一种基于名誉的P2P网络信任管理模型

由于P2P系统的开放、匿名等特点,节点间的信任关系往往很难通过客观的信任关系建立。本文构建了一种基于实体间交易历史和推荐的信任模型,提出了依据历史交易记录来计算直接信任值的方法,定义了信任推荐和信任聚合两种运算,运用分布式哈希表来处理信任值的存储和查询,并给出了信任咨询和更新的算法。实验表明,该模型可以提供较可靠的信任推荐服务,同时能较好地消除诋毁、恶意推荐等安全问题。

STL模型冗余顶点全域哈希处理算法

目的:为解决重构STL模型文件网格时筛选冗余顶点会消耗大量时间和内存的问题,根据模型文件存储特点提出了一种基于全域哈希冗余筛选算法。方法:根据全域哈希思想,在成组哈希函数中随机选择一个进行运算,消除了已有哈希函数在对不同模型文件数据进行处理中容易出现大量冲突的问题。结果:引入平均链表长度、最大链表长度和检索复杂度三个检验标准对构造的哈希函数和改进的传统哈希函数进行实验对比分析,并通过对三个检验标准的绝对值和相对值进行比较,链表长度平均减少了17.1%,检索复杂度平均提高了45%。结论:实验证明基于全域哈希的冗余数据处理算法能够减少重构过程中筛选时间,提高数据处理效率。

Dynamo架构中全局状态表维护算法研究

针对现有Dynamo式云存储架构中,节点间全局状态表一致性维护算法收敛时间长、通信代价高的问题,文中提出了一种基于种子节点的Gossip(Gossip Based on Seed nodes,GBS)算法。该算法采用分层思想,将节点分为种子节点层和普通节点层,通过分层,缩小了Gossip传播随机域,减少收敛时间;通过普通节点定期向随机的种子节点报告策略,解决了Gossip传播后期由于随机带来的大量重复交互问题。通过仿真实验,证明了GBS算法在降低收敛时间的同时,有效地降低了通信开销,提高了维护效率,具有很高的稳定性和可靠性。

基于文本引导对抗哈希的跨模态检索方法

随着深度学习方法的不断发展,跨模态哈希检索技术也取得了长足的进步。但是,目前的跨模态哈希检索方法通常基于两种假设:a)相似文本描述的图像内容也相似;b)相同类别的图像有着较好的全局相似性。但是,真实数据集中的数据往往不能满足以上两种假设,导致了跨模态哈希检索模型性能的降低。针对以上两个问题,提出了一种基于文本引导对抗哈希的跨模态检索方法(text-guided adversarial hashing for cross-modal retrieval,TAH),此方法在构建的网络结构基础上,将文本哈希码作为训练图像网络的基础,并将图像的局部特征与全局特征结合用于表示图像内容。此外,还针对性地提出了文本模态内全局一致性损失、模态间局部与全局一致性损失和分类对抗损失用于训练跨模态网络。实验证明,TAH可以在三个数据集中取得良好的检索性能。

基于联合特征与中心方向信息的图像哈希算法

为了提高哈希技术对旋转操作的识别能力,提出了全局-局部联合特征耦合中心方向信息估计的图像哈希认证技术.首先,引入2D线性插值技术,对输入的图像进行预处理,使其对任意的缩放操作都具有固定尺寸的哈希序列;然后,将预处理图像转变为HSV彩色空间,借助二维离散小波变换(Discrete Wave Transform,DWT)处理V分量,利用其低频系数形成二次图像;再引入奇异值分解(Singular Value Decomposition,SVD)处理二次图像,提取其全局特征,将其作为第一个中间哈希序列;基于Fourier机制,借助残差方法,确定图像的显著区域,获取其位置与纹理的局部特征,作为第二个中间哈希序列;随后,引入Radon变换,通过计算图像的中心方向信息,将其与2个中间哈希序列组合,形成过渡哈希数组;借助Logistic映射,定义动态引擎参数,从而设计了分段异扩散技术,对过渡哈希数组进行加密,输出最终的哈希序列;最后,通过估算原始哈希序列与待检测哈希序列的Hamming距离,将其与用户阈值进行比较,完成图像认证.实验结果显示:与当前的图像哈希技术相比,所提算法具有更高的鲁棒性与安全性,对旋转攻击能力具有更好的识别能力.

结合全局与局部池化的深度哈希人脸识别算法

针对采用大型卷积神经网络提取高维特征进行人脸识别时占用内存空间较大以及消耗大量计算资源的问题,提出一种结合全局与局部池化的深度哈希全卷积神经网络.第一,提出一种基于全局平均池化层的全卷积网络,用以减少网络参数以及压缩模型尺寸;第二,提出一种学习不同特征的融合损失方法,将哈希量化误差损失与分类损失进行加权融合,用以学习具有多分类性质的近似哈希编码.实验表明,该方法能够在Visual Geometry Group(VGG)框架下将识别效率提高68%,且准确率略有提升;融合损失方法扩展到Face Residual Network(Face-ResNet)框架时,在保持准确率的情况下将识别效率提高了23.7%。结果表明,该方法可在保证准确率的前提下有效地从特征提取和特征降维两方面提高识别效率,同时该方法还可扩展用于其他网络.

基于深度哈希网络的车型识别方法

针对车型识别任务的特点,设计了一种基于深度哈希网络的车型识别方法,实现了在类间差异不明显、样本量较少的情况下进行车型检索和分类。对数据增广方法进行研究,针对车型数据集的特点,提出了适用于车型识别的数据增广方法,有效提升了小样本车型识别的准确率。深度哈希网络采用改进的HashNet网络来快速学习车辆的二值特征表达,针对深度哈希网络使用全连接层导致参数过多的问题,提出了HashNet-GAP网络,以全局平均池化层替换了HashNet中的部分全连接层。相对于HashNet网络,大幅度减少了参数数量,提升了前向计算速度和网络性能。实验结果表明,该车型识别方法能够对类间差距很小的不同车型进行有效识别,在小样本数据集上取得80.0%的Top1准确率,并且能够显著降低模型的存储消耗和内存消耗。

基于全局视觉优化的视频目标检测算法

提出一种基于全局视觉优化的视频目标检测算法,在原有流引导特征聚合算法(FGFA)基础上,更关注寻找检测精度与运行时间之间的折衷策略。首先利用全局视觉优化的思想,使用感知哈希算法在多帧特征聚合前进行帧段两端的全局视觉相似度计算,判断当前帧段的时序信息相关性;其次使用连续帧作为输入,进一步利用视频的时序信息,将相邻帧在运动路径上的特征聚合到当前帧的特征中,进而对视频特征有更好的表达。ILSVRC实验表明,经过全局视觉优化的预处理后,该算法较原本算法在视频中进行目标检测的准确率和速度均得到一定提升。

一种结合改进Z-S 细化算法的书法字双层检索方法

为了高效地识别利用数字化书法作品,文章提出一种改进的Z-S书法字细化算法,结合全局特征与局部特征进行双层索引。首先,利用这种改进的Z-S算法提取单像素无毛刺的书法字图像骨架信息,然后对书法字骨架的GIST全局特征进行初步筛选排序,结合书法字图片局部特征进行二次索引排序,将两种排序结果进行加权计算,得到检索结果。所有的特征数据均使用自学习哈希算法进行二进制编码,索引的过程采用加权海明距离计算的方法。试验结果表明,该方法所需的检索时间相较于骨架相似性检索方法所需时间减少了约50%,相对于自适应书法字图像匹配与检索算法,在查全率和查准率上提升了近10%,提高了大数据量书法字检索的效率。