基于隐藏标签节点挖掘的跨网络用户身份识别

随着各种社交网络不断涌现,以及针对社交网络的安全和商业应用的不断普及,跨网络用户身份识别成为当前的研究热点。针对现有的基于自中心网络环境(Ego-UI)算法对标签节点利用率不高的缺点,提出一种基于隐藏标签节点挖掘的跨网络用户身份识别(HLNM-UI)算法。该算法通过给待匹配节点添加社团聚类信息,将挖掘出的隐藏标签节点加入到自中心网络里,通过对潜在的关系信息加以利用,提高待匹配节点的辨识度,然后利用标签节点找寻最佳匹配,最后通过迭代运算实现全网络所有节点的身份识别。在多个人工随机网络和真实社交网络实验结果表明,提出的算法相比现有的基于自中心网络算法具有更高的召回率和F1值。

基于隐藏标签节点的跨网络认证方法仿真

针对当前跨网络认证相关研究成果存在安全性能较差的问题,提出基于隐藏标签节点的跨网络认证方法。筛选出网络范围内度数比较大的节点当作识别目标,加入待配准节点聚类社团信息,分类挖掘隐藏标签节点,并将隶属同一类别的社团标签节点添加至待配准节点自中心网络范围,根据标签节点找到最优配准结果,通过迭代思想持续更新标签节点集合,直到不再有新标签节点出现,从而实现网络中全部节点身份识别;基于身份识别下的节点归类初步认证,结合信任度理念,实现跨网络的进一步认证,获取认证双方的信任度,构建网络之间信任关系,并同意访问本网络的数据资源,完成跨网络认证。实验结果表明,所提方法可有效检测出跨网络认证中的恶意访问,安全性能优于当前成果。

基于可变形部件模型及稀疏特征的行人检测

针对方向梯度直方图算法无法处理模糊边界且忽略了物体内平滑的特征区域的问题,提出一种基于稀疏编码的可变形部件模型算法.通过稀疏学习得到稀疏编码直方图特征算子的图像特征,利用弱标签隐藏变量结构化支持向量机学习算法对特征进行训练得到部件模型,再结合级联检测算法对人体目标进行识别检测.实验结果显示,混合模型结合级联方法的检测耗时约是混合模型和语义模型平均检测耗时的1/4,与目前其他已有算法比较,所提方法更加鲁棒和具有识别力.

基于MOS的图像质量评估系统

图像质量评估在图像处理技术的发展中起着关键的作用。针对当前图像质量主观评估过程中存在的操作复杂度高、执行效率低以及容易掺杂特定偏好等问题,研究并设计了一款图像质量评估系统。该系统通过隐藏待评估样本的标签和次序,从而消除了测评者可能存在的特定偏好。采用评估给分双确认的策略,并基于平均意见得分(Mean Opinion Score,MOS)对测评结果进行整理和分析,保证了主观评估的可靠性和执行效率。对现有的直线段检测算法进行评估,验证了系统的有效性。