期刊导航
期刊开放获取
cqvip
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
4
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于双通道卷积神经网络的视频目标移除取证算法
被引量：
3
1
作者
白珊山
倪蓉蓉
赵耀
《信号处理》
CSCD
北大核心
2020年第9期1415-1421,共7页
针对现有数字视频目标移除取证算法的伪造帧识别准确率低的问题,本文提出了一种基于双通道卷积神经网络的视频目标移除取证算法。该算法利用双通道结构,分别提取视频绝对帧差图像的RGB特征和噪声特征,并利用双线性池化对二者进行特征融...
针对现有数字视频目标移除取证算法的伪造帧识别准确率低的问题,本文提出了一种基于双通道卷积神经网络的视频目标移除取证算法。该算法利用双通道结构,分别提取视频绝对帧差图像的RGB特征和噪声特征,并利用双线性池化对二者进行特征融合,而后通过分类层输出视频帧的分类结果,从而有效地识别经过篡改的视频帧。其中,RGB通道能够发现绝对帧差图像中不自然的篡改边界和对比度,噪声通道能够发现原始区域和篡改区域之间噪声的不一致性。此外,算法在网络前端增加了预处理层来放大篡改视频帧的伪造痕迹。实验结果显示,所提算法有效地提高了伪造视频帧的识别准确率,且相对于传统的单通道网络结构,双通道特征融合的方式取得了更好的检测性能。
展开更多
关键词
数字视频取证
视频目标移除取证
双通道卷积神经网络
inception
-
v
3
网络
下载PDF
职称材料
基于Inception-V3网络的双阶段数字视频篡改检测算法
被引量：
3
2
作者
翁韶伟
彭一航
+2 位作者
危博
易林
叶武剑
《广东工业大学学报》
CAS
2019年第6期16-23,共8页
为了克服现有数字视频取证算法识别准确率低、定位能力差等缺点,提出一种具有高识别率且定位准确的基于Inception-V3网络的二级分类取证算法.在第一级分类器中提出简单的阈值判断方法来区分原始和篡改视频,第二级分类器将采用Inception...
为了克服现有数字视频取证算法识别准确率低、定位能力差等缺点,提出一种具有高识别率且定位准确的基于Inception-V3网络的二级分类取证算法.在第一级分类器中提出简单的阈值判断方法来区分原始和篡改视频,第二级分类器将采用Inception-V3网络的稠密卷积核结构来自动提取篡改视频帧的高维多尺度特征.高维多尺度特征有助于提升篡改视频帧的识别率.实验结果表明,本文提出的算法不仅能准确地检测出篡改视频,还能从篡改视频中精确定位出篡改帧.
展开更多
关键词
数字视频取证
视频篡改识别
inception
-
v
3
网络
篡改帧定位
下载PDF
职称材料
改进Inception-v3网络的手势图像识别
被引量：
1
3
作者
邓志军
田秋红
《计算机系统应用》
2022年第11期157-166,共10页
鉴于Inception-v3网络参数量过大的问题,本文提出了一种有效的手势图像识别方法,能够满足在模型参数量较少的情况下高精度手势识别的需求.本文利用Inception-v3的结构,对原Inception-v3的Inception模块重新进行设计,降低学习的参数量和...
鉴于Inception-v3网络参数量过大的问题,本文提出了一种有效的手势图像识别方法,能够满足在模型参数量较少的情况下高精度手势识别的需求.本文利用Inception-v3的结构,对原Inception-v3的Inception模块重新进行设计,降低学习的参数量和难度,结合残差连接,保护信息的完整性,防止网络退化,引入注意力机制模块,让模型聚焦于有用的信息而淡化无用信息,在一定程度上也防止了模型的过拟合,并且在模型中进行上采样与低层特征进行特征融合,融合后的特征比原输入特征更具有判别能力,进一步提高模型的准确率.实验结果表明改进的Inception-v3网络的参数量仅为1.65 M,而且拥有更高的准确率和更快的收敛速度.将ASL手语数据集与孟加拉手语数据集分别打乱,然后按照4:1的比例单独划分出训练集和验证集.改进的Inception-v3在ASL手语数据集与孟加拉手语数据集上的识别率分别达到了100%和95.33%.
展开更多
关键词
手语识别
inception
-
v
3
网络
注意力机制模块
上采样
特征融合
深度学习
卷积神经网络(CNN)
下载PDF
职称材料
基于卷积神经网络的合成双射流控制机翼分离流场识别与参数优化
被引量：
1
4
作者
赵志杰
罗振兵
邓雄
《空气动力学学报》
CSCD
北大核心
2020年第5期949-956,I0003,共9页
为进一步拓宽合成双射流(DSJ)技术在翼型分离流动控制领域的工程应用,采用数值模拟的方法,研究了DSJ对分离流的控制机理与控制规律,构建控制参数向量与气动参数之间的RBF神经网络代理模型,通过改进的粒子群算法(PSO)搜索一定约束下所能...
为进一步拓宽合成双射流(DSJ)技术在翼型分离流动控制领域的工程应用,采用数值模拟的方法,研究了DSJ对分离流的控制机理与控制规律,构建控制参数向量与气动参数之间的RBF神经网络代理模型,通过改进的粒子群算法(PSO)搜索一定约束下所能达到的最佳气动参数,并搭建Inception-V3卷积神经网络模型对平均速度场所对应的控制参数进行识别,以实现根据目标流场调整激励器参数,使其气动性能达到最优的目的。结果表明:DSJ对分离流的控制机理包括:动量注入效应、涡掺混效应、抽吸效应;射流控制参数对控制效果有较大影响,迎角为16°~21°时,无量纲控制频率F^+在0.5~4.0范围内都具有较好的控制效果,迎角为22°~24°时,最佳无量纲控制频率为3~4,同时动量系数越大,增升减阻效果越明显;RBF神经网络具有良好的泛化能力,测试误差不超过17%;PSO优化结果显示,在16°≤α≤24°、0<F^+<4、0<C_μ<0.0954约束内,翼型所能达到的最大升力系数为1.793,最小阻力系数为0.013;Inception-V3模型在测试算例中的均方误差最大为0.1023,模型预测得出的控制向量所对应的速度场与原始速度场在小失速迎角下一致性较好,在大失速迎角下一致性较差。
展开更多
关键词
合成双射流
分离流控制
机理与规律
RBF神经网络
粒子群优化
inception
-
v
3
卷积神经网络
下载PDF
职称材料
题名
基于双通道卷积神经网络的视频目标移除取证算法
被引量：
3
1
作者
白珊山
倪蓉蓉
赵耀
机构
北京交通大学信息科学研究所
现代信息科学与网络技术北京市重点实验室
出处
《信号处理》
CSCD
北大核心
2020年第9期1415-1421,共7页
基金
国家重点研发计划项目(2018YFC0807306)
国家自然科学基金项目(61672090,U1936212)。
文摘
针对现有数字视频目标移除取证算法的伪造帧识别准确率低的问题,本文提出了一种基于双通道卷积神经网络的视频目标移除取证算法。该算法利用双通道结构,分别提取视频绝对帧差图像的RGB特征和噪声特征,并利用双线性池化对二者进行特征融合,而后通过分类层输出视频帧的分类结果,从而有效地识别经过篡改的视频帧。其中,RGB通道能够发现绝对帧差图像中不自然的篡改边界和对比度,噪声通道能够发现原始区域和篡改区域之间噪声的不一致性。此外,算法在网络前端增加了预处理层来放大篡改视频帧的伪造痕迹。实验结果显示,所提算法有效地提高了伪造视频帧的识别准确率,且相对于传统的单通道网络结构,双通道特征融合的方式取得了更好的检测性能。
关键词
数字视频取证
视频目标移除取证
双通道卷积神经网络
inception
-
v
3
网络
Keywords
digital
v
ideo
forensics
v
ideo
object
remo
v
al
forensics
two-channel
con
v
olutional
neural
network
inception
-
v
3
network
分类号
TP391 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
基于Inception-V3网络的双阶段数字视频篡改检测算法
被引量：
3
2
作者
翁韶伟
彭一航
危博
易林
叶武剑
机构
广东工业大学信息工程学院
广东省智能信息重点实验室
出处
《广东工业大学学报》
CAS
2019年第6期16-23,共8页
基金
国家自然科学基金资助项目(61872095,61872128,61571139,61201393)
广东省智能信息处理重点实验室、深圳市媒体信息内容安全重点实验室2018年开放基金课题(ML-2018-03)
+1 种基金
广东省信息安全技术重点实验室开放课题基金资助(2017B030314131)
广州市珠江科技新星专题(2014J2200085)
文摘
为了克服现有数字视频取证算法识别准确率低、定位能力差等缺点,提出一种具有高识别率且定位准确的基于Inception-V3网络的二级分类取证算法.在第一级分类器中提出简单的阈值判断方法来区分原始和篡改视频,第二级分类器将采用Inception-V3网络的稠密卷积核结构来自动提取篡改视频帧的高维多尺度特征.高维多尺度特征有助于提升篡改视频帧的识别率.实验结果表明,本文提出的算法不仅能准确地检测出篡改视频,还能从篡改视频中精确定位出篡改帧.
关键词
数字视频取证
视频篡改识别
inception
-
v
3
网络
篡改帧定位
Keywords
digital
v
ideo
forensics
v
ideo
forgery
detection
inception
-
v
3
network
forged
frame
localization
分类号
TP391 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
改进Inception-v3网络的手势图像识别
被引量：
1
3
作者
邓志军
田秋红
机构
浙江理工大学信息学院
出处
《计算机系统应用》
2022年第11期157-166,共10页
基金
国家自然科学基金(51405448)
浙江理工大学博士科研启动项目(11122932611817)
+2 种基金
浙江理工大学大学生科创项目(11120032662023)
浙江理工大学信息学院教育教学改革研究项目(11120033312202)
国家级大学生创新创业训练计划(11120032382104)
文摘
鉴于Inception-v3网络参数量过大的问题,本文提出了一种有效的手势图像识别方法,能够满足在模型参数量较少的情况下高精度手势识别的需求.本文利用Inception-v3的结构,对原Inception-v3的Inception模块重新进行设计,降低学习的参数量和难度,结合残差连接,保护信息的完整性,防止网络退化,引入注意力机制模块,让模型聚焦于有用的信息而淡化无用信息,在一定程度上也防止了模型的过拟合,并且在模型中进行上采样与低层特征进行特征融合,融合后的特征比原输入特征更具有判别能力,进一步提高模型的准确率.实验结果表明改进的Inception-v3网络的参数量仅为1.65 M,而且拥有更高的准确率和更快的收敛速度.将ASL手语数据集与孟加拉手语数据集分别打乱,然后按照4:1的比例单独划分出训练集和验证集.改进的Inception-v3在ASL手语数据集与孟加拉手语数据集上的识别率分别达到了100%和95.33%.
关键词
手语识别
inception
-
v
3
网络
注意力机制模块
上采样
特征融合
深度学习
卷积神经网络(CNN)
Keywords
sign
language
recognition
inception
-
v
3
network
attention
mechanism
module
up-sampling
feature
fusion
deep
learning
con
v
olutional
neural
network
(CNN)
分类号
TP391.41 [自动化与计算机技术—计算机应用技术]
TP183 [自动化与计算机技术—计算机科学与技术]
下载PDF
职称材料
题名
基于卷积神经网络的合成双射流控制机翼分离流场识别与参数优化
被引量：
1
4
作者
赵志杰
罗振兵
邓雄
机构
国防科技大学空天科学学院
出处
《空气动力学学报》
CSCD
北大核心
2020年第5期949-956,I0003,共9页
基金
国家自然科学基金面上项目(11972369,11872374)。
文摘
为进一步拓宽合成双射流(DSJ)技术在翼型分离流动控制领域的工程应用,采用数值模拟的方法,研究了DSJ对分离流的控制机理与控制规律,构建控制参数向量与气动参数之间的RBF神经网络代理模型,通过改进的粒子群算法(PSO)搜索一定约束下所能达到的最佳气动参数,并搭建Inception-V3卷积神经网络模型对平均速度场所对应的控制参数进行识别,以实现根据目标流场调整激励器参数,使其气动性能达到最优的目的。结果表明:DSJ对分离流的控制机理包括:动量注入效应、涡掺混效应、抽吸效应;射流控制参数对控制效果有较大影响,迎角为16°~21°时,无量纲控制频率F^+在0.5~4.0范围内都具有较好的控制效果,迎角为22°~24°时,最佳无量纲控制频率为3~4,同时动量系数越大,增升减阻效果越明显;RBF神经网络具有良好的泛化能力,测试误差不超过17%;PSO优化结果显示,在16°≤α≤24°、0<F^+<4、0<C_μ<0.0954约束内,翼型所能达到的最大升力系数为1.793,最小阻力系数为0.013;Inception-V3模型在测试算例中的均方误差最大为0.1023,模型预测得出的控制向量所对应的速度场与原始速度场在小失速迎角下一致性较好,在大失速迎角下一致性较差。
关键词
合成双射流
分离流控制
机理与规律
RBF神经网络
粒子群优化
inception
-
v
3
卷积神经网络
Keywords
dual
synthetic
jet
separation
flow
control
mechanism
and
law
RBF
neural
network
particle
swarm
optimization
inception
-
v
3
con
v
olutional
neural
network
分类号
V211.3 [航空宇航科学与技术—航空宇航推进理论与工程]
O357.4 [理学—流体力学]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于双通道卷积神经网络的视频目标移除取证算法
白珊山
倪蓉蓉
赵耀
《信号处理》
CSCD
北大核心
2020
3
下载PDF
职称材料
2
基于Inception-V3网络的双阶段数字视频篡改检测算法
翁韶伟
彭一航
危博
易林
叶武剑
《广东工业大学学报》
CAS
2019
3
下载PDF
职称材料
3
改进Inception-v3网络的手势图像识别
邓志军
田秋红
《计算机系统应用》
2022
1
下载PDF
职称材料
4
基于卷积神经网络的合成双射流控制机翼分离流场识别与参数优化
赵志杰
罗振兵
邓雄
《空气动力学学报》
CSCD
北大核心
2020
1
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
