一种小目标复制-粘贴篡改图像的盲取证方法

    公开(公告)号:CN115619639A

    公开(公告)日:2023-01-17

    申请号:CN202211256497.4

    申请日:2022-10-14

    Abstract: 本发明为一种小目标复制‑粘贴篡改图像的盲取证方法,阶段一,对输入图像进行预处理,利用残差超分网络提取预处理的输入图像的残差特征,并将残差特征进行超分,得到超分图像;阶段二,首先对篡改图像进行预处理,将预处理的篡改图像输入到训练后的残差超分网络中,得到残差特征和超分图像;接着提取超分图像的频域特征,再对频域特征与残差特征进行融合,得到跨域特征,并从跨域特征中提取多尺度特征;最后,通过卷积操作和上采样操作得到多尺度特征的预测掩膜,各个预测掩膜分别经过卷积操作变为同一维度后再逐点相加,得到预测分割图,完成盲取证。将篡改图像超分为高分辨率图像,提高网络对小目标的识别能力;充分利用篡改图像中的频域信息获取篡改伪影,提高网络对篡改区域的检测能力。

    一种基于自然语言描述的行人再识别方法

    公开(公告)号:CN110909673B

    公开(公告)日:2022-09-16

    申请号:CN201911148055.6

    申请日:2019-11-21

    Abstract: 本发明一种基于自然语言描述的行人再识别方法,涉及用于识别图形记录载体的处理,具体说是设计图像和自然语言描述双分支网络结构,图像分支网络结构采用MobileNet卷积网络进行图像特征提取,自然语言描述分支网络结构通过BiLSTM网络进行文本特征提取,对于图像特征和文本特征之间的相似性度量部分进行构建堆叠损失函数并进行网络训练,用训练好的网络在待测图像集中搜索所包含的对应的行人图像,实现基于堆叠损失函数的自然语言描述的行人再识别,克服了现有技术中所存在的特征提取部分文本特征表征性不高,损失函数部分训练网络困难训练时间长及训练过程要消耗大量内存的缺陷。

    异构多模态影像遗传学数据特征分析方法

    公开(公告)号:CN112288027B

    公开(公告)日:2022-05-03

    申请号:CN202011223328.1

    申请日:2020-11-05

    Abstract: 本发明异构多模态影像遗传学数据特征分析方法,同时考虑样本数据间的结构关系以及训练过程中样本的“难易程度”,采用样本加权和结构稀疏化对脑影像数据和基因数据进行特征分析。该方法采用自步学习机制,实现训练过程中样本由简单到复杂的自动增长,减小噪声对模型的影响。此外,在自步学习框架下,引入局部保留投影方法,有效保留样本空间下样本点内部固定的邻域结构,同时用L1范数约束投影矩阵作为正则化项,实现特征选择过程。最后利用多核支持向量机对选择后的特征进行融合分类,从而提高对疾病的诊断精度。本发明公开的方法能够有效地进行特征选择和分类。

    多模态脑部神经影像特征的处理方法

    公开(公告)号:CN109770932B

    公开(公告)日:2022-04-29

    申请号:CN201910128235.1

    申请日:2019-02-21

    Abstract: 本发明多模态脑部神经影像特征的处理方法,涉及用于识别图形的图像特征或特性的抽取的图像预处理,先采用样本权重和低秩约束的多模态神经影像特征选择方法对多模态的数据进行特征选择,得到低维特征矩阵,计算每个模态的核矩阵,得到低维特征矩阵,计算每个模态的核矩阵,然后将不同模态的核矩阵融合成一个核矩阵,由此选择出更具有判别性的生物标志物特征,并使用多核支持向量机对阿尔茨海默病新样本病例进行预测分类,克服了现有技术中,所存在的利用的生物标志物特征会对受试者造成伤害,只利用一种脑部影像特征数据或利用不充分的多模态脑部神经影像特征数据不能找出患者的患病脑区,并且所利用的脑部影像中的特征没有医学上的解释性的缺陷。

    基于多图谱神经影像学数据进行生物标志物的挖掘方法

    公开(公告)号:CN112233805B

    公开(公告)日:2022-03-01

    申请号:CN202011095325.4

    申请日:2020-10-14

    Abstract: 本发明公开基于多图谱神经影像学数据进行生物标志物的挖掘方法,涉及用于识别图形的方法,可以同时考虑多个图谱间高阶互补关系以及样本权重信息,采用基于权重诱导低秩学习的多图谱特征选择方法对神经影像数据进行特征分析。该方法采用一阶邻域聚合的方式,将每个脑区的所有连接强度之和作为该脑区的特征,并使用循环迭代的方式使选择出的特征更加稳定,最后利用多核支持向量机对选择后的特征进行融合分类,从而提高对阿尔茨海默病的诊断精度。本发明克服了现有的对阿尔茨海默症分类技术中,存在的无法考虑样本权重信息以及多图谱信息,容易对阿尔茨海默病诊断分类错误的缺陷。

    基于多图谱神经影像学数据进行生物标志物的挖掘方法

    公开(公告)号:CN112233805A

    公开(公告)日:2021-01-15

    申请号:CN202011095325.4

    申请日:2020-10-14

    Abstract: 本发明公开基于多图谱神经影像学数据进行生物标志物的挖掘方法,涉及用于识别图形的方法,可以同时考虑多个图谱间高阶互补关系以及样本权重信息,采用基于权重诱导低秩学习的多图谱特征选择方法对神经影像数据进行特征分析。该方法采用一阶邻域聚合的方式,将每个脑区的所有连接强度之和作为该脑区的特征,并使用循环迭代的方式使选择出的特征更加稳定,最后利用多核支持向量机对选择后的特征进行融合分类,从而提高对阿尔茨海默病的诊断精度。本发明克服了现有的对阿尔茨海默症分类技术中,存在的无法考虑样本权重信息以及多图谱信息,容易对阿尔茨海默病诊断分类错误的缺陷。

    基于能量转移和均匀缩放的图像重定向方法

    公开(公告)号:CN109447970B

    公开(公告)日:2020-12-29

    申请号:CN201811274899.0

    申请日:2018-10-30

    Abstract: 本发明基于能量转移和均匀缩放的图像重定向方法,涉及整个或部分图形的定标的图像数据处理,步骤是:输入图像进行预处理; :提取彩色RGB图像Icolor的重要度图,根据累积能量矩阵确定最佳接缝,重要度更新,移除最佳接缝,评价缝裁剪后图像的变形程度; :对完成上述“A.对图像进行水平方向缩放”的图像数据进行转置,重复上述第二步到第六步的操作进行并完成对图像进行垂直方向上的缩放;本发明克服了现有技术存在的在图像缩放中原图像主体目标会发生明显变形、图像全局信息丢失以及留有明显的人工处理痕迹以及时间复杂度高的缺陷。

    将人脸表情识别和语音情感识别融合的视频情感识别方法

    公开(公告)号:CN109409296B

    公开(公告)日:2020-12-01

    申请号:CN201811272233.1

    申请日:2018-10-30

    Abstract: 本发明是将人脸表情识别和语音情感识别融合的视频情感识别方法,涉及用于识别图形的记录载体的处理,是一种基于决策级的两个过程递进式的视听情感识别方法,该方法将视频中的人脸表情识别和语音情感识别分开,采用两个过程递进式的情感识别的方法,通过计算条件概率的方式,在人脸表情识别的基础上进行语音情感识别的技术;步骤是:过程A.将人脸图像表情识别作为第一次分类识别;过程B.将语音情感识别作为第二次分类识别;过程C.人脸表情识别和语音情感识别的融合。本发明克服了现有技术在人类情感识别中忽略了人脸特征和语音特征之间的内在联系以及视频情感识别的识别速度慢和识别率不高的缺陷。

Patent Agency Ranking