-
公开(公告)号：CN118230141A
公开(公告)日：2024-06-21
申请号：CN202410332570.4
申请日：2024-03-22
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于设备指纹的深度伪造视频检测方法，包括如下步骤：步骤1、视频拍摄设备的指纹信息提取；步骤2、视频溯源，通过计算待检测视频指纹信息与参考视频指纹信息之间的PCE值，从而判定是否同一设备拍摄；步骤3、通过PCE值与阈值对比进行视频真伪检测。该方法利用视频中存在的设备指纹信息，对视频进行溯源以及真伪检测，并利用视频中不可更改的设备指纹信息，使得提出的方法具备一定的鲁棒性，为深度伪造视频检测提供全新的思路，具有实用价值。
-
公开(公告)号：CN115018688A
公开(公告)日：2022-09-06
申请号：CN202210661028.4
申请日：2022-06-13
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于DCT系数的生成网络模型水印方法，包括如下步骤：步骤1、创建训练图像数据集；步骤2、利用DCT变换在训练图像中嵌入不可见图像水印，步骤2.1、读取RGB图像为32*32*3的矩阵，提取图像中的蓝色通道B，即其中32*32*1的部分矩阵；步骤2.2、将训练图像在蓝色通道B中分割为大小为2*2的分块；步骤2.3、对每一个2*2方块进行DCT变换后在用水印的值乘以10后覆盖方块右下角的值，嵌入一位水印；步骤2.4、对2*2方块进行逆DCT变化，并更新原方块的值；步骤3、将步骤2中的带有不可见水印的训练图像投入生成图像任务的神经网络中训练，得到带水印的网络模型。该方法在神经网络模型的原始损失上加上水印损失，同时处理训练集图像，在训练集图像中嵌入DCT水印。
-
公开(公告)号：CN114493972A
公开(公告)日：2022-05-13
申请号：CN202210110918.6
申请日：2022-01-29
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种对抗式生成网络版权保护方法。本发明步骤：步骤1、收集N张包含指定物体的图片作为水印图像；步骤2、将指定的密钥字符串通过密钥生成函数得到特定长度的水印标签，并将该水印标签作为步骤1收集的水印图像的水印标签；将水印图像和水印标签结合作为触发集；步骤3、将步骤2得到的触发集与训练任务图像一起放入对抗式生成网络中训练，得到带水印的网络模型；步骤4、网络模型所有者持有水印标签，当网络模型版权发生争端时，模型所有者将特定的水印标签输入至生成器中，生成器返回相应的水印图像，与提供的训练水印图像进行比对，完成版权验证。本发明能够在不改变网络本身结构和不影响模型性能的情况下保护模型的版权，丰富了黑盒模型水印的研究。
-
公开(公告)号：CN112714231A
公开(公告)日：2021-04-27
申请号：CN202011581087.8
申请日：2020-12-28
Applicant: 杭州电子科技大学
IPC: H04N1/32
Abstract: 本发明公开了一种基于DCT符号替换的鲁棒隐写方法，包括元素嵌入和信息提取两个部分。现有技术中直接对通行内容进行加密，无法隐藏通行行为，更容易受到攻击。本方法结合了隐写技术和水印方法，将机密信息嵌入通信载体，隐藏了通信行为。根据图像的纹理区域和离散余弦变换系数选择用于嵌入机密信息的载体图像，对载密信息进行常规处理后，结合载体的位置信息嵌入载体图像中。完成加密后进行鲁棒性测试。通过共享密钥、相应的解码即可得到嵌入的秘密信息。本方法可用于社交平台或其他公共有损信道的隐蔽通信，有效提高载密图像在受到攻击后正确提取秘密信息的能力，同时保证其抗检测性能，使秘密信息的传输更加安全可靠。
-
公开(公告)号：CN118230141B
公开(公告)日：2025-04-29
申请号：CN202410332570.4
申请日：2024-03-22
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于设备指纹的深度伪造视频检测方法，包括如下步骤：步骤1、视频拍摄设备的指纹信息提取；步骤2、视频溯源，通过计算待检测视频指纹信息与参考视频指纹信息之间的PCE值，从而判定是否同一设备拍摄；步骤3、通过PCE值与阈值对比进行视频真伪检测。该方法利用视频中存在的设备指纹信息，对视频进行溯源以及真伪检测，并利用视频中不可更改的设备指纹信息，使得提出的方法具备一定的鲁棒性，为深度伪造视频检测提供全新的思路，具有实用价值。
-
Patent Agency Ranking
公开(公告)号：CN119888166A
公开(公告)日：2025-04-25
申请号：CN202411802659.9
申请日：2024-12-09
Applicant: 杭州电子科技大学
IPC: G06V10/25 , G06V10/143 , G06V10/80 , G06V10/94 , G06V10/82 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/0455
Abstract: 本发明公开了一种基于特征融合增强的三模态显著性目标检测方法，该方法首先对三模态显著目标检测数据集中的训练集和测试集，分别进行预处理。其次构建基于特征融合增强的三模态显著性目标检测网络。最后将预处理后的训练集图像输入三模态显著性目标检测网络中，生成与输入图像同尺寸的预测图；再使用损失函数进行损失计算，通过反向传播进行优化，并通过预处理后的测试集图像进行测试。本发明提高了多模态显著性目标检测的精度，增强了多模态信息之间的互补性和全局感知能力。
-
公开(公告)号：CN119091273A
公开(公告)日：2024-12-06
申请号：CN202411098079.6
申请日：2024-08-12
Applicant: 杭州电子科技大学
IPC: G06V10/82 , G06V10/40 , G06V10/44 , G06V10/80 , G06V20/10 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的遥感图像显著目标检测方法，该方法首先获取光学遥感图像，构建。其次编码阶段，数据集数据通过构建骨干网络提取多级特征。然后通过空洞卷积构建高级语义信息处理模块GFM，基于多级特征，得到语义特征，并构建边缘提取模块EEM，提取边缘特征。最后在解码阶段，基于多级特征进行解码，并构建信息融合模块EFM，结合语义特征和边缘特征进行特征融合，输出目标检测结果。本发明能够更好的利用高级语义信息和边缘信息，得到准确的显著目标检测结果。
-
公开(公告)号：CN118735901A
公开(公告)日：2024-10-01
申请号：CN202410955963.0
申请日：2024-07-17
Applicant: 杭州电子科技大学
IPC: G06T7/00 , G06V10/44 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的钢铁表面缺陷检测方法，该方法首先获取带钢表面缺陷数据集，并进行预处理。其次构建深度特征提取网络，进行特征提取，得到深度特征，并构建级联特征融合模块，进行深度特征的融合。然后基于深度特征提取网络相应阶段的输出特征，通过卷积注意力模块，进行特征的注意力增强，获得重标定的特征。最后基于重标定的特征和融合后的深度特征，进行边缘引导和显著目标融合，输出检测结果。本发明在处理复杂的缺陷场景时，能够准确进行缺陷检测。
-
公开(公告)号：CN118674955A
公开(公告)日：2024-09-20
申请号：CN202410594154.1
申请日：2024-05-14
Applicant: 杭州电子科技大学
IPC: G06V10/762 , G06V10/74 , G06V10/766 , G16H50/20
Abstract: 一种自动乳腺超声图像聚类方法，属于机器学习技术领域。本发明通过考虑生物数据聚类的子空间聚类算法和求解该算法的迭代优化算法，以及CAD系统的实际应用，能够提供更有效、快速和经济可行的三维ABUS影像的乳腺癌早期筛查方案；本发明提出封装数据的局部结构并对特征应用非负约束的图像表征方法，来兼顾数据的全局和局部结构特征；同时将流形正则化器合并到图像表征中以考虑数据的流形结构，由此得到GLSR算法框架；然后基于ADMM迭代方法开发了一种高效的迭代算法来保证我们提出的GLSR算法得到局部最优解并保证收敛。
-
公开(公告)号：CN118447312A
公开(公告)日：2024-08-06
申请号：CN202410557855.8
申请日：2024-05-08
Applicant: 杭州电子科技大学 , 浙江伽奈维医疗科技有限公司
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于交互式融合与匹配的三模态少样本目标检测方法，该方法首先对多模态少样本目标检测数据集进行预处理。其次采用U型网络架构，由权重共享的编码器、特征融合与匹配FC模块、多模态特征匹配MC模块和三层渐进式解码器，构建三模态少样本目标检测网络。最后采用二元交叉熵损失函数，以及深度监督的方式，计算损失并对三模态少样本目标检测网络进行训练。本发明有效提升泛化性能，并降低对数据标注的依赖，预测结果与实际物体边界更为一致。
-
-
-
-
-
-
-
-
-
Search Results
33
records
(took 0.02 seconds)
