基于级联卷积神经网络的图像篡改检测算法

基于卷积神经网络的图像篡改检测算法利用卷积神经网络的学习能力可以实现不依赖于单一图像属性的图像篡改检测,弥补传统图像篡改检测方法依赖单一图像属性、适用度不高的缺陷。利用深层多神经元的单一网络结构的图像篡改检测算法虽然可以学习更高级的语义信息,但检测定位篡改区域效果并不理想。该文提出一种基于级联卷积神经网络的图像篡改检测算法,在卷积神经网络所展示出来的普遍特性的基础上进一步探究其深层次的特性,利用浅层稀神经元的级联网络结构弥补以往深层多神经元的单一网络结构在图像篡改检测中的缺陷。该文提出的检测算法由级联卷积神经网络和自适应筛选后处理两部分组成,级联卷积神经网络实现分级式的篡改区域定位,自适应筛选后处理对级联卷积神经网络的检测结果进行优化。通过实验对比,该文算法展示了较好的检测效果,且具有较高的鲁棒性。

基于级联Vnet-S网络的CT影像单一器官自动分割算法

为了快速准确地对计算机断层扫描(CT)影像中的器官进行分割,提出基于级联Vnet-S网络的单一器官自动分割算法。首先,使用第一个Vnet-S网络对CT影像中的器官进行粗分割;然后,选择分割结果中的最大连接通量做两次膨胀,根据膨胀后的最大连接通量确定器官边界并提取器官区域;最后,使用第二个Vnet-S网络对器官进行细分割。为了验证算法的性能,采用MICCAI 2017 Liver Tumor Segmentation Challenge(LiTS)数据集进行肝脏分割实验,采用ISBI LUng Nodule Analysis 2016(LUNA16)数据集进行肺分割实验。级联Vnet-S算法在LiTS的70例线上测试数据上的Dice系数为0.9600,在LUNA16的288例测试数据上的Dice系数为0.9810,均高于Vnet-S网络和Vnet网络。实验结果表明,基于级联Vnet-S网络的单一器官分割算法可以准确地对器官进行分割,而且级联Vnet-S算法的计算量小于Unet网络和Vnet网络。

基于级联神经网络的人脸检测方法的研究

提出一种基于颜色信息与多级神经网络的人脸检测方法,通过把基于不同颜色分量的多级神经网络级联起来,采用彩色图像的亮度分量和色度分量作为级联神经网络的分类特征,从而有效提高了人脸检测的正确率,同时也加快了人脸检测速度.

基于RGB-D视频序列的动态手势识别

人的手势可以传达信息,当前动态手势识别常用算法模型复杂,具有较高的模型参数量。针对这一问题设计了基于RGB-D视频的级联网络架构,采用I3D+双向卷积LSTM+MobileNet模型实现动态手势识别。该方法使用融合双流3维卷积神经网络I3D网络接受RGB信息和平滑的光流信息,提取短期时空域特征,然后利用LSTM网络基于前后时序信息提取长期时空特征信息,降低空间维数,最后与MobileNet网络级联实现更高层次的特征提取,优化框架结构,提高了识别精度和运行速度。实验结果表明能有效识别视频中动态手势信息,在自制的数据集上可以达到96.26%的识别准确度。