一种基于填充曲线和相邻像素比特置乱的图像加密方法

    公开(公告)号:CN112714235A

    公开(公告)日:2021-04-27

    申请号:CN202011523251.X

    申请日:2020-12-22

    Abstract: 本发明提出了一种基于填充曲线和相邻像素比特置乱的图像加密方法,其步骤如下:将灰度图像变换为二维的图像矩阵;计算图像矩阵的哈希值,计算四维的超混沌系统的初始值;利用V型填充曲线置乱图像矩阵,图像矩阵转置进行第二次置乱;根据得到的初始值对超混沌系统进行迭代分别得到四个混沌序列;以一个混沌序列为起点、一个为步长,利用约瑟夫遍历图像矩阵的相邻像素的二进制位进行相邻像素比特置乱;利用混沌序列得到的序列矩阵分别对图像进行前向扩散和反向扩散,得到密文图像。本发明通过比特级与像素级的双重置换,打破了像素间的高度相关性,克服了选择/已知明文攻击及普通图像相关的统计攻击,具有较高的密钥灵敏度和抵抗差分攻击的能力。

    智能晾衣架
    12.
    发明公开

    公开(公告)号:CN112647256A

    公开(公告)日:2021-04-13

    申请号:CN202011284514.6

    申请日:2020-11-17

    Abstract: 本发明涉及一种智能晾衣架,该智能晾衣架通过设置在室内天花板上的推送装置将晾衣杆推出窗外或拉回到室内,窗户为通过齿轮齿条驱动的自动推拉窗,当晾衣杆从室内伸出窗外进行晾衣时,齿轮驱动两齿条将两窗扇向内滑动,窗户打开,晾衣杆伸出窗外进行晾晒,在晾衣支架和横向推拉杆上设有对应的锁定装置,连续的推晾衣杆能够通过其两端的T形锁止头和两锁定装置锁定或解除锁定,实现了晾衣杆的自动固定;晾衣支架上设置有雨水和风力感应器,感应到雨水和大风时,会将信号传给推送装置来驱动晾衣杆收回到室内,并自动关闭推拉窗;该晾衣架实现了自动化的晾晒衣服,解决了下雨天不能及时收回衣服的难题,机构可靠、晾晒效果好,适合在市场全面推广。

    计算机网络数据监控方法及装置

    公开(公告)号:CN112532488A

    公开(公告)日:2021-03-19

    申请号:CN202011371211.8

    申请日:2020-11-30

    Abstract: 本发明提供了一种计算机网络数据监控方法及装置,其中,计算机网络数据监控方法,包括:在检测到用户对计算机中应用程序的访问操作时,判断所述应用程序是否位于网络监控名单中;确定所述应用程序位于网络监控名单中时,获取所述应用程序运行过程中的网络监控参数,所述网络监控参数包括网络SSID、占用流量、数据传输率、病毒或木马告警信息;获取所述用户的身份信息;根据所述的身份信息和所述网络监控参数,生成网络监控数据表。通过本发明的技术方案,能够形成有效的网络数据监控,确保应用程序使用过程中的安全性。

    一种基于高光谱全变差的CS图像去噪重建方法

    公开(公告)号:CN111640080B

    公开(公告)日:2021-03-16

    申请号:CN202010506222.6

    申请日:2020-06-05

    Abstract: 本发明提出了一种基于高光谱全变差的CS图像去噪重建方法,步骤如下:初始化重建图像、迭代索引值和含噪观测值;利用含噪观测值对获得的重建图像进行迭代更新获得估计值;将估计值分别输入到基于l1‑范数和HTV的CS重建模型中获得中间重建图像;使用Starlet变换对中间重建图像进行稀疏表示获得Starlet系数;利用新阈值算子和改进BayeShrink阈值对Starlet系数进行去燥滤波获得曲波系数;对曲波系数进行Starlet逆变换,获得重建图像;判断是否满足迭代停止条件,循环迭代。本发明在去除高噪声图像中大部分噪声信息的同时,能够有效保护图像中的细节和纹理等特征信息,且实现简单,鲁棒性较强,有效地解决了高噪声图像的去噪重建问题。

    一种用于图像边缘提取的智能图像处理仪

    公开(公告)号:CN111488889A

    公开(公告)日:2020-08-04

    申请号:CN202010292008.5

    申请日:2020-04-14

    Abstract: 本发明公开了一种用于图像边缘提取的智能图像处理仪,具体涉及图像处理领域,包括图像集获取模块和FPGA芯片,图像集获取模块的输出端电性连接有AD转换电路,AD转换电路的输出端电性连接有矩阵信息提取器,矩阵信息提取器的输出端电性连接有特征提取模块和原图像数据输出,特征提取模块的内部设有图像信息分析模块、深度神经网络、比对模块和图像分类输出。本发明设置人工智能尽心预先的图像分类,对待提取的图像进行大批量的分类,并将图像信息数据化,无需图像边缘提取算法进行图像识别和图像优化,且利用FPGA芯片作为处理电路,可提高图像的定位精度,同时减少图像后续处理中的数据量,方便图像边缘提取的有效快速运行。

    一种基于Transformer的单目标跟踪方法

    公开(公告)号:CN114266996B

    公开(公告)日:2025-03-28

    申请号:CN202111543179.1

    申请日:2021-12-16

    Abstract: 本发明提出了一种基于Transformer的单目标跟踪方法,其步骤为:从视频的第一帧裁剪出目标区域,使用预训练的ResNet50网络进行特征提取;使用基于Transformer的特征融合方法将目标特征进行特征融合,输入回归模型生成器生成回归模型,将目标特征输入分类模型生成器生成分类模型;将搜索区域的提取特征使用基于Transformer的特征融合方法进行融合输入回归模型得到回归结果;将搜索区域的特征使用Transformer结合训练集进行特征增强输入分类模型得到分类结果;根据分类结果和回归结果对目标生成精确的包围框,进行目标跟踪。本发明将Transformer集成到跟踪框架中,在跟踪过程中充分利用了时间上下文和空间上下文提升了跟踪的精度。

    一种基于目标感知增强-孪生记忆网络的单目标跟踪方法

    公开(公告)号:CN118735959A

    公开(公告)日:2024-10-01

    申请号:CN202410859580.3

    申请日:2024-06-28

    Abstract: 本发明提出了一种基于目标感知增强‑孪生记忆网络的单目标跟踪方法,包括以下步骤:S0:搭建跟踪器模型,包括骨干网络、目标感知模块、交叉注意力模块和预测头;S1:分别对记忆分支和和搜索分支进行特征提取,获取记忆分支特征图和搜索分支特征图;S2:目标感知模块将搜索分支特征图划分成多个划分区域,分别计算每个划分区域的特征向量,进行粗粒度区域级稀疏计算,进行细粒度自注意力计算,得到目标感知增强后的搜索分支特征;S3:将目标感知增强后的搜索分支特征与记忆分支串联特征图中的特征进行特征融合,得到融合后的特征图;S4:预测头根据融合后的特征图预测目标位置。本发明在搜索分支引入了基于动态双级稀疏注意力机制的目标感知模块,使网络集中注意力于目标周围的重要区域,提高跟踪器在面对目标被遮挡场景时的鲁棒性,从而能够准确预测目标的位置和状态。

    一种基于用户画像的可定制位置隐私保护方法及系统

    公开(公告)号:CN114760146B

    公开(公告)日:2024-03-29

    申请号:CN202210481964.7

    申请日:2022-05-05

    Abstract: 本发明提出了一种基于用户画像的可定制位置隐私保护方法及系统,所述方法的步骤为:首先,构建去中心化通信网络,获得用户移动轨迹中的停留点位置,并利用去中心化通信网络向位置服务器查询位置的语义信息;其次,从用户基本属性和心理特性两方面进行用户画像,并通过用户特征量化用户隐私需求;最后,根据用户隐私需求,位置服务器对用户进行隐私强度推荐,本地端根据用户本地实时情景信息进行个性化动态调整。本发明可以实现对用户位置数据的定制化动态保护,解决了实际位置社交网络环境下,无法有效解决用户敏感位置信息的泄露问题,提升了用户的个性化体验。

    一种基于深度强化学习的自适应服务功能链映射方法

    公开(公告)号:CN115037628B

    公开(公告)日:2023-08-22

    申请号:CN202210562305.6

    申请日:2022-05-23

    Abstract: 本发明提出了一种基于深度强化学习的自适应服务功能链映射方法,步骤为:建立SFC映射模型,将SFC映射过程分为三层结构并进行抽象参数表示;搭建SFCR映射学习神经网络,并将抽象参数映射至SFCR映射学习神经网络中的状态、动作、奖励值;构建经验回放池并对网络参数更新;基于经验回放池中数据,统计不同VNF的请求率、使用率及现有部署数量和未激活个数;设计VNF再部署策略,根据统计的数据对VNF再部署。本发明具有维持网络环境稳定、提高用户服务质量的优势,能够有效解决现有映射方法随时间动态变化造成有效服务成本占比小及服务映射效率低问题;具有良好的自适应性,能提高不同时间段处理用户服务请求的有效服务成本率和请求映射率。

    一种基于多模态单流记忆网络的单目标跟踪方法

    公开(公告)号:CN116402849A

    公开(公告)日:2023-07-07

    申请号:CN202310197848.7

    申请日:2023-03-03

    Abstract: 本发明提出了一种基于多模态单流记忆网络的单目标跟踪方法,步骤为:将描述目标的文本输入语言模型提取描述感兴趣目标的语言特征;提取记忆器中的目标样本得到记忆特征,将语言特征、记忆特征和搜索区域特征输入多模态注意力网络生成多模态综合特征;使用预测头对多模态综合特征中的搜索区域特征进行解析得到跟踪结果;使用基于语言的跟踪结果对跟踪结果进行评估,将满足要求的跟踪结果存入记忆器。本发明基于自注意力机制同时利用视觉信息和文本信息可以获得更加完善的跟踪模型,从而提高对于目标变化的适应能力。本发明结合了多模态学习和单流网络结构的优势,利用文本信息的稳定性来弥补视觉信息的脆弱性,从而提升了跟踪的精度。

Patent Agency Ranking