-
公开(公告)号：CN115270906A
公开(公告)日：2022-11-01
申请号：CN202210449187.8
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深浅层特征融合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)成分的ENF相位和提取电网频率(ENF)成分的瞬时频率；提取ENF相位和频fhil的变化的平均值特征作为浅层特征；通过待检测最长时长音频确定帧数与帧长并对ENF相位和fhil进行分帧处理获取相位特征矩阵和频率特征矩阵；进行曲线拟合获取拟合系数；利用神经网络从特征矩阵中获取ENF的局部细节信息，从拟合系数中获取电网频率全局信息补偿从而构成深层特征，对深浅层特征进行融合后拟合分类。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：CN114821258A
公开(公告)日：2022-07-29
申请号：CN202210448707.3
申请日：2022-04-26
Applicant: 湖北工业大学
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：CN114723049A
公开(公告)日：2022-07-08
申请号：CN202210450329.2
申请日：2022-04-26
Applicant: 湖北工业大学
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：CN114722964A
公开(公告)日：2022-07-08
申请号：CN202210450835.1
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空间和时序特征融合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)成分的ENF相位和根据待检测最长时长音频确定空间表征和时序表征的帧数和帧长，分别计算ENF相位和各自对应的帧移，并对各自对应的帧移进行分帧，由ENF相位得到ENF空间特征矩阵，由ENF相位得到的分帧数据割裂为两个部分组成ENF时序表征；利用神经网络从空间特征矩阵中获取空间信息，从ENF相位时序表征中获取ENF时序信息，并对空间信息和时序信息进行融合后拟合并分类。本发明采用空间和时序特征融合方法，全面地描述音频中ENF变化，提高了算法检测精度。
-
公开(公告)号：CN114067831A
公开(公告)日：2022-02-18
申请号：CN202111313782.0
申请日：2021-11-08
Applicant: 湖北工业大学
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。
-
公开(公告)号：CN112151067A
公开(公告)日：2020-12-29
申请号：CN202011034201.5
申请日：2020-09-27
Applicant: 湖北工业大学
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：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。
-
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。
-
-
-
-
-
-
-
Search Results
18
records
(took 0.026 seconds)
