多尺度特征深度复用的显著性目标检测算法

针对传统显著性目标检测方法在检测不同尺度的多个显著性目标方面的不足,提出了一种多尺度特征深度复用的显著性目标检测算法,网络模型由垂直堆叠的双向密集特征聚合模块和水平堆叠的多分辨率语义互补模块组成。首先,双向密集特征聚合模块基于ResNet骨干网络提取不同分辨率语义特征;然后,依次在top-down和bottom-up两条通路上进行自适应融合,以获取不同层次多尺度表征特征;最后,通过多分辨率语义互补模块对两个相邻层次的多尺度特征进行融合,以消除不同层次上特征之间的相互串扰来增强预测结果的一致性。在五个基准数据集上进行的实验结果表明,该方法在F_(max)、S_(m)、MAE最高能达到0.939、0.921、0.028,且检测速率可达74.6 fps,与其他对比算法相比有着更好的检测性能。

基于改进的一维级联神经网络的异常流量检测

提出一种基于改进的一维级联神经网络的异常流量检测模型(Abnormal Traffic Detection Model of Improved One-Dimensional Cascaded Neural Network, ATD-ICNN),与一般的卷积神经网络“卷积-池化-全连接”不同的是,为了充分利用不同网络层输出的特征维度信息,提出一种新的密集特征聚合模块(Dense Feature Aggregation, DFA),为了更大限度地发挥DFA模块的作用,进一步提出增强特征注意力模块(Enhanced Feature Attention, EFA),最后处理得到的维度特征输入Softmax分类器用于最终流量数据分类。实验结果证明所提出的方法与随机森林(RF)方法相比,实现了较高的分类精度,精确率和召回率都提高了4百分点;与Adaboost方法相比,召回率提高了3百分点,表明该方法具有较高的流量异常检测性能。