基于点云数据的三维目标识别和模型分割方法

三维模型的深度特征表示是三维目标识别和三维模型语义分割的关键和前提,在机器人、自动驾驶、虚拟现实、遥感测绘等领域有着广泛的应用前景。然而传统的卷积神经网络需要以规则化的数据作为输入,对于点云数据需要转换为视图或体素网格来处理,过程复杂且损失了三维模型的几何结构信息。借助已有的可以直接处理点云数据的深度网络,针对产生的特征缺少局部拓扑信息问题进行改进,提出一种利用双对称函数和空间转换网络获得更鲁棒、鉴别力更强的特征。实验表明,通过端到端的方式很好地解决缺少局部信息问题,在三维目标识别、三维场景语义分割任务上取得了更好的实验效果,并且相比于PointNet++在相同精度的情况下训练时间减少了20%。

基于随机Petri网的动态蜜罐系统性能分析

动态蜜罐是一个即插即用的蜜罐系统,它通过监控和自学习实时的网络环境、收集网络中计算机的信息来自动地对蜜罐进行配置。为了进一步研究动态蜜罐系统的稳态可用性和安全性能,论文采用随机Petri网(Stochastic Petri Net,SPN)建立普通蜜罐和动态蜜罐系统的性能评价模型,并对二者的性能进行了理论推理分析对比。最后采用PIPE(Platform Independent Petri Net Editor)对两个蜜罐模型进行了模拟实现,对蜜罐性能分析模型的有效性及蜜罐性能的理论分析结果进行了实验验证。通过理论分析和实验验证表明,与普通蜜罐相比,动态蜜罐可以进一步增强系统的安全性,并减少蜜罐配置的时间消耗。