-
公开(公告)号：CN115472179A
公开(公告)日：2022-12-13
申请号：CN202210932618.6
申请日：2022-08-04
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：CN110084862B
公开(公告)日：2022-11-15
申请号：CN201910271763.2
申请日：2019-04-04
Applicant: 湖北工业大学
IPC: G06T9/00
Abstract: 本发明公开了一种基于多尺度小波变换与深度学习的图像压缩感知算法，包括图像采集阶段，利用卷积层采样，得到的采样向量；初始重建阶段，采用Reshape操作初始重建向量中每1×1×B2重排为B×B的图像块；深度重建阶段，采用4个残差块来深度重建图像，通过中的初始重建图像块向量作为输入，输出大小为的深度重建图像；在得到深度重建图像块后，将图像块重排，最终得到重建图像，本发明在采样阶段，用卷积神经网络进行采样，提高采样效率；在重建端，利用卷积神经网络进行初始重建，进而利用残差网进行深度重建，并且本发明使用多个网络进行重建，显著提高重建性能；使用残差网在增加网络深度的同时，依然能保持高效的训练效果，进而获得更优的重建效果。
-
公开(公告)号：CN109961051B
公开(公告)日：2022-11-15
申请号：CN201910243050.5
申请日：2019-03-28
Applicant: 湖北工业大学
IPC: G06V40/10 , G06V10/44 , G06V10/762
Abstract: 本发明公开了一种基于聚类和分块特征提取的行人重识别方法，(1)通过K‑means对图像进行聚类，将聚类的图像分别输入DCGAN网络中，分别生成图像，对原始训练集进行扩充；(2)在深度学习中，通过分块特征提取对真实数据和生成的没有标签的数据进行特征提取，同时采用发明的聚类标注平滑归一化损失函数(CLS)对数据标签化训练，测试时采用重排(Re‑ranking)进一步提升行人重识别效果。本发明联合了聚类标注平滑归一化损失函数以及分块特征提取方法，解决了行人重识别训练数据有限以及标签分配问题，同时通过分块的方式提取了图像的有效特征。
-
公开(公告)号：CN111667445B
公开(公告)日：2021-11-16
申请号：CN202010479734.8
申请日：2020-05-29
Applicant: 湖北工业大学
Abstract: 本发明提出了一种基于Attention的多特征融合的图像压缩感知重建方法，首先利用全卷积神经网络进行采样，然后使用反卷积网络进行初始重建。接下来利用不同扩张速率的扩张卷积得到不同感受野的扩张卷积核捕获图像中不同尺度的信息，得到多个尺度特征信息；在不同扩张速率的卷积通道，我们在每个通道加入了残差块，构成残差网络，通过残差网里多个跳连接来绕过大量的低频信息从而使网络专注于学习高频信息。在得到多个尺度特征信息后，使用Attention机制对输出的不同特征进行加权，更好的利用特征中更多有用信息，然后将多个特征信息进行融合完成图像的深度重建。本发明能有效提高采样效率，并使图像重建的质量得到大幅提升。
-
公开(公告)号：CN110691422B
公开(公告)日：2021-07-13
申请号：CN201910946631.5
申请日：2019-10-06
Applicant: 湖北工业大学
Abstract: 本发明属于无线通信技术领域，具体涉及一种基于深度强化学习的多信道智能接入方法，旨在将深度强化学习策略引入到多信道接入，以期实现多信道的智能接入。针对现有多信道接入策略较难适应信道环境动态性问题，本发明提出基于深度强化学习的多信道智能接入方法。首先，将多信道智能接入问题建模为离散状态与动作空间的马尔可夫决策过程，提出Q‑learning方法以实现多信道的智能接入。在此基础上，针对Q‑learning状态空间大和收敛慢等特点，通过设计深度神经网络，利用梯度下降法来训练深度神经网络的权值，修正损失函数解决状态‑动作函数过高估计问题，以获得近似最优的多信道智能接入策略。
-
Patent Agency Ranking
-
公开(公告)号：CN107231652B
公开(公告)日：2020-05-19
申请号：CN201710263829.4
申请日：2017-04-21
Applicant: 湖北工业大学
Abstract: 本发明涉及一种双重信息非对称网络环境下基于信息监督的协作通信激励方法。所述方法通过将协作通信网络映射成劳动力市场，通过引入监督节点，建立中继节点、监督节点和源节点模型；在此基础上，考虑到源节点雇佣监督节点监测中继节点的协作信息，只需设计合适的契约以解决道德风险问题，建立基于契约理论的三阶段Stackelberg博弈模型，在第一阶段，源节点向监督节点提供契约条款，以获得自身效用最大化，在第二阶段，监督节点向中继节点提供契约条款以获得自身效用最大化，在第三阶段，中继节点选择合适的中继努力以获得自身效用最大化，通过设置契约条款，从而有效地规避契约签订后中继节点私有行为引起的道德风险问题，保证协作通信的实现。
-
公开(公告)号：CN109961051A
公开(公告)日：2019-07-02
申请号：CN201910243050.5
申请日：2019-03-28
Applicant: 湖北工业大学
Abstract: 本发明公开了一种基于聚类和分块特征提取的行人重识别方法，(1)通过K‑means对图像进行聚类，将聚类的图像分别输入DCGAN网络中，分别生成图像，对原始训练集进行扩充；(2)在深度学习中，通过分块特征提取对真实数据和生成的没有标签的数据进行特征提取，同时采用发明的聚类标注平滑归一化损失函数(CLS)对数据标签化训练，测试时采用重排(Re‑ranking)进一步提升行人重识别效果。本发明联合了聚类标注平滑归一化损失函数以及分块特征提取方法，解决了行人重识别训练数据有限以及标签分配问题，同时通过分块的方式提取了图像的有效特征。
-
公开(公告)号：CN109346084A
公开(公告)日：2019-02-15
申请号：CN201811092136.4
申请日：2018-09-19
Applicant: 湖北工业大学
CPC classification number: G10L17/005 , G10L17/02 , G10L17/04 , G10L17/18 , G10L17/22
Abstract: 本发明涉及一种基于深度堆栈自编码网络的说话人识别方法，S1：说话人特征提取；S2：堆栈自编码器的网络设计；S3：说话人识别与决策。本发明与传统说话人识别相比，将深度堆栈自编码网络与说话人识别系统模型相融合，结合堆栈自编码器的多层结构在提高评价模型的表征能力方面的显著效果，本发明的说话人识别方法在存在背景噪声的环境下能够有限提升系统的识别性能，在降低噪声对系统性能影响、提高系统噪声鲁棒性的同时，优化系统结构，使识别实时性得到有效增强。
-
公开(公告)号：CN109063719A
公开(公告)日：2018-12-21
申请号：CN201810365992.6
申请日：2018-04-23
Applicant: 湖北工业大学
CPC classification number: G06K9/6267 , G06K9/6296 , G06N3/0454
Abstract: 本发明公开了一种联合结构相似性和类信息的图像分类方法，在利用深度网络的结构特点上，提供一种新型深度学习方法—联合结构相似性和类信息的图像识别算法。并将该深度学习算法应用在手写数字识别和自然图像识别中，提出联合结构相似性与类信息的图像识别方法。该方法能能高效地提取小图像高层次信息；其次，该方法引入了联合度量损失和图像类别信息建立损失函数，度量损失通过计算图像高层次语义向量之间的相似性，最小化类内距离和类间距离与某一常数(通常为1)之差，不仅加快了网络的训练收敛速度，同时保持或者提高测试集图像的分类准确率。本发明简单且易于实现，提升图像识别性能的同时，也提高了网络的训练效率。
-
-
-
-
-
-
-
-
-
Search Results
103
records
(took 0.024 seconds)
