实际噪声下基于时序卷积网络的手机来源识别

针对实际环境噪声下的手机来源识别问题,提出一种基于线性判别分析和时序卷积网络的手机来源识别方法。首先,通过分析不同手机语音特征在实际环境噪声下的分类性能,基于带能量描述符、常数Q变换域和线性判别分析得到一种新的手机语音混合特征。然后,以此混合特征为输入,基于时序卷积网络进行训练和分类。最后,在10个品牌、47种手机型号、32900条语音样本的实际环境噪声语音库上的测试结果显示,所提方法的平均识别准确率达到99.82%。此外,与经典的基于带能量描述符和支持向量机的方法,以及基于常数Q变换域和卷积神经网络的方法相比,平均识别准确率分别提高了0.44和0.54个百分点,平均召回率分别提高了0.45和0.55个百分点,平均精确率分别提高了0.41和0.57个百分点,平均F1分数分别提高了0.49和0.55个百分点。实验结果表明,所提方法具有更优的综合识别性能。

基于支持向量机的叶片图像分割

针对自然环境下的叶片图像分割,提出了一种基于支持向量机的叶片图像分割算法。该方法首先将图像少量像素点分别标记为叶片前景样本和叶片背景样本,然后根据样本数据建立支持向量机分类决策模型,最后根据预测模型对整个图像像素点进行分类,将叶片图像从背景中分割出来。实验结果表明,该方法能够对含有反光区域的叶片实现准确分割,相比基于聚类的叶片分割算法分割精度更好,算法耗费时间更短。

遗传算法优化时间卷积网络的手机来源识别

基于语音的手机来源识别已成为近年来多媒体取证领域中的一个研究热点。已有研究鲜有考虑环境背景噪声,难以满足司法领域实际应用场景的需求。提出一种遗传算法优化时间卷积网络的手机来源识别方法。基于对数域的Mel滤波器组系数特征,利用时间卷积网络进行深度语音特征学习,并利用线性判别分析提取低维深度特征,将低维深度特征输入到支持向量机中进行训练和识别。特别的,为了提高整体的识别性能,引入遗传算法,通过设计编码方式、适应度函数和遗传操作对时间卷积网络结构进行智能优化。对比实验结果表明,所提方法可对时间卷积网络结构进行自动设计,尽可能地发挥网络性能,从而进一步提升了识别准确率。

自然环境背景噪声下基于低维深度特征的手机来源识别

基于语音的手机来源识别是近年来多媒体取证领域中的一个研究热点,但已有研究大都局限于纯净语音或人工背景噪声语音.本文以自然环境背景噪声下的手机语音为研究对象,提出一种基于低维深度特征的手机来源识别方法.首先提取对数域的Mel滤波器组系数作为基本的声学特征,然后输入到时间卷积网络中进行训练,进一步提取能够表征语音设备的深度特征,并利用线性判别分析进行降维,去除高维深度特征中的冗余.最后,将得到的低维深度特征输入到支持向量机中进行分类和识别.在47种不同型号手机录制的37600条自然环境背景噪声语音样本库上的测试结果表明,本文所提方法在自然环境背景噪声下具有更优的识别性能,且对不同品牌、相同品牌不同型号、不同样本长度、不同数据集规模和不同采样率都具有很好的适应性.

“玻璃艺术”——古埃及与现代的跨时空对话

玻璃艺术是一种极富创造性的艺术表现形式。玻璃艺术的历史源远流长,从4000年前的古埃及直至现代,玻璃艺术都是人类文明史上的璀璨明珠。然而,玻璃艺术已历经了数千年的演变,我们却在古埃及的玻璃艺术中寻觅到了现代玻璃艺术的气息。在相隔如此久远的时空里,两者在色彩、纹样等方面与内部蕴意,比如审美意识、宗教信仰、文化内涵、表现手法等方面均存在着许多奇妙的共识,碰撞出了一场跨时空的对话。