基于ResNet和双注意力机制的赤足图像年龄预测

足迹是人在行走时足部与地面等客体接触时所留下的痕迹,也是犯罪现场嫌疑人最容易遗留的生物特征之一,它隐含着人体的身高、体重、性别和年龄等身份属性信息,利用足迹信息进行人的年龄预测,对指明侦察方向和缩小侦察范围有着极其重要的意义.传统侦查工作中,刑侦专家会依据积累的案件经验,依据现场遗留的足迹进行嫌疑人身份和属性的预测,但这个过程需要大量的领域知识,据此,提出了基于赤足图像的年龄自动预测方法,其由伪彩色变换模块、在线随机几何变换模块、特征提取模块、空间注意力模块和年龄预测模块组成.算法在由1 818幅赤足灰度图像组成的数据集上进行了测试,预测准确率指标Acc_5和Acc_10分别达到了55.5%和83.4%,优于现有的年龄预测方法.

基于注意力机制与特征相关性的人脸表情识别

针对自然条件下人脸表情识别面临遮挡、光照、姿势变化等挑战,存在识别准确率低的问题,提出了一种新的深度学习网络模型用于人脸表情识别。以ResNet为基础网络,融合了瓶颈注意力机制及全局二阶池化层,其中瓶颈注意力机制专注于表情重要特征的提取,全局二阶池化层度量表情特征之间的相关性,在此基础上通过联合正则化策略,平衡和改善特征数据分布情况,提高表情识别准确率。所提方法在2个公开数据集FER2013和CK+进行了测试及验证,最高准确率分别达到了74.227%和95.8%,性能优于诸多现存的主流方法,表明所提模型具有较好的准确性和鲁棒性。

面向隐写算法失配的小样本图像隐写分析方法

在实际的隐写分析应用场景中,待测隐写算法大多是未知的,难以获得足量带标记的样本,从而导致隐写算法失配问题.为提升在隐写算法未知且仅有少量标记图像时隐写分析的检测性能,提出新型隐写分析网络BTONet.首先,提出结合瓶颈注意力机制的改进SRNet,即BAMSRNet,作为BTONet的特征提取模块,从空间维度和通道维度对纹理区域进行关注,解决小样本环境下直接使用SRNet会导致检测性能不佳的问题,在带标记图像数量极少的情况下提取有辨识性的特征.然后,将正交投影损失和交叉熵损失有机结合,从特征和预测标签2个角度强化不同类别之间的正交性,提升分类模块的性能.最后,在隐写算法失配的情况下,将BTONet与4个经典空域深度隐写分析算法进行检测准确率、训练时长、测试时长和算法稳定性等方面的比较,并进行消融实验.实验结果表明:相较于目前先进的基于深度学习的隐写分析方法,BTONet在小样本环境下能够取得更优的检测性能,检测性能提升了1.02%~10.35%;同时取得了极佳的稳定性,将检测准确率方差降低至其他隐写算法的1/60~1/20.