基于多任务学习的特征融合跨年龄人脸识别研究

针对跨年龄人脸识别过程中面部纹理和形状随年龄衰老产生变化而使现有识别算法精度下降的问题,提出一种基于多任务学习的特征融合跨年龄人脸识别算法。首先提取人脸随年龄衰老较稳定的多尺度与多关键区域的局部二值特征(Local Binary Patterns,LBP),将其与人脸深度学习模型进行特征融合获得多层次的全局人脸特征,联合年龄有序预测任务与身份分类任务一起优化网络模型。算法在提取融合多层次的人脸特征后,通过年龄预测任务获得年龄特征,将年龄特征经全连接层函数映射为人脸衰老中发生改变的衰老特征,再在人脸全局特征中剔除衰老特征就可得到人脸衰老过程中不变的稳定特征。这种算法在公开的跨年龄人脸数据集上的识别精度较现有算法有了一定提升。

一种基于BERT的加密流量分类与异常检测方法

网络流量分类与异常检测对于入侵检测和用户上网行为管理非常重要,大多数现有方法都基于机器学习技术,并依赖于从网络流量的流或数据包中手动提取的特征。然而,随着网络应用的快速增长,这些方法很难处理新的复杂加密流量以及未知攻击。在本文中,我们应用BERT(Bidirectional Encoder Representations from Transformers,双向编码器转换器)预训练模型,从大规模无标签流量数据中预训练了上下文数据流级别模型,数据预处理阶段将数据包划分为数据包头段和有效载荷段。