多级可逆网络在SAR图像识别中的应用

针对传统卷积神经网络目标识别方法在处理合成孔径雷达图像时存在的信息丢失等问题,我们引入了数据增强技术和多级可逆网络:采用数据增强方法,增加训练样本数量;通过多级可逆网络无损地提取合成孔径雷达图像特征;由交叉熵损失函数和二进制交叉熵损失函数联合训练网络,使用运动和静止目标获取与识别数据集,准确率达到99.75%,与现有的方法相比,准确率较高.

基于多级可逆神经网络的大容量裁剪稳健型图像隐写技术

图像隐写技术是将秘密信息嵌入到载体图像中,以保护信息的机密性,并确保不被观察者察觉。然而,在传输过程中,由于分辨率限制,载密图像的边缘区域容易受到裁剪。因此,如何从边缘区域缺失的载密图像中恢复出有效的连续隐藏信息是一个值得研究的问题。同时,图像隐写技术的另一个挑战是如何在不被检测到的情况下增加信息的有效载荷容量。为了解决上述问题,提出了一种数据驱动的图像隐写算法方案。采用了一种大容量、裁剪稳健的多级双向映射的可逆隐写网络,能够从边缘破损的载密图像中尽可能完整地恢复出连续的秘密图像。此外,算法具有高度的灵活性,可以通过多层级联中改变图像分支的通道数量实现不同规格的大尺寸图像隐写。实验表明,在各种公开数据集上生成的载密图像的视觉隐蔽性、质量度量指标和裁剪恢复能力方面显著优于其他方法。