面向高分影像完整性认证的主题敏感哈希算法

作为一种新的完整性认证技术,主题敏感哈希能实现高分影像的主题偏向性认证,克服了现有认证技术的不足,但现有主题敏感哈希算法在鲁棒性等方面仍存在一定不足。该文在简述主题敏感哈希相关理论的基础上,提出一种面向高分影像完整性认证的主题敏感哈希算法。该算法首先根据特定主题构建训练样本集,并基于该样本集训练Swin-Unet;然后采用Swin-Unet提取高分影像的主题敏感特征,并采用主成分分析(PCA)对提取特征进行压缩编码,进而生成影像的主题敏感哈希序列。实验结果表明:该算法的鲁棒性相对现有算法有较大提高,算法的篡改敏感性和安全性与现有算法相近,且对主题相关篡改具有较高的敏感性。

基于时频感知神经网络的语音频带扩展

为了进一步提高基于深度学习的语音频带扩展性能,提出了一种基于编解码器的神经网络结构,编码器对数据进行深度特征提取,解码器进行宽带语音重构,并在编解码器中间设计了局部敏感哈希自注意力层,用于增强模型对深度特征的有效选择。编解码器内部使用了时间卷积网络,有效提升了模型对语音时序数据上下文依赖关系的学习能力。为了促进模型朝更加准确的方向训练,还提出了一种时频感知损失函数,有利于模型在时域、频域以及感知域获取窄带语音到宽带语音的最优映射解。通过主观和客观实验结果表明,该方法优于传统方法和近几年基于深度神经网络的语音频带扩展方法。

基于Reformer模型的文本情感分析

为提高中文文本情感分析任务的准确率,优化训练时长,提出基于Reformer的文本情感分析模型。利用Reformer模型的上下文语义编码能力,充分获得文本上下文的特征,提高文本分类准确率;在Transformer模型的基础上,引入局部敏感哈希注意力机制及可逆残差,降低模型的复杂度及内存的占用。在3个公开数据集上进行实验,实验结果表明,该模型在准确率及训练时间上均优于其它模型。