视觉效果较好.

一种基于多预测值分类的可逆信息隐藏算法

本文提出一种基于多预测值分类的可逆信息隐藏算法。该算法通过多种预测算子对像素值进行预测,确定最大预测值和最小预测值的下标,根据最大预测值和最小预测值与当前像素值的关系进行分类。若最大预测值与最小预测值相等,则最优预测值为最小预测值;若当前像素值大于或等于最大预测值,则最优预测值为最大预测值;若当前像素值小于或等于最小预测值,则最优预测值为最小预测值。计算当前像素值与最优预测值的差值,然后选择相应差值隐藏秘密信息。该算法能够准确提取秘密信息,并无损恢复原始载体图像,且载密图像具有较好的视觉效果。

采用相邻像素预测的可逆信息隐藏算法

为了提高图像信息隐藏算法的信息嵌入容量和载密图像的保真度,提出一种采用相邻像素预测的可逆信息隐藏算法.构建局部线性预测模型,以待预测像素的3个相邻像素为目标像素,通过目标像素的相邻像素建立线性方程组,求解预测模型参数.应用预测模型进行预测,计算预测误差,绘制预测误差直方图,通过直方图平移实现可逆信息隐藏.实验结果表明:文中算法可通过较少的预测像素进行预测,比其他算法具有更高的预测精度和更大的信息嵌入容量.

利用CVGS-XGBoost遥感识别水体与山体阴影信息

针对喀斯特地区遥感图像中水体和山体阴影信息易混淆使得传统机器学习算法存在分类精度低、计算速度慢的缺点,改进XGBoost算法,通过交叉验证栅格搜索算法对XGBoost算法进行参数优化,构建CVGS-XGBoost分类算法,提取遥感图像中的水体和山体阴影信息。实验结果表明,CVGS-XGBoost算法的总体分类精度达到93.9%,比原始的XGBoost算法、决策树、随机森林和支持向量机算法构建的分类算法的总体分类精度分别提高1.5%、10.0%、6.3%和3.1%,且该算法与分类效果较好的支持向量机相比,运行时间开销少,可有效地识别喀斯特地区遥感图像中水体和山体阴影信息。

安全高效的加密数据朴素贝叶斯训练和分类

云外包为大规模数据上的机器学习任务提供有力支撑的同时也带来了数据隐私泄漏的风险.本文旨在通过加密保护外包数据隐私并在加密数据上高效实现安全朴素贝叶斯训练和分类.现有安全朴素贝叶斯方案大多考虑的是外包训练好的贝叶斯模型以及预测阶段的计算任务.虽有少量工作考虑了同时在外包数据上完成朴素贝叶斯模型训练和分类,但这些工作在安全性和效率方面存在不足.本文结合somewhat同态加密算法、SIMD(single-instruction multiple data)技术和混淆电路提出了一个新的加密数据安全朴素贝叶斯训练和分类方案.本文在不影响正确性的前提下对朴素贝叶斯算法进行转换,设计了相应的明文编码方式避免计算过程出现数据溢出,并提出了新的交互协议在外包加密数据上安全批量地实现了朴素贝叶斯模型训练和分类所需的运算.提出的方案在保护外包数据集、朴素贝叶斯模型、待分类样本和分类结果的隐私的同时有效降低了计算和通信开销.本文在半诚实模型下证明了提出方案的安全性,并且通过实验验证了提出方案的有效性.

基于注意力机制的稀疏化剪枝方法

为在资源受限设备中部署先进神经网络模型,提出一种基于通道和空间注意力机制的网络稀疏化剪枝训练方法,将剪枝训练过程转化为约束优化问题。将通道和空间注意力融入稀疏化剪枝训练过程,利用连续空间损失变化情况评估不同网络层重要程度,通过稀疏化训练与动态计算及更新掩码矩阵和权重矩阵完成剪枝操作。方法实验基于CIFAR10、CIFAR100数据集上进行,实验结果表明,该方法在较为复杂数据集CIFAR100上剪枝率为90%、95%、98%时,分类准确率可达到69.91%、67.15%、60.18%,与同类方法相比,在不同数据集和剪枝率的条件下仍具有较高的分类精度。

结合高色彩相似度预处理的压缩域隐写算法

为提高图像隐写算法的载荷能力,增强载体的嵌入容量,提出一种结合高色彩相似度预处理的压缩域隐写算法。对图像进行预处理,利用超像素分割(SLIC)将图像根据内容进行分块,该分块方式具有空间接近度低、色彩相似度高的特点,增强图像的载荷能力;利用改进后的AMBTC压缩编码算法对形状和大小不规则的超像素块进行重新编码并嵌入秘密信息。通过设计率失真实验和有效性实验,验证了该预处理算法对提高嵌入容量的有效性。

大数据下的快速KNN分类算法

针对K最近邻算法测试复杂度至少为线性,导致其在大数据样本情况下的效率很低的问题,提出了一种应用于大数据下的快速KNN分类算法。该算法创新性地在K最近邻算法中引入训练过程,即通过线性复杂度聚类方法对大数据样本进行分块,然后在测试过程中找出与待测样本距离最近的块,并将其作为新的训练样本进行K最近邻分类。这样的过程大幅度地减少了K最近邻算法的测试开销,使其能在大数据集中得以应用。实验表明,该算法在与经典KNN分类准确率保持近似的情况下,分类的速度明显快于经典KNN算法。

结合视觉特征和场景语义的图像描述生成

现有的图像描述生成方法大多只使用图像的视觉信息来指导描述的生成,缺乏有效的场景语义信息的指导,而且目前的视觉注意机制也无法调整对图像注意的聚焦强度.针对这些问题,本文首先提出了一种改进的视觉注意模型,引入聚焦强度系数自动调整注意强度.在解码器的每个时间步,通过模型的上下文信息和图像信息计算注意机制的聚焦强度系数,并通过该系数自动调整注意机制的“软”、“硬”强度,从而提取到更准确的图像视觉信息.此外,本文利用潜在狄利克雷分布模型与多层感知机提取出一系列与图像场景相关的主题词来表示图像场景语义信息,并将这些信息添加到语言生成模型中来指导单词的生成.由于图像的场景主题信息是通过分析描述文本获得,包含描述的全局信息,所以模型可以生成一些适合图像场景的重要单词.最后,本文利用注意机制来确定模型在解码的每一时刻所关注的图像视觉信息和场景语义信息,并将它们结合起来共同指导模型生成更加准确且符合场景主题的描述.实验评估在MSCOCO和Flickr30k两个标准数据集上进行,实验结果表明本文方法能够生成更加准确的描述,并且在整体的评价指标上与基线方法相比有3%左右的性能提升.

结合深度特征与多标记分类的图像语义标注

为了缩减不同模态数据间的语义鸿沟,提出一种结合深度卷积神经网络和集成分类器链的多标记图像语义标注方法.该方法主要由生成式特征学习和判别式语义学习2个阶段构成.首先利用深度卷积神经网络学习图像的高层视觉特征;然后基于获取的视觉特征与图像的语义标记集训练集成分类器链,并学习视觉特征包含的语义信息;最后利用训练得到的模型对未知图像进行自动语义标注.在Corel5K和PASCAL VOC 2012图像数据集上的实验结果表明,与一些当前国际先进水平的方法相比,文中方法的鲁棒性更强,标注结果更精确.

一种多特征融合的场景分类方法

针对图像当中的不同对象,各种特征的优势各不相同,彼此之间存在互补现象.因此,提出一种多特征融合的图像场景分类方法.首先分别提取图像的GIST特征、SIFT特征和PHOG特征;然后将SIFT特征进行局部约束线性编码,并基于空间金字塔模型进行最大池化生成稀疏向量表示;接着采用串联的方法将GIST特征、SIFT特征稀疏向量表示和PHOG特征进行特征融合;最后将融合特征与类标签信息一起输入到线性SVM进行分类.多特征融合的图像场景分类方法,充分考虑了各个特征之间的优势以及图像原有特性和单词空间分布,能够有效的达到特征互补.实验结果表明,与其他分类方法相比,该方法具有较好的分类性能.

双路注意力引导图卷积网络的关系抽取

为了更好地学习节点依赖并利用结构信息,本文提出一种以完全依赖树作为直接输入的新方法,利用图卷积网络并结合两个并行的注意力模块,自主学习如何有选择地关注对关系抽取任务有用的信息.该方法将样本表示成图上的各节点,一个模块用于计算节点特征位置之间的影响,使特征向量可以包含更广范围的语义信息,另一个用于计算节点依赖的关系特征,以增强节点间的全局依赖.两个模块并行相互提升,可以得到完整的特征表示.在TACRED和SemEval数据集上的实验结果表明,该方法能够更有效地获取对关系抽取任务有益的信息,在各评价指标上取得了更好的性能.

社会网络分析软件研究

随着社会网络数据规模的增长,人工处理方式已经不能满足社会网络分析的需求。介绍了4款常用的社会网络分析软件nodeXL、Pajeck、Gephi和networkX。从支持数据格式、可视化性能、统计分析功能、帮助文档、使用难度等多个方面对以上软件的特性进行对比分析,给出了客观的综合评价,并对选择和使用这些软件提出了相应的建议。

基于PCA的哈希图像检索算法

为了解决传统图像检索算法低效和耗时的缺点,提出一种基于PCA哈希的图像检索算法。通过结合PCA与流形学习将原始高维数据降维;然后通过最小方差旋转得到哈希函数和二值化阈值,进而将原始数据矩阵转换为哈希编码矩阵;最后通过计算样本间汉明距离得到样本相似性。在三个公开数据集上的实验结果表明,提出的哈希算法在多个评价指标下均优于现有算法。

基于相关性的类偏好敏感决策树算法

针对决策者在面对几个分类结果时会有选择其中某一个结果的倾向性这一事实,提出了一种基于相关性的类偏好敏感决策树分类算法(CPSDT)。该算法引入了类偏好度、偏好代价矩阵等概念。为弥补在传统决策树构造过程中,选择分裂属性时未考虑非类属性之间相关性的不足,该算法在进行学习之前先采用基于相关性的特征预筛选排除属性冗余并重新构造了基于相关性的属性选择因子。经实验证明,该算法能够有效减小决策树规模,且能够在实现对偏好类的高精度预测的同时保证决策树拥有较好的整体精度。

新型偏好敏感决策树算法

针对现有决策树模型在分类过程中没有考虑决策者对结果的偏好行为,因而不能很好地预测具有明显偏好倾向问题的不足,提出了一种偏好敏感决策树(preference sensitive decision tree,PSDT)分类算法。该算法引入了偏好度和偏好代价的概念,并通过综合考虑属性信息和有效偏好,构建新型属性选择因子和基于有效偏好的节点类标号分配准则。通过自适应调整偏好度,可生成最佳偏好敏感决策树。实验结果证明,该算法既能实现对偏好类的高精度预测,同时能够保证决策树拥有良好的整体精度,且具有较高的有效性和实用性,能够很好地解决偏好敏感环境下的决策问题。