-
公开(公告)号：CN109829481B
公开(公告)日：2020-10-30
申请号：CN201910007444.0
申请日：2019-01-04
Applicant: 北京邮电大学
IPC: G06K9/62
Abstract: 本发明实施例提供了一种图像分类方法、装置、电子设备及可读存储介质，应用于模式识别技术领域，所述方法包括：对各样本图像进行灰度化处理，将得到的各灰度图像表示为二维图像矩阵；样本图像包括：训练图像和待分类图像，根据各二维图像矩阵建立灰度矩阵；根据标签约束矩阵和基于半张量积的非负矩阵分解算法，对归一化灰度矩阵进行特征提取，得到特征矩阵；将标签约束矩阵和特征矩阵的乘积的转置作为混合特征矩阵，将混合特征矩阵中各待分类图像对应的特征输入预先建立的图像分类模型，得到分类结果，图像分类模型是对混合特征矩阵中各训练图像对应的特征及各训练图像对应的图像类别进行训练得到的。本发明提高了图像分类的效率。
-
公开(公告)号：CN111800251A
公开(公告)日：2020-10-20
申请号：CN202010437289.9
申请日：2020-05-21
Applicant: 北京邮电大学
Abstract: 本发明实施例提供了一种基于混沌源的图像压缩感知加密、解密方法、装置及系统，获取待传输图像以及随机生成的混沌种子包；对待传输图像进行预设填充、分块和重新排列处理，得到重组图像；基于第一混沌种子，生成测量矩阵，并采用测量矩阵分别与每个列分量进行半张量运算，得到第一加密列分量；基于第二混沌种子，生成掩码矩阵，并根据掩码矩阵分别对每一第一加密列分量进行掩码覆盖加密，得到第二加密列分量；基于第三混沌种子，生成置乱序列，并根据置乱序列分别对每一第二加密列分量进行置乱，得到第三加密列分量；依次拼接第三加密列分量，得到加密图像。能够降低内存开销、提高加密安全性。
-
公开(公告)号：CN107888370B
公开(公告)日：2020-08-18
申请号：CN201710995908.4
申请日：2017-10-23
Applicant: 北京邮电大学
IPC: H04L9/00 , H04L9/06 , H04N19/124 , H04N19/126 , H04N19/149 , H04N19/48
Abstract: 本发明提供一种图像加密方法及装置。该方法通过根据预设的正交稀疏基和明文图像的原始图像矩阵，获得稀疏表示的目标图像矩阵，降低了计算复杂程度。通过压缩感知模型对目标图像矩阵进行压缩测量，得到测量结果矩阵，其中，压缩感知模型是根据混沌矩阵和广义置换矩阵进行张量积处理得到的；压缩感知模型由两个混沌系统分别生成的矩阵进行张量积处理得到，具有足够小的互相关性，从而提高成功恢复可能性。对测量结果矩阵进行量化处理，获得量化处理后的量化矩阵；对量化矩阵进行正向扩散处理和逆向扩散处理，得到加密图像矩阵，加密图像矩阵对应密文图像，正向和逆向扩散处理能够使得图像能量分布更加均匀，进一步增强系统安全性和图像加密性能。
-
公开(公告)号：CN109829481A
公开(公告)日：2019-05-31
申请号：CN201910007444.0
申请日：2019-01-04
Applicant: 北京邮电大学
IPC: G06K9/62
Abstract: 本发明实施例提供了一种图像分类方法、装置、电子设备及可读存储介质，应用于模式识别技术领域，所述方法包括：对各样本图像进行灰度化处理，将得到的各灰度图像表示为二维图像矩阵；样本图像包括：训练图像和待分类图像，根据各二维图像矩阵建立灰度矩阵；根据标签约束矩阵和基于半张量积的非负矩阵分解算法，对归一化灰度矩阵进行特征提取，得到特征矩阵；将标签约束矩阵和特征矩阵的乘积的转置作为混合特征矩阵，将混合特征矩阵中各待分类图像对应的特征输入预先建立的图像分类模型，得到分类结果，图像分类模型是对混合特征矩阵中各训练图像对应的特征及各训练图像对应的图像类别进行训练得到的。本发明提高了图像分类的效率。
-
公开(公告)号：CN109756740A
公开(公告)日：2019-05-14
申请号：CN201910047110.6
申请日：2019-01-18
Applicant: 北京邮电大学
IPC: H04N19/60 , H04N19/42 , H04N19/426
Abstract: 本发明实施例提供了基于最优测量矩阵的半张量图像压缩方法和图像恢复方法。其中，该图像压缩方法包括：对待压缩图像的原始矩阵进行稀疏变换，得到待压缩图像的第一稀疏表示矩阵；基于第一稀疏表示矩阵的行数、预设压缩比和预设系数，确定原始矩阵对应的初始测量矩阵的行数和列数；基于预设的元素数值关系，生成m×n维矩阵，作为初始测量矩阵；对初始测量矩阵进行优化，得到最优测量矩阵；基于最优测量矩阵与预设的半张量压缩感知模型，对第一稀疏表示矩阵进行压缩，得到压缩后的目标矩阵。与现有技术相比，应用本发明实施例提供的方案，可以实现提高压缩感知理论在计算资源和通信能耗受限的网络中的实用性。
-
Patent Agency Ranking
公开(公告)号：CN119760746A
公开(公告)日：2025-04-04
申请号：CN202411870686.X
申请日：2024-12-18
Applicant: 北京邮电大学
IPC: G06F21/60 , G06F21/64 , G06N3/0895 , G06N3/0455 , G06N3/0442
Abstract: 基于属性基加密与深度学习的区块链监察系统及方法，属于信息领域，包括用户提供身份和属性信息给注册授权机构，生成一组私钥；根据数据访问需求设定访问策略，使用私钥对数据进行加密；将数据转换为密文，将加密数据和密钥上传服务器，为每条数据生成一个唯一标识符；设计智能合约管理数据唯一标识符上链过程；用户通过唯一标识符在服务器中定位目标数据，符合访问策略的用户使用私钥解密数据；监管方向注册授权机构申请秘钥对数据进行解密，利用解密后的数据构建多敏感信息检测模型，检测文本敏感信息。本发明利用属性基加密增强数据访问的灵活性和安全性，结合深度学习模型有效检测并识别数据中潜在敏感信息，确保数据传输的完整性与安全性。
-
公开(公告)号：CN119760716A
公开(公告)日：2025-04-04
申请号：CN202411834970.1
申请日：2024-12-13
Applicant: 北京邮电大学
IPC: G06F21/57 , G06F18/25 , G06F18/2411 , G06F18/214 , G06N3/042
Abstract: 本发明涉及安全、人工智能技术领域，特别是一种基于多模态特征的二进制文件漏洞分析方法，构建二进制文件样本集，提取二进制文件的漏洞相关函数及其上下文函数，对漏洞相关函数及其上下文函数分别生成静态特征向量和动态特征向量，将静态特征向量和动态特征向量融合生成多模态特征向量，漏洞相关函数及其上下文函数的多模态特征向量融合生成二进制样本多模态特征向量，作为训练深度学习模型的输入，对其进行进行预处理，通过多个全连接层进行进一步的特征学习与映射，输出层使用softmax激活函数进行分类，提高二进制漏洞检测的覆盖率及精度。
-
公开(公告)号：CN115664656B
公开(公告)日：2025-03-25
申请号：CN202211309400.1
申请日：2022-10-25
Applicant: 北京邮电大学
Abstract: 本发明公开了一种支持叛逆者追踪和树形访问结构的密文策略属性基加密法，包括如下步骤：S1、初始化设置，生成公共参数和授权机构的主密钥；S2、授权机构根据用户的身份标志和属性，生成对应的解密私钥；S3、加密方制定树形访问结构来表达访问策略，并根据该树形访问结构将明文加密成密文；S4、如果用户的解密私钥中的属性满足密文中的访问策略，则该用户能够利用其解密私钥将密文恢复成明文，否则，该用户的解密私钥不能将密文恢复成明文；S5、如果某个用户将其解密私钥泄漏给非授权的第三方，那么根据被泄漏的解密私钥进行追踪，以确定泄漏者的身份。本发明有利于防止用户解密权限的滥用和提高访问策略的表达能力，促进属性基加密安全和高效。
-
公开(公告)号：CN114240786B
公开(公告)日：2025-01-17
申请号：CN202111563600.5
申请日：2021-12-20
Applicant: 北京邮电大学
Abstract: 本发明实施例提供了一种图像重构方法及装置，涉及图像处理技术领域。上述方法包括：采用不同的分割方式对待处理图像进行分割，得到不同的子图像集，针对每一子图像集，采用目标分割方式对应的图像重构处理的方式对该子图像集中包含的各个子图像分别进行图像重构处理，得到各个子图像的子图像重构结果，针对每一子图像集，对该子图像集中包含的各个子图像的子图像重构结果进行合并，得到与所述待处理图像尺寸相同、与目标分割方式相对应的重构图像，基于各个预设的注意力权重，对各个重构图像进行融合，得到最终的图像重构结果。应用本发明实施例提供的技术方案可以提高图像重构的清晰度。
-
公开(公告)号：CN118865986A
公开(公告)日：2024-10-29
申请号：CN202410878857.7
申请日：2024-07-02
Applicant: 北京邮电大学
IPC: G10L17/18 , G06F18/24 , G06F18/25 , G06F18/10 , G06F18/213 , G06N3/0464 , G06N3/098 , G06F17/14 , G10L17/26 , G10L17/02
Abstract: 本发明提供一种基于多特征联合网络学习的语音欺骗检测算法，接收到语音信号后，对所述语音信号进行信号处理工作，提取三种特征，并将每个特征分别输入深度卷积神经网络的后端分类器，计算得到三种特征对应的检测分数，将检测分数进行融合分析，判断所述待测的语音信号是人声还是ai语音合成攻击的结果；具体算法包括：信号处理、特征提取、基于深度神经网络的后端分类器检测、输出分数以及做出判决，本发明建立TF‑TDNN时延神经网络作为后端分类器，对三种特征进行分类学习，得到三种检测分数，基于ECAPA‑TDNN的架构，有效建模全局通道的相关性并且得到多尺度特征信息，在此基础上加入AFM注意力融合机制，得到各卷积层的融合信息，帮助网络获得更多隐含特征，提高模型度量结果。
-
-
-
-
-
-
-
-
-
Search Results
127
records
(took 0.029 seconds)
