谱半径和特征显著性约束的随机化社会网络方法

为了保护社会网络的安全性,保证扰动后社会网络的可用性,提出谱半径和特征显著性(非随机化性)约束的多点扰动社会网络的方法。在扰动社会网络过程中,将社会网络的谱半径和特征显著性控制在一定的约束范围内,从而在保证扰动后社会网络的可用性同时,提高扰动后社会网络的隐私保护程度。理论上分析了该方法的安全性更好,并给出相应的算法。最后通过实验比较随机化后社会网络的调和平均最短距离、传递系数和特征显著性结构性质的变化情况,表明该方法能有效地保护社会网络的结构性质,提高扰动后的可用性。

基于边界检测和骨骼提取的显著性检测网络

目前一些方法通过多任务联合实现显著性检测,在一定程度上提升了检测精度,但仍存在误检和漏检问题,其原因在于各任务优化目标不同且特征域差异较大,导致网络对显著性、物体边界等特征辨识能力不足.基于此,借助边界检测和骨骼提取提出一种多任务辅助的显著性检测网络,其包括特征提取子网络、边界检测子网络、骨骼提取子网络以及显著性填充子网络.其中,特征提取子网络利用ResNet101预训练模型提取图像的多尺度特征;边界检测子网络选择前3层特征进行融合,可完整保留显著性目标的边界信息;骨骼提取子网络选择后两层特征进行融合,可准确定位显著性目标的中心位置;所提方法基于边界检测数据集和骨骼提取数据集分别对两个子网络进行训练,保留最好的边界检测模型和骨骼提取模型,作为预训练模型辅助显著性检测任务.为降低网络优化目标与特征域之间的差异,设计了显著性填充子网络将提取的边界特征和骨骼特征进行融合和非线性映射.在4种数据集上的实验结果表明,所提方法能有效恢复缺失的显著性区域,优于其他显著性目标检测方法.

基于CartoonGan的改进卡通化图片生成方法

文章提出了一种改进的卡通图像生成网络模型,旨在增强卡通效果的同时保留语义信息。首先,设计一个显著性网络,为了防止过拟合问题以及进一步提取特征,在显著性网络上添加残差结构构成残差显著性网络,并将其拼接到CartoonGan上用来保留语义信息;其次,在前者基础上添加cbam注意力机制进一步提高卡通化效果;最后,在训练过程中为了防止训练不稳定和梯度消失使用最小二乘损失来替换交叉熵损失,并且引入显著性损失来约束显著性网路的训练。实验表明,通过在宫崎骏和新海诚两个画风的卡通数据集上进行测试,使用FID测试指标显示在两个数据集上都有一定的优化。

基于显著性卷积神经网络的变化检测方法

针对变化检测方法对差异遥感影像去除斑点噪声和地物边缘检测效果不佳的问题,该文提出一种基于显著性卷积神经网络(SCWNN)的变化检测方法。该方法采用上下文感知显著性检测方法,提高遥感影像中差异较大区域显著性值,减小差异较小区域显著性值,有效优化了地物边缘,同时降低斑点噪声;然后采用卷积神经网络方法,克服了由于样本不足对变化检测精度的影响。通过超高分辨率影像和合成孔径雷达两组双时相遥感影像数据进行实验,结果表明方法的有效性和鲁棒性。