-
公开(公告)号：CN114048770B
公开(公告)日：2024-07-26
申请号：CN202111315681.7
申请日：2021-11-08
Applicant: 湖北工业大学
IPC: G10L25/51 , G06F18/241 , G10L25/30 , G10L25/18 , G06F18/10 , G06F18/213 , G06F18/24 , G06N3/0464 , G06N3/09
Abstract: 本发明属于数字音频信号篡改检测技术领域，公开了一种面向数字音频删除和插入篡改操作自动检测方法及系统，利用训练好的电网频率的通用背景模型，提取每个数字音频信号的电网频率频谱特征超矢量；将所提取的电网频率频谱特征超矢量输入由注意力机制和残差网络构成的深度表示学习网络进行浅层特征的学习；将训练好的浅层特征输入到分类网络中，判断是否经过删除或插入的篡改。本发明采用提取电网频率频谱特征超矢量，并建立深度神经网络训练所提取的特征；本发明不仅实现了篡改检测的自动化，还将深度神经网络很好的应用于篡改检测，并且取得很好的效果。本发明具有更高的准确率和较好的鲁棒性。
-
公开(公告)号：CN114822590A
公开(公告)日：2022-07-29
申请号：CN202210448675.7
申请日：2022-04-26
Applicant: 湖北工业大学
Abstract: 本发明涉及一种基于电网频率相位时序表征的数字音频篡改被动检测方法及装置，首先对待检测音频数据进行处理得到电网频率(ENF)成分，基于DFT1变换对ENF成分处理得到ENF相位根据待检测最长时长音频计算出帧数与帧长，并对ENF相位进行分帧处理获取相位时序表征；利用神经网络从ENF相位时序表征中获取ENF时序信息，经过拟合后分类。本发明能够有效提升系统的识别性能提高了模型泛化能力，优化了系统结构，提高了相应设备源识别产品的竞争力。
-
公开(公告)号：CN114821258B
公开(公告)日：2024-08-06
申请号：CN202210448707.3
申请日：2022-04-26
Applicant: 湖北工业大学
IPC: G06V10/80 , G06V10/77 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及一种基于特征图融合的类激活映射方法及装置。首先将电气设备图像输入至已训练好的卷积神经网络提取每一个卷积层的特征图，并将其融合后输出一个预测该图像类别的分数，并计算特征图相对于分数的梯度；将得到的梯度进行全局平均池化操作得到权重并将其与对应的特征图相乘，ReLU操作后得到最后的类激活图。本发明通过对深浅层特征图的融合，可让融合后的特征图同时具备深浅层特征图的优点，可以生成性能更好的类激活图。
-
公开(公告)号：CN114048770A
公开(公告)日：2022-02-15
申请号：CN202111315681.7
申请日：2021-11-08
Applicant: 湖北工业大学
Abstract: 本发明属于数字音频信号篡改检测技术领域，公开了一种面向数字音频删除和插入篡改操作自动检测方法及系统，利用训练好的电网频率的通用背景模型，提取每个数字音频信号的电网频率频谱特征超矢量；将所提取的电网频率频谱特征超矢量输入由注意力机制和残差网络构成的深度表示学习网络进行浅层特征的学习；将训练好的浅层特征输入到分类网络中，判断是否经过删除或插入的篡改。本发明采用提取电网频率频谱特征超矢量，并建立深度神经网络训练所提取的特征；本发明不仅实现了篡改检测的自动化，还将深度神经网络很好的应用于篡改检测，并且取得很好的效果。本发明具有更高的准确率和较好的鲁棒性。
-
公开(公告)号：CN114723049B
公开(公告)日：2024-07-26
申请号：CN202210450329.2
申请日：2022-04-26
Applicant: 湖北工业大学
IPC: G06N3/084 , G06N3/0464
Abstract: 本发明涉及一种基于梯度优化的类激活映射方法及装置。首先将电气设备图像输入至已训练好的卷积神经网络提取目标卷积层的特征图，同时网络输出能预测该图像类别的分数，利用反向传播计算特征图相对于分数的梯度；对得到的梯度进行优化处理，并使所有梯度都转换为正梯度后得到正相关梯度，将正相关梯度进行全局平均池化操作得到权重，最后将权重与特征图线性结合，并进行上采样和归一化操作得到初始类激活图；将得到的初始类激活图与输入图像点乘后再送入卷积神经网络，经过softmax操作后得到分数；将的分数与初始类激活图相乘，ReLU操作后得到最后的类激活图。本发明通过优化梯度使类激活图中显著性区域更加集中。
-
Patent Agency Ranking
公开(公告)号：CN117495988A
公开(公告)日：2024-02-02
申请号：CN202310214538.1
申请日：2023-03-08
Applicant: 湖北工业大学
Abstract: 本发明属于图像压缩感知重建技术领域，公开了一种基于优化算法展开的图像压缩感知重建方法及系统，在采样阶段，利用卷积采样方法代替传统的随机矩阵采样，在重建阶段，将泛化型迭代阈值收缩算法展开成深度网络，并在重建子模块R中设计了跳跃信息连接结构，利用残差模块模块连接前后特征信息，避免了深度展开网络中的固有信息损失。不仅如此，在重建子模块R的后端设计了一个双尺度去噪模块，结合不同尺度的特征对图像去噪。本发明不仅实现了算法展开方法在图像压缩感知中的应用，还利用跳跃连接结构以及双尺度去噪模块提升重建效果。本发明具有更高的准确率和较好的鲁棒性。
-
公开(公告)号：CN112151067B
公开(公告)日：2023-05-02
申请号：CN202011034201.5
申请日：2020-09-27
Applicant: 湖北工业大学
IPC: G10L25/51 , G10L25/30 , G06F18/24 , G06N3/0464
Abstract: 本发明属于数字音频篡改检测技术领域，特别指一种基于卷积神经网络的数字音频篡改被动检测方法。本法发明提出对ENF波动超矢量特征采用卷积神经网络CNN与注意力机制Attention来进行分类。卷积神经网络可以更好的学习原始音频与篡改音频的差异性。注意力机制从CNN输出的大量特征中筛选出重要信息，减小输入数据的运算负担。本发明的数字音频篡改检测方法与传统数字音频篡改检测方法相比能够有效提升系统的识别性能，优化了系统结构，提高了相应设备源识别产品的竞争力。
-
公开(公告)号：CN114723733A
公开(公告)日：2022-07-08
申请号：CN202210450336.2
申请日：2022-04-26
Applicant: 湖北工业大学
Abstract: 本发明涉及一种基于公理解释的类激活映射方法及装置。首先将电气设备图像输入至已训练好的CNN模型，并提取模型中目标卷积层的特征图，同时获取目标类别分数，利用反向传播计算特征图相对于分数的梯度并对其优化处理，将优化后的梯度进行全局平均池化操作得到权重，最后将权重与特征图线性结合，并进行上采样和归一化操作得到初始类激活图；将得到的初始类激活图与输入图像点乘，对点乘后的图像进行平滑操作后再送入模型，经过softmax操作后生成N个分数，最终平均到一个分数；最后将得到的分数与初始类激活图相乘，ReLU操作后得到最后的类激活图。利用本发明生成的类激活图在清晰度、对象定位等方面有更好的视觉解释。
-
公开(公告)号：CN112150566A
公开(公告)日：2020-12-29
申请号：CN202011034288.6
申请日：2020-09-27
Applicant: 湖北工业大学
Abstract: 本发明涉及图像处理领域，主要涉及一种基于特征融合的密集残差网络图像压缩感知重建方法。应用多个密集残差块，提出了一个基于压缩感知算法的密集残差网络(RDNCS)；每个密集残差块(RDB)包括连接记忆单元，局部特征融合单元，和局部残差学习单元。因此，本发明具有如下优点：1.在每一个RDB中，连接记忆单元机制、特征融合机制以及残差学习显著提高了图像重建质量。2.特征融合机制使得RDB网络获取的特征更加广泛与有效，自适应的获取重建所需的信息，而且降低了网络的特征图数量。
-
公开(公告)号：CN114067831B
公开(公告)日：2025-01-17
申请号：CN202111313782.0
申请日：2021-11-08
Applicant: 湖北工业大学
IPC: G10L25/24 , G10L25/30 , G10L25/51 , G06N3/0464 , G06N3/09
Abstract: 本发明属于数字音频被动取证技术领域，公开了一种端到端录音设备源识别方法、识别系统、计算机设备，按时序分帧提取数字音频中的梅尔倒谱系数作为设备源特征，再划分为时序特征片段分别提取高斯均值矩阵，得到时序高斯均值矩阵特征；利用卷积神经网络对时序高斯均值矩阵特征进行深度表示学习，提取深度瓶颈特征；通过双向长短期记忆神经网络提取深度时序瓶颈特征中的时域特性，进行录音设备源的识别分类。本发明能够有效的检测区分大量的录音设备型号，并充分考虑到数字音频自身的特殊性，提高了算法的准确度与效率；本发明在进行录音设备源任务时，所需语音数据量小，每条音频文件只需要数秒的长度，不需要特意使用非语音段进行识别。
-
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.018 seconds)
