-
公开(公告)号：CN113343250B
公开(公告)日：2022-07-12
申请号：CN202110498755.9
申请日：2021-05-08
Applicant: 上海大学
IPC: G06F21/60 , G06F16/35 , G06F40/126
Abstract: 本发明提出了一种基于主题引导的生成式文本隐蔽通信方法，通过将对主题词的注意力引入到GPT2自注意力模型中，使模型生成文本的过程中时刻受到主题词的控制，从而使得生成的长文本语义上统计上都贴合真实文本，提高了信息隐藏的容量；对主题词组的扩展，生成多段落的文本，使得隐藏秘密信息的冗余位变少，提高了文本质量；除此之外，采用游程编码在保证了文本质量的前提之下提升了信息隐藏的效率。本发明提升了信息隐藏容量，提高了信息隐藏效率，增强了文本载体的抗攻击性。
-
公开(公告)号：CN114694220A
公开(公告)日：2022-07-01
申请号：CN202210307917.0
申请日：2022-03-25
Applicant: 上海大学
IPC: G06V40/16 , G06V20/40 , G06V10/30 , G06V10/774 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于Swin Transformer的双流人脸伪造检测方法，利用深度学习来进行人脸伪造图像的检测。整体搭建一个深度学习网络模型，网络模型分为三部分：双流网络、特征提取网络和分类器。由于现在公开的人脸伪造数据集全部是视频，因此需要利用OpenCV将视频裁剪成帧图片。此外，由于帧图片包含了大量的背景信息，因此需要利用人脸定位算法将人脸区域裁剪出来。然后将得到的人脸区域图像输入到双流网络和特征提取网络中提取并学习特征。最后将学习到的特征输入到分类器中，进行人脸图像真假的识别。本发明应用于解决现有人脸伪造检测方案的部分局限性即泛化能力弱的问题，同时还通过双流框架提升模型抗压缩能力，使其更符合日常生活中常见的人脸视频质量。
-
公开(公告)号：CN108764270B
公开(公告)日：2022-06-14
申请号：CN201810286804.0
申请日：2018-04-03
Applicant: 上海大学
IPC: G06V10/774 , G06V10/80 , G06V10/764 , G06V10/82 , G06V10/771 , G06T1/00 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种利用卷积神经网络集成的信息隐藏检测方法，操作步骤为：（1）将整个数据集D随机划分出训练集和测试集，再用留出法从训练集中选取一部分作为单次训练集；（2）利用自适应产生的高通滤波器滤波训练集图像产生差异化的残差图像；（3）构建特定的卷积神经网络；（4）将每种残差图分别输入到卷积神经网络中，进行神经网络训练；（5）将神经网络的池化层输出作为特征；（6）将由步骤（1）中产生的不同训练集和步骤（2）中产生的不同残差图像组合，分别训练得到差异特征，进行特征融合之后输入到集成分类器中。本发明可以有效地方便地解决含密图像的检测问题，检测准确率更高。
-
公开(公告)号：CN114338093A
公开(公告)日：2022-04-12
申请号：CN202111499430.9
申请日：2021-12-09
Applicant: 上海大学
Abstract: 本发明提出了一种通过胶囊网络进行多信道秘密信息传输的方法，通过训练同一个胶囊网络嵌入多份不同的秘密信息。针对多个接收者的秘密信息在胶囊网络训练过程中被嵌入在胶囊网络中。之后，接收者可利用自己的密钥在含密胶囊网络中提取对应的信息。而对其他部分的秘密信息，该接收者无法确定秘密信息的存在性，更无法提取。由于秘密信息没有暴露，因此信息隐藏的安全性可得到保证。由于秘密信息在胶囊网络的训练过程中嵌入而不是训练之后用过修改网络权重嵌入，因此信息嵌入对网络原始任务的影响很小。此外，信息提取网络的参数由密钥直接生成，无需通过训练得到，因此也无需向接收者传送信息提取网络。只需持有正确密钥即可提取秘密信息。
-
公开(公告)号：CN111464943B
公开(公告)日：2021-10-12
申请号：CN202010247472.2
申请日：2020-03-31
Applicant: 上海大学
Abstract: 本发明提出了一种用于附近的人应用中的新型虚拟位置生成方法。本方法是：将虚拟位置生成问题等价地转化为一个约束最优化问题。其优化的目标为使虚拟位置映射到真实位置的条件熵最大，即使得攻击者从生成的虚拟位置得出真实位置的信息量最少。约束条件为生成的虚拟位置与真实位置之间的平均误差距离不能大于阈值，以避免附近的人应用的服务质量下降。本方法可应用于附近的人服务器上，通过求解该约束最优化方程，即可为每一个用户生成一组虚拟位置点的条件概率。根据此概率，每个用户都可以随机生成一个满足安全性与实用性的最优虚拟位置，使得攻击者无法通过多点定位攻击获得用户真实位置。
-
Patent Agency Ranking
公开(公告)号：CN111462332A
公开(公告)日：2020-07-28
申请号：CN202010247491.5
申请日：2020-03-31
Applicant: 上海大学
Abstract: 本发明公开了一种基于重定向细分曲面图像矢量化的系统及方法。本系统包括特征提取模块，网络构造模块，基础网格生成模块，重定向细分曲面模块以及位图转化模块。本方法为：区域分割模块将原始的光栅图像转化为带有特征信息的图像，网络构造模块通过Delaunay三角剖分的方法将带有特征信息的图像转化为带有颜色信息的三角形网格，基网格生成模块将生成三角形网格进行简化处理生成基础网格，重定向细分曲面模块将基础网格以重定向的方式进行细分曲面拟合以填充颜色信息，最后位图转化模块将重定向细分曲面模块得到的控制网格转为位图。
-
公开(公告)号：CN111462085A
公开(公告)日：2020-07-28
申请号：CN202010246245.8
申请日：2020-03-31
Applicant: 上海大学
Abstract: 本发明涉及一种基于卷积神经网络的数字图像局部滤波取证方法。本方法的操作步骤为：一、先对图像集中图像进行裁剪，对裁剪后的小尺寸图像分别进行五种滤波操作；二、将包括原图在内的六类图片划分出训练集和测试集；三、划分出训练滤波器的VGG网络的训练集和测试集；四、构建VGG网络以训练八个前置滤波器；五、构建特定的有前置滤波器的密集网络；六、将六类图片的训练集数据输入到密集网络中，进行神经网络训练；七、将训练好的神经网络对测试集的输出作为小尺寸图片分类结果，实际检测时将小尺寸图像的分类结果整合作为原图最终检测结果；本发明可以有效地方便地解决检测局部滤波图像的问题。
-
公开(公告)号：CN111462084A
公开(公告)日：2020-07-28
申请号：CN202010246240.5
申请日：2020-03-31
Applicant: 上海大学
Abstract: 本发明公开了一种基于随机森林的图像矢量化印刷出血点预测系统和方法。本系统包含图像分割模块、轮廓提取模块、出血预测模块、插值填充模块。本方法为：整个方法分为图像矢量化和出血点预测两个部分，先对位图进行相应的预处理来提升图像质量，之后进行颜色量化以及相应的聚类算法得到不同色块的闭合区域，采用轮廓检测算法和曲线拟合提取算法得到最终的曲线和颜色信息。在得到对应的矢量图信息之后，提取图像边界相应像素点的属性，并采用相应的机器学习算法对于目标出血点的回归预测。在得到目标出血点之后，采用相应的插值法进行曲线和色块的填充得到最终的矢量图的延伸。
-
公开(公告)号：CN111462009A
公开(公告)日：2020-07-28
申请号：CN202010246282.9
申请日：2020-03-31
Applicant: 上海大学
Abstract: 本发明公开了一种基于分割矩形区域相似度的出血点预测方法。本方法主要分为区域候选和相似度匹配。对于区域候选，首先采用相关的颜色分离算法，将图像按照颜色分为不同的版式，然后对于不同颜色的图案采用区域候选网络进行候选框的标定，并且采用NMS去抑制重叠度比较高的区域，减少计算的时间复杂度。之后搭建了一个双分支CNN神经网络来实现相似度的匹配，相比于传统的相似度匹配的方法，双分支CNN更加精确和高效。之后，再将原图中图像边界区域切割的矩形块和对应颜色区域图案中进行相似度的匹配。获取到相似度最高的候选区域，以锚点为中心右移得到的矩形放块拼接到原图中编号对应的位置，即可完成出血位的填充。
-
公开(公告)号：CN109754002A
公开(公告)日：2019-05-14
申请号：CN201811577459.2
申请日：2018-12-24
Applicant: 上海大学
Abstract: 本发明涉及一种基于深度学习的隐写分析混合集成方法，具体操作步骤如下：划分数据集，通过高通滤波器得到残差图像，构建卷积神经网络，训练网络模型，保存最优的若干个模型，分别加载模型，将池化层的输出作为特征保存下来；改变高通滤波器，产生不同的残差图像，得到差异特征，进行特征融合后得到高维特征；将高维特征输入到PCA中进行降维；将降维后的特征输入到xgboost分类器，SVM分类器，KNN分类器中进行分类；将得到的分类结果进行集成学习，通过加权投票得到最终的分类结果。本发明可以有效地提高分类器的分类准确度。
-
-
-
-
-
-
-
-
-
Search Results
61
records
(took 0.023 seconds)
