-
公开(公告)号：CN103996162A
公开(公告)日：2014-08-20
申请号：CN201410195860.5
申请日：2014-05-09
Abstract: 本发明公开了一种基于人眼视频特征的柔性图像水印方法和装置，包括对图像数据进行二维DFT变换，得到频域图像数据；从频域图像数据中选择待嵌入水印的频域数据，以及将原始的水印信息进行混合编码，得到待嵌入的水印信息；将选择好的待嵌入水印的频域数据再划分为4×4的数据块,在每块4×4的频域数据嵌入2bit水印信息；将嵌入水印后的频域数据，组合到原频域图像数据中，得到嵌入水印后的频域图像数据；进行DFT逆变换，得到嵌入水印后的图像数据。因此，本发明所述的基于人眼视频特征的柔性图像水印方法和装置具有很强的纠错能力，并且可以保证嵌入容量。
-
公开(公告)号：CN103996162B
公开(公告)日：2017-05-03
申请号：CN201410195860.5
申请日：2014-05-09
Abstract: 本发明公开了一种基于人眼视频特征的柔性图像水印方法和装置，包括对图像数据进行二维DFT变换，得到频域图像数据；从频域图像数据中选择待嵌入水印的频域数据，以及将原始的水印信息进行混合编码，得到待嵌入的水印信息；将选择好的待嵌入水印的频域数据再划分为4×4的数据块,在每块4×4的频域数据嵌入2bit水印信息；将嵌入水印后的频域数据，组合到原频域图像数据中，得到嵌入水印后的频域图像数据；进行DFT逆变换，得到嵌入水印后的图像数据。因此，本发明所述的基于人眼视频特征的柔性图像水印方法和装置具有很强的纠错能力，并且可以保证嵌入容量。
-
公开(公告)号：CN118673139A
公开(公告)日：2024-09-20
申请号：CN202310265504.5
申请日：2023-03-14
Applicant: 北京邮电大学
Abstract: 本发明公开了一种基于双曲空间的时间戳增强事件时序关系分类方法，实现基于Robert‑base预训练模型以句嵌入的方式提取句子中事件的语义表示，考虑句子的语义信息和句法信息，利用庞加莱球模型将欧式空间的向量表示映射到双曲空间中，将得到的向量表示输入到双曲空间神经网络中训练，从训练得到的特征向量中，学习并得到事件对向量的距离特征和时间戳预测特征，将这两类特征与常识知识库特征相融合，进行事件时序关系的分类。包括：预训练层，负责将文本语句转化为实值向量；双曲空间层，负责将欧式空间的向量表示映射到双曲空间，并使用双曲空间神经网络进行特征提取；特征融合层，负责将从双曲空间中得到的特征向量做进一步加工利用，计算事件对间的距离相似度和预测事件对间的相对时间戳，将得到的特征属性与常识知识库特征相融合；逻辑回归层，负责对得到的融合特征进行多项式逻辑回归计算，最终对事件时序关系进行分类预测。
-
公开(公告)号：CN113486190B
公开(公告)日：2024-01-12
申请号：CN202110687397.6
申请日：2021-06-21
Applicant: 北京邮电大学 , 北京慧科信安科技有限公司
IPC: G06F16/36 , G06F16/383 , G06F16/583 , G06F40/30 , G06N3/042 , G06N3/0464 , G06N3/08 , G06N5/022 , G06N5/04
Abstract: 本发明公开一种融合实体图像信息和实体类别信息的多模态知识表示方法，该模型将实体基于结构，基于图像以及基于类别的知识表示统一进行联合训练，完成多模态知识图谱表示。包括：实体图像信息的嵌入方法，负责实体图像特征信息的抽取以及从图像空间到知识空间的转换；实体类别信息的嵌入方法，对实体类别和对应三元组关系的语义联系进行建模，构建实体基于类别下的表示；融合实体图像信息和实体类别信息的多模态知识表示模型，负责融合实体图像信息和实体类别信息多模态的知识表示学习。本发明通过构造多模态知识表示方法，为解决知识图谱推理技术中的数据稀疏问题，高效计算实体和关系的语义联系，融合和推理的性能提供了新的思路。
-
公开(公告)号：CN111901286B
公开(公告)日：2023-11-07
申请号：CN201910374169.6
申请日：2019-05-06
Applicant: 北京明信安软件有限公司 , 北京邮电大学
Inventor： 张茹
IPC: H04L9/40
Abstract: 本发明首先提出了一种对于DNS流量日志和网络流量日志的特征提取和计算方法，其次提出了基于IForest的异常检测算法，通过对DNS和网络流量的日志分析对获取数据进行异常评估。本发明包括：对DNS流量日志的特征提取及计算方法；对网络流日志的特征提取及计算方法；基于IForest算法对DNS流量日志和网络流量日志对数据进行异常分析的异常检测算法。与现有技术相比，本发明的有益效果是：从多角度对网络流量日志进行分析，选取的特征包含方面较为全面，同时针对在攻防对抗中出现新的攻击方式和特点，针对性提取了特征值用于分析；使用IForest算法对日志特征进行检测，对比其他算法拥有更好的性能且训练过程几乎不与训练数据规模相关，具有更高的全面性和可操作性。
-
Patent Agency Ranking
公开(公告)号：CN113486932B
公开(公告)日：2023-09-19
申请号：CN202110687400.4
申请日：2021-06-21
Applicant: 北京邮电大学 , 北京慧科信安科技有限公司
IPC: G06V10/77 , G06V10/74 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开一种面向卷积神经网络隐写分析的优化方法，包括：可视化同类样本的类内聚集度：采用非线性的t‑sne降维算法将每一个样本点对应的特征集降维到二维可视的情况下进行观察。隐写检测样本集的变异系数：为了消除量纲和测量尺度对于衡量样本聚集程度的影响，因此选择变异系数测量样本的离散程度进而反应CNN隐写分析算法特征学习能力。变异系数的值和样本的离散程度成正相关，样本离散程度越大，变异系数越大；样本越聚集，则变异系数越小。基于变异系数后验调整特征集：加入一个特征筛选层来对算法学到的特征进行人工过滤，去除一些不利于后期分类的所谓的“坏”特征，既能一定程度提高算法的准确率还能再次验证变异系数的衡量有效性。
-
公开(公告)号：CN115457985B
公开(公告)日：2023-04-07
申请号：CN202211131489.7
申请日：2022-09-15
Applicant: 北京邮电大学
IPC: G11B20/00 , G06N3/0455 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了基于卷积神经网络的可视化音频隐写方法，属于信息隐藏领域；具体为：首先，从公开网络中获取灰度秘密图像和音频数据集，并进行预处理，从中随机选择k个音频载体和灰度秘密图像，将每个灰度秘密图像分别隐写嵌入到一个音频数据中，空域拼接成两通道图像，经过编码器得到k个载密音频信号经离散小波变换，分成k个载密高频信号送入解码器网络D，重构出k个秘密图像；通过对数据集不断训练，使得重构的秘密图像与拼接的两通道图像达到误差范围，反向更新编码器和解码器的参数，完成训练后直接对新图像嵌入新视频中的秘密图像进行提取。本发对音频载体进行的可视化处理，将灰度秘密图像嵌入到音频载体中，并能高质量地提取出来。
-
公开(公告)号：CN111861845B
公开(公告)日：2022-09-16
申请号：CN202010570456.7
申请日：2020-06-19
Applicant: 北京邮电大学 , 国家电网有限公司信息通信分公司
Abstract: 本发明公开一种基于阈值分割和直方图均衡的可逆水印方法，能够实现在一张彩色载体图像中嵌入较多的秘密信息，并且能够成功地从载密图像中提取出秘密信息并实现原始图像的无失真恢复。包括：水印嵌入阶段，将秘密信息嵌入到载体图像中生成载密图像；水印提取、载体无失真恢复阶段，负责将秘密信息从载密图像中提取出来，并无损恢复原始图像。本发明通过构造基于阈值分割和直方图均衡的可逆水印方法，增大了载体图像的嵌入容量，在嵌入水印的同时增强图像对比度，获得较好的视觉效果。
-
公开(公告)号：CN114241581A
公开(公告)日：2022-03-25
申请号：CN202111665033.4
申请日：2021-12-31
Applicant: 北京邮电大学 , 中国电子信息产业集团有限公司第六研究所
Abstract: 本发明公开一种基于语义特征的人脸生成式图像隐写术，能够实现在人脸合成过程中嵌入二进制秘密信息得到一张载密人脸图像，并且能够成功地将秘密信息从载密人脸图像中恢复。包括：语义特征生成网络，负责将高斯噪声映射到人脸合成需要的语义特征域；奇偶特征差值嵌入算法，负责将秘密信息嵌入到生成的语义特征中；人脸合成网络，负责将载密语义特征与人脸图像融合；语义提取网络，负责将载密人脸图像中的语义信息提取出来；奇偶特征差值提取算法，负责将秘密信息从载密人脸图像的语义特征中提取出来。本发明通过构造基于语义特征的人脸生成式图像隐写术，为图像信息隐藏提供了新的嵌入位置，提升了生成式图像隐写的质量与鲁棒性。
-
公开(公告)号：CN113486932A
公开(公告)日：2021-10-08
申请号：CN202110687400.4
申请日：2021-06-21
Applicant: 北京邮电大学 , 北京慧科信安科技有限公司
Abstract: 本发明公开一种面向卷积神经网络隐写分析的优化方法，包括：可视化同类样本的类内聚集度：采用非线性的t‑sne降维算法将每一个样本点对应的特征集降维到二维可视的情况下进行观察。隐写检测样本集的变异系数：为了消除量纲和测量尺度对于衡量样本聚集程度的影响，因此选择变异系数测量样本的离散程度进而反应CNN隐写分析算法特征学习能力。变异系数的值和样本的离散程度成正相关，样本离散程度越大，变异系数越大；样本越聚集，则变异系数越小。基于变异系数后验调整特征集：加入一个特征筛选层来对算法学到的特征进行人工过滤，去除一些不利于后期分类的所谓的“坏”特征，既能一定程度提高算法的准确率还能再次验证变异系数的衡量有效性。
-
-
-
-
-
-
-
-
-
Search Results
95
records
(took 0.048 seconds)
