【摘 要】
：
本文针对矢量量化编码的量化误差严重,而稀疏编码只是一种浅层学习模型,容易导致视觉词典对图像特征缺乏选择性的问题,提出了一种基于深度学习特征编码模型的图像分类方法.首先,采用深度学习网络-无监督的受限玻尔兹曼机(RBM)代替传统的K-Means聚类及稀疏编码等方法对SIFT特征库进行编码学习,生成视觉词典;其次,根据学习得到的词典,得到每一个SIFT特征对应的稀疏向量,并对其进行融合得到图像的深度学
【机 构】
：
武警工程大学电子技术系 陕西西安710000 63618部队 新疆库尔勒8410000
【出 处】
：
第十三届全国信息隐藏暨多媒体信息安全学术大会
论文部分内容阅读
本文针对矢量量化编码的量化误差严重,而稀疏编码只是一种浅层学习模型,容易导致视觉词典对图像特征缺乏选择性的问题,提出了一种基于深度学习特征编码模型的图像分类方法.首先,采用深度学习网络-无监督的受限玻尔兹曼机(RBM)代替传统的K-Means聚类及稀疏编码等方法对SIFT特征库进行编码学习,生成视觉词典;其次,根据学习得到的词典,得到每一个SIFT特征对应的稀疏向量,并对其进行融合得到图像的深度学习表示向量,并以此训练SVM分类器;然后,利用训练数据的类别标签信息对RBM网络学习进行有监督的微调,并利用SVM分类器完成分类.实验结果表明,本文方法能有效克服传统矢量量化编码及稀疏编码等方法的缺点,有效地提升图像分类性能.
其他文献
数字图像的篡改方式有很多种,其中copy-move(复制粘贴)是通过将同幅图像中的一块区域复制粘贴到其他区域实现对图像的篡改,该篡改容易操作且效果明显.SIFT、SURF特征算法是检测图像篡改比较广泛,具有较好的鲁棒性和区分性的算法.本文就从这两种算法对于图像复制粘贴篡改以及后续修饰(模糊、缩放、旋转)的检测速度和匹配点方面进行比较与分析.实验表明SURF是SIFT算法检测速度的3到7倍,并且在图
随着隐写术的不断发展,低维度特征难以对新型隐写术进行检测.因此,基于高维度特征和深度学习的隐写分析方法被提出并逐渐成为隐写分析的主流.然而将这些方法应用到实际中还存在计算量大、训练时间长等问题,为满足实时处理的要求,本文提出通过GPU集群进行隐写分析.采用MPI、多线程和CUDA等技术搭建GPU集群系统,实现对隐写分析特征SRM和DCTR提取的三层粒度加速,基于该方法,本文还提出一种改进后卷积神经
近年来,假冒伪劣产品层出不穷.这些产品严重损害了企业和消费者的利益,造成了市场的混乱,增加了监管的难度.为了抑制这些不良影响,防伪技术也在逐渐兴起,各种防伪算法也在不断涌现.在防伪算法中,对于既可用肉眼分辨又可以利用智能终端自动识别的算法,并没有实际的研究成果被发表.在本文中,提出了一种基于DCT的真迹的安全算法,它易于被消费者所识别,并能实现快速自动识别.实验结果表明,该算法具有很强的鲁棒性,常
With the increasing amount of splicing images, many detecting methods of splicing images are proposed.In this paper, we propose a splicing detection scheme based on quaternion discrete cosine transfor
重复图案大量出现在人造环境中,其图像区域具有很高的相似性,用现有方法难以正确鉴别图像真伪.本文基于仿射协变区域提取取证特征,实现对包含重复图案图像的Copymove检测.首先利用MSER提取仿射协变区域,用协方差矩阵进行描述.然后比较协方差矩阵匹配区域,通过边界约束筛选匹配对.最后采用自适应的阈值定位篡改区域,根据颜色直方图一致性去除误匹配.实验结果表明,该方法能够有效对包含重复图案图像进行篡改检
针对传统基于噪声方差的图像拼接篡改检测算法鲁棒性差的问题,本文提出一种基于L1范数鲁棒估计的新型图像篡改检测方法.该算法首先计算待测图像经过高通滤波后的峰度和方差,然后通过构造基于L1范数的最小误差函数,迭代求解各图像块噪声峰度和方差,最后采用K-means聚类方法定位篡改区域.在迭代求解的过程中,由于相邻图像块噪声方差相似度高,通过将迭代初始值设为上一个图像块的噪声方差值,可有效提高算法运行速率
本文提出了一种基于清晰度和帧差的相关系数的视频帧率上转换的取证方法.首先,利用形态学梯度计算视频帧的清晰度,并根据得到视频的清晰度曲线是否存在异常,判断视频是否经历过帧率上转换.此外,考虑到可能出现的少量误分类,引入帧差相关系数,对可疑的篡改视频进一步取证,并定位上转帧的位置.实验结果表明,本文提出的方法取得了较高的平均检测准确率.
已有的相机型号来源取证方法已经在实验室环境下取得了很高的准确率,但大多却建立在待测图像为相机所摄原图的基础上.随着社交平台、网络媒体的发展,在实际取证场景中往往更多地面对经过JPEG压缩的图像.对于通过社交平台或者网络媒体传输的JPEG压缩图像,相关算法的性能需要重新进行评估和考量.本文通过大量仿真实验和社交平台图像测试,分析和评估了基于彩色滤波阵列插值特征(CFA)、局部二进制模式(LBP)以及
图像设备来源取证一般采用图像统计特征和设备指纹等两种典型方法来进行分析.然而,这些方法都需要已知来源的图像作为训练图像.而在实际场景中,往往缺乏训练样本的标签信息.文献中提出了一种基于曲线图的无监督的来源取证方法,然而,这种方法要求每类图像的数量至少为2,且还可能发生异常终止的情况.为此,本文提出了一种基于轮廓系数的无监督的图像来源取证方法.该方法利用谱聚类算法来完成曲线图的分割,然后利用轮廓系数
感知图像的类型有助于提高图像取证、隐写分析、失泄密监管等安全检测的精度.因此,按照生成方式对图像进行类型分类对后续的安全检测具有显著意义.本文提出一种采用卷积神经网络对自然图像和文档扫描图像进行分类的方法,通过卷积和池化操作提取两类图像具有高区分度的特征,融合后得到分类判决结果.实验结果表明,所提出的分类方法在"SKL"图像库上分类精度超过93％.图像预处理对于模型的精度以及模型训练收敛所需时间具