-
题名基于HMM的红外点目标序列图像扰动补偿方法
- 1
-
-
作者
鲁林丽
丁明跃
刘小平
-
机构
华中理工大学图像识别与人工智能研究所图像信息处理与智能控制教育部重点实验室
-
出处
《红外与激光工程》
EI
CSCD
2000年第4期30-33,共4页
-
基金
国家教委博士点基金资助
-
文摘
利用红外图像扰动信号短时平稳的特性 ,在统计的基础上提出采用隐马尔科夫模型统计信号模型来描述扰动 ,得到一种基于学习的扰动模型 ,并利用学习得到的模型参数计算后续帧中的扰动情况 ,进行预测补偿 ,以保证目标运动的连续性 ,克服扰动对跟踪的影响。实验取得了较好效果。
-
关键词
HMM
图像扰动
红外图像序列
扰动补偿
-
Keywords
HMM
Image disturbance
Infrared image sequence
-
分类号
TN21
[电子电信—物理电子学]
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名基于对抗样本生成的验证码反爬虫机制研究
被引量：2
- 2
-
-
作者
马军
王效武
朱永川
王海兮
-
机构
深圳市网联安瑞网络科技有限公司
中国电子科技集团公司第三十研究所
-
出处
《应用科技》
CAS
2021年第6期45-50,共6页
-
文摘
为提升网站验证码的安全性,提出基于对抗样本生成的验证码反爬虫机制。本文通过在对抗样本数据集中添加极小的扰动,可导致验证码识别模型输出错误的预测结果,从而无法绕过反爬机制对网络数据进行非法下载。针对常用的验证码识别模型,本文对比了使用图像加扰和未使用图像加扰情况下的文本验证码识别效果。结果表明,采用本文提出的图像加扰算法,可大幅度降低图像识别模型的识别精度,从而有效保护网站验证码反爬机制的可靠性。基于本文提出的图像加扰验证码技术,可作为互联网反爬虫机制的重要手段。
-
关键词
验证码识别
字符分割
深度神经网络
对抗样本
图像扰动
图像识别
深度学习
人工智能
-
Keywords
verification code recognition
character segmentation
deep neural network
adversarial samples
image disturbance
image recognition
deep learning
artificial intelligence
-
分类号
TP302.1
[自动化与计算机技术—计算机系统结构]
-
-
题名图像多模态扰动的人脸识别方法
- 3
-
-
作者
张国庆
王正群
王颖静
徐伟
-
机构
南京理工大学计算机科学与工程学院
扬州大学
-
出处
《计算机工程与应用》
CSCD
2013年第7期204-207,247,共5页
-
基金
国家自然科学基金(No.60875004)
江苏省自然科学基金(No.BK2009184)
江苏省高校自然科学基金(No.10KJB510027)
-
文摘
为了克服因人脸图像检测引起的配准不稳定性和小样本引起的维数灾难,由一副二维人脸图像通过上下左右平移生成4个图像,把生成的图像与原来的图像一起加入训练样本集,构成新的训练图像集。基于二维图像,结合图像局部结构信息,设计了准则函数,获得双投影矩阵,抽取人脸特征。对待识别人脸图像,由它的扰动图像设计识别方法。与传统的人脸识别方法相比,该方法的识别效果更好;Yale和ORL人脸数据库上的实验结果验证了该方法的有效性。
-
关键词
二维线性判别分析(2DLDA)
小样本问题
图像扰动
特征抽取
-
Keywords
Two-Dimensional Linear Discriminate Analysis （2DLDA）
small sample set problem
disturbing image
feature extraction
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名面向个人信息保护的对抗性图像扰动算法研究
被引量：2
- 4
-
-
作者
王涛
马川
陈淑平
-
机构
河北科技师范学院工商管理学院
燕山大学信息科学与工程学院
燕山大学图书馆
-
出处
《计算机应用研究》
CSCD
北大核心
2021年第8期2543-2548,2555,共7页
-
基金
河北省社会科学基金资助项目(HB18SH012)。
-
文摘
通过研究对抗性图像扰动算法,应对深度神经网络对图像中个人信息的挖掘和发现以保护个人信息安全。将对抗样本生成问题转换为一个含有限制条件的多目标优化问题,考虑神经网络的分类置信度、扰动像素的位置以及色差等目标,利用差分进化算法迭代得到对抗样本。在MNIST和CIFAR-10数据集上,基于深度神经网络LeNet和ResNet进行了对抗样本生成实验,并从对抗成功率、扰动像素数目、优化效果和对抗样本的空间特征等方面进行了对比和分析。结果表明,算法在扰动像素极少的情况下(扰动均值为5)依然可以保证对深度神经网络的有效对抗,并显著优化了扰动像素的位置及色差,达到不破坏原图像的情况下保护个人信息的目的。该研究有助于促进信息技术红利共享与个人信息安全保障之间的平衡,也为对抗样本生成及深度神经网络中分类空间特征的研究提供了技术支撑。
-
关键词
深度学习
神经网络
对抗性图像扰动
稀疏对抗攻击
个人信息保护
-
Keywords
deep learning
neural network
adversarial image perturbation
sparse adversarial attack
personal information protection
-
分类号
TP309.2
[自动化与计算机技术—计算机系统结构]
-
