基于快速神经网络架构搜索的鲁棒图像水印网络算法

为解决深度学习在图像水印算法中计算量大且模型冗余的问题，提高图像水印算法在抵抗噪声、旋转和剪裁等攻击时的鲁棒性，提出基于快速神经网络架构搜索（neural architecture search，NAS）的鲁棒图像水印网络算法。通过多项式分布学习快速神经网络架构搜索算法，在预设的搜索空间中搜索最优网络结构，进行图像水印的高效嵌入与鲁棒提取。首先，将子网络中线性连接的全卷积层设置为独立的神经单元结构，并参数化表示结构单元内节点的连接，预先设定结构单元内每个神经元操作的搜索空间；其次，在完成一个批次的数据集训练后，依据神经元操作中的被采样次数和平均损失函数值动态更新概率；最后，重新训练搜索完成的网络。水印网络模型的参数量较原始网络模型缩减了92%以上，大大缩短了模型训练时间。由于搜索得到的网络结构更为紧凑，本文算法具有较高的时间性能和较好的实验效果，在隐藏图像时，对空域信息的依赖比原始网络更少。对改进前后的2个网络进行了大量鲁棒性实验，对比发现，本文算法在CIFAR-10数据集上对抵抗椒盐噪声和旋转、移除像素行（列）等攻击优势显著；在ImageNet数据集上对抵抗椒盐高斯噪声、旋转、中值滤波、高斯滤波、JPEG压缩、裁剪等攻击优势显著，特别是对随机移除行（列）和椒盐噪声有较强的鲁棒性。     

城市人才吸引力水平的量化评价

一个地区的人才吸引力的核心内涵就是这个地区所具有的可以影响人才选择的能力.对于影响人才选择的偏好和效用函数,采用柯布-道格拉斯函数刻画人才的需求和愿望.论证了柯布-道格拉斯函数消除量级影响的优良性质,省市区一套模型具有合理性,将这一函数应用于5个代表城市,比较几个代表城市的人才吸引力.采用向量分析的方法来计算政策的强度、协同度和完善度,求得政策实施的最终效果.同时,运用灰色关联度分析模型研究各行业发展受行业规模、行业预期和行业收入等指标的影响程度.考虑政策影响后,深圳市人才吸引力水平上升8.9%.在分析对各阶段人才吸引力时,得出这些因素急剧变化的节点,并将各发展阶段收入的变化考虑进该模型中,得到权重变化曲线.人才会考虑若干年之后的需求,进行了频谱分析,并用卷积的方法修正权重.