-
公开(公告)号：CN114822590A
公开(公告)日：2022-07-29
申请号：CN202210448675.7
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相位时序表征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，基于DFT1变换对ENF成分处理得到ENF相位根据待检测最长时长音频计算出帧数与帧长，并对ENF相位进行分帧处理获取相位时序表征；利用神经网络从ENF相位时序表征中获取ENF时序信息，经过拟合后分类。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：CN111667445A
公开(公告)日：2020-09-15
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：CN114048770B
公开(公告)日：2024-07-26
申请号：CN202111315681.7
申请日：2021-11-08
Applicant: 湖北工业大学
IPC: G10L25/51 , G06F18/241 , G10L25/30 , G10L25/18 , G06F18/10 , G06F18/213 , G06F18/24 , G06N3/0464 , G06N3/09
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：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：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。
-
Patent Agency Ranking
公开(公告)号：CN114821258B
公开(公告)日：2024-08-06
申请号：CN202210448707.3
申请日：2022-04-26
Applicant: 湖北工业大学
IPC: G06V10/80 , G06V10/77 , G06V10/82 , G06N3/0464 , G06N3/084
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：CN114048770A
公开(公告)日：2022-02-15
申请号：CN202111315681.7
申请日：2021-11-08
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：CN114067831B
公开(公告)日：2025-01-17
申请号：CN202111313782.0
申请日：2021-11-08
Applicant: 湖北工业大学
IPC: G10L25/24 , G10L25/30 , G10L25/51 , G06N3/0464 , G06N3/09
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：CN114822590B
公开(公告)日：2024-10-22
申请号：CN202210448675.7
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相位时序表征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，基于DFT1变换对ENF成分处理得到ENF相位#imgabs0#根据待检测最长时长音频计算出帧数与帧长，并对ENF相位#imgabs1#进行分帧处理获取相位时序表征；利用神经网络从ENF相位时序表征中获取ENF时序信息，经过拟合后分类。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：CN114722964B
公开(公告)日：2024-08-02
申请号：CN202210450835.1
申请日：2022-04-26
Applicant: 湖北工业大学
IPC: G06F18/214 , G06F18/25 , G06N3/0464 , G06N3/049 , G06N3/08
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#imgabs0#和#imgabs1#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#imgabs2#和#imgabs3#各自对应的帧移，并对各自对应的帧移进行分帧，由ENF相位#imgabs4#得到ENF空间特征矩阵，由ENF相位#imgabs5#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。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.024 seconds)
