公开(公告)号：CN118366089A

公开(公告)日：2024-07-19

申请号：CN202410797280.7

申请日：2024-06-20

Applicant: 暨南大学

Inventor： 方俊彬 ,  江灿健 ,  沈艺璇

IPC: G06V20/40 ,  G06V10/141 ,  G06V10/145 ,  G06V10/147 ,  G06V10/762 ,  G06V10/774

Abstract: 本发明公开了一种基于LED照明调制与稀疏扰动传播的视频识别物理对抗攻击系统及方法，系统包括对抗攻击扰动信号生成模块、LED照明调制与驱动模块、LED照明光源、CMOS图像传感器和视频识别模型；本发明对视频进行关键帧选择，并利用这些关键帧生成可传播的对抗攻击扰动信号，用于LED照明调制对不同视频拍摄场景进行物理对抗攻击；其中，设计了一种关键帧选择算法，通过聚类及熵值度量选出视频中的重要帧和脆弱帧；通过对关键帧执行稀疏对抗攻击破坏视频特征；在训练阶段引入基于关键帧分类线索、扰动传播路径和信号调制因子的融合对抗损失，增强对抗扰动的传播能力以及隐蔽性；LED照明调制的对抗攻击扰动形式可泛化和迁移至不同视频样本和视频识别模型。

公开(公告)号：CN115100279A

公开(公告)日：2022-09-23

申请号：CN202210654874.3

申请日：2022-06-10

Applicant: 暨南大学

Inventor： 方俊彬 ,  李丹婕 ,  林嘉俊 ,  魏展航 ,  江灿健 ,  陈姝豫 ,  蒋琳

IPC: G06T7/73 ,  G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于BN‑CNN的高速可见光定位图像处理方法、系统及介质，方法为：获取信号发射端LED灯的唯一标识符并编码为交叉二五码，通过调制器使用开关键控对LED灯进行调制，驱动LED灯发出不同频率的光信号；使用CMOS图像传感器在信号接收端捕获光信号图像，并划分为训练集和测试集；将条纹图像训练集导入设计好的批规范化卷积神经网络进行训练，使用连续梯度下降法优化损失，获得条纹图像分类模型；将条纹图像测试集导入条纹图像分类模型进行识别，判断条纹图像所属类别及类别对应LED灯的唯一标识符，确定信号接收端的位置。本发明通过批规范化卷积神经网络来进行深度学习，提高了高速运动下捕捉到的模糊图像的识别速度和准确率，具有良好的鲁棒性。

公开(公告)号：CN118366089B

公开(公告)日：2024-09-27

申请号：CN202410797280.7

申请日：2024-06-20

Applicant: 暨南大学

Inventor： 方俊彬 ,  江灿健 ,  沈艺璇

IPC: G06V20/40 ,  G06V10/141 ,  G06V10/145 ,  G06V10/147 ,  G06V10/762 ,  G06V10/774

Abstract: 本发明公开了一种基于LED照明调制与稀疏扰动传播的视频识别物理对抗攻击系统及方法，系统包括对抗攻击扰动信号生成模块、LED照明调制与驱动模块、LED照明光源、CMOS图像传感器和视频识别模型；本发明对视频进行关键帧选择，并利用这些关键帧生成可传播的对抗攻击扰动信号，用于LED照明调制对不同视频拍摄场景进行物理对抗攻击；其中，设计了一种关键帧选择算法，通过聚类及熵值度量选出视频中的重要帧和脆弱帧；通过对关键帧执行稀疏对抗攻击破坏视频特征；在训练阶段引入基于关键帧分类线索、扰动传播路径和信号调制因子的融合对抗损失，增强对抗扰动的传播能力以及隐蔽性；LED照明调制的对抗攻击扰动形式可泛化和迁移至不同视频样本和视频识别模型。

公开(公告)号：CN115100279B

公开(公告)日：2024-09-13

申请号：CN202210654874.3

申请日：2022-06-10

Applicant: 暨南大学

Inventor： 方俊彬 ,  李丹婕 ,  林嘉俊 ,  魏展航 ,  江灿健 ,  陈姝豫 ,  蒋琳

IPC: G06T7/73 ,  G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/082 ,  G06N3/084

Abstract: 本发明公开了一种基于BN‑CNN的高速可见光定位图像处理方法、系统及介质，方法为：获取信号发射端LED灯的唯一标识符并编码为交叉二五码，通过调制器使用开关键控对LED灯进行调制，驱动LED灯发出不同频率的光信号；使用CMOS图像传感器在信号接收端捕获光信号图像，并划分为训练集和测试集；将条纹图像训练集导入设计好的批规范化卷积神经网络进行训练，使用连续梯度下降法优化损失，获得条纹图像分类模型；将条纹图像测试集导入条纹图像分类模型进行识别，判断条纹图像所属类别及类别对应LED灯的唯一标识符，确定信号接收端的位置。本发明通过批规范化卷积神经网络来进行深度学习，提高了高速运动下捕捉到的模糊图像的识别速度和准确率，具有良好的鲁棒性。