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。     

基于Shannon-Cosine小波精细积分法的壁画降噪修复方法

为修复受破损且噪声点众多的壁画图像,提出了用偏微分方程（partial differential equation,PDE）扩散的方法对图像进行降噪修复。针对PDE法求解精度较低的问题,提出了一种Shannon-Cosine小波精细积分法,运用小波数值方法对偏微分方程进行离散处理,降低其方程组规模,并采用精细积分法求解,有效提高了计算速度。试验结果表明,采用该算法对受损壁画降噪处理后,视觉上,图像边界更清晰,且噪声点得到有效减少,达到了保边降噪的效果,更符合人眼的视觉效果;客观上,与中值滤波、均值滤波和维纳滤波方法相比,采用本算法处理后的图像其PSNR值和SSIM值均最大。因此,运用Shannon-Cosine小波精细积分法求解图像的PDE模型是可行的,取得了较好的图像降噪效果。     

基于Shannon-Cosine小波精细积分法的壁画降噪修复方法

为修复受破损且噪声点众多的壁画图像,提出了用偏微分方程（partial differential equation,PDE）扩散的方法对图像进行降噪修复。针对PDE法求解精度较低的问题,提出了一种Shannon-Cosine小波精细积分法,运用小波数值方法对偏微分方程进行离散处理,降低其方程组规模,并采用精细积分法求解,有效提高了计算速度。试验结果表明,采用该算法对受损壁画降噪处理后,视觉上,图像边界更清晰,且噪声点得到有效减少,达到了保边降噪的效果,更符合人眼的视觉效果;客观上,与中值滤波、均值滤波和维纳滤波方法相比,采用本算法处理后的图像其PSNR值和SSIM值均最大。因此,运用Shannon-Cosine小波精细积分法求解图像的PDE模型是可行的,取得了较好的图像降噪效果。     

基于变分高斯混合模型的图像分割算法

提出了一种基于变分推断的高斯混合模型的图像分割算法. 该算法首先用贝叶斯混合高斯模型对图像的特征进行建模, 并针对模型的参数学习问题, 利用变分推断算法估计模型的参数及其后验概率; 这种方法比采样法的计算量更少, 而且能够根据图像数据自动优化混合个数, 实现了模型的自动选择. 最后, 该算法在Berkeley的自然图像集上进行的实验结果与经典的图像分割算法进行了比较, 结果表明此方法得到的图像分割结果精度较高, 具有较好的性能.     

基于非凸非光滑变分模型的灰度图像泊松噪声移除算法

基于非凸变分方法在图像边界结构保持和对比度保持上的优势，针对泊松噪声的移除问题提出一种新的非凸非光滑正则化模型及快速求解算法。模型由非凸Lipschitz势函数复合图像梯度信息的正则化项和非线性Kullback-Leibler数据保真项两部分构成。通过使用临近点线性化策略，将求解非凸变分模型转化为求解一系列凸变分模型，进而使用交替方向乘子法求解。同时证明了算法的目标函数值序列具有单调下降性。实验结果表明，该方法能有效消除图像中的泊松噪声，且信噪比较经典算法有明显提升。     

散焦模糊图像复原的截断奇异值分解算法

在反射边界条件假设下,导出了散焦和噪声所导致的图像降质的离散延拓模型,给出了延拓模型的卷积方程及相应的卷积算子;通过引进延拓矩阵的Fourier变换证明了该卷积算子的相关性质并导出了该卷积算子的奇异系,给出了一个解决散焦模糊图像复原的截断奇异值分解算法及算法的计算步骤.图像复原的数值实验实例表明了该算法的有效性.     

基于小波变换网络的自监督单目深度与位姿估计

基于小波变换与运动恢复结构的自监督学习范式,将二维离散小波变换嵌入神经网络并实现梯度传播,提出了一种新的单目深度与位姿估计算法。传统的神经网络在降采样过程中会造成信息丢失,且丢失的信息在后续阶段无法复原,对于深度估计任务,结构信息的丢失会降低模型性能。本文使用二维离散小波变换层替代传统的降采样操作,更好地保留图像中的结构细节并避免噪声累积。在上采样解码深度图的阶段,采用小波逆变换层取代传统的插值上采样方法,更有效地恢复图像信息,得到更精确的深度图。提出的算法相比传统的神经网络对噪声更有鲁棒性。在KITTI数据集上进行实验,证明了所提出的算法在自监督单目深度与位姿估计任务中有优异的性能表现。     

双模噪声背景下参数化谱估计方法

本文采用高阶统计量的方法在双模噪声背景下对非高斯ARMA信号进行参数化谱估计,主要利用双模噪声概率密度的对称性,使用总体最小二乘算法实现对非高斯信号的模型建立,再对模型产生的信号进行双谱估计,通过仿真能得到比基于二阶统计量的参数化方法及非参数化方法都更好的谱估计效果.     

一种基于高阶互累计量的遗传盲反卷积算法

提出了一种基于高阶互累计量的遗传盲反卷积算法,旨在解决现有许多基于独立分量分析盲反卷积算法中存在的两个共同缺陷.一是算法中引入的非线性函数依赖于源信号的峭度性质,当观测信号为超高斯信号与亚高斯信号的卷积混合时,算法性能急剧下降.二是算法中大多采用梯度法对分离矩阵序列进行寻优,初始值和步长的设定对搜索性能影响较大,使得寻优过程易陷入局部极优值,从而降低算法的分离效果.在阐述了算法的相关原理和设计思路之后,通过对比试验验证了算法的正确性和有效性.     

基于深度学习的非对齐人脸验证方法

当前大多数方法需要对人脸进行对齐等预处理,这不仅影响验证流程的连续性,还严重影响人脸验证的效率。本文设计了两种神经网络模型及三个阶段式的训练验证构架以及基于深度特征与SIFT特征相结合的高效的非对齐人脸验证方法:方法利用卷积神经网络的池化层中间结果同步生成SIFT特征描述符从粗粒度到细粒度进行多级联的非对齐的人脸验证,这极大的提高人脸验证的速度及准确度;在训练阶段提出了使用三元组样本作为输入,Triplet loss作为损失函数有效提高不同人之间的区分度提高人脸验证的准确率;本文根据不同应用场景设计了两种深度学习架构适应小型及大型设备的需要。本方法经过在Web-face数据集训练及在LFW,YOUTUBE等数据集上验证,结果表明该方法具有良好的性能。     

双曲型方程激波捕捉的物理信息神经网络（PINN）算法

双曲型方程的数值求解算法研究一直是偏微分方程研究的热点,其中,双曲型方程的间断捕捉是难点。受物理信息神经网络（physics-informed neural networks,PINN）启发,构造了改进的PINN算法,近似求解双曲型方程的间断问题。将坐标构造的数据集作为神经网络的输入,将PINN算法中的损失函数作为训练输出值与参考解（基于细网格的熵相容格式数据）或准确解的误差值,通过网络优化,最小化损失函数,得到最优网络参数。最后用数值算例验证了算法的可行性,数值结果表明,本文算法能捕捉激波,分辨率高,且未产生伪振荡。     

基于改进DCNN结合迁移学习的图像分类方法

针对传统DCNN(Deep Convolutional Neural Networks)模型中Softmax分类层存在的过早饱和及模型参数采用随机初始化训练时间长、识别准确率低的问题,提出一种将噪声注入Softmax并结合迁移学习的图像分类方法.首先,根据对Softmax饱和问题探究,对比注入的噪声参数选取对识别率的影响来找到最佳情况,从而产生更为宽泛的梯度并起到延迟饱和的作用;然后,利用公开预训练模型参数来代替随机初始化参数,并比较冻结不同卷积层对模型的影响;最后,在MNIST和CIFAR-10图像分类数据集上实验,证明所提方法具有良好的识别效果.     

模糊神经网络的一种快速学习算法

本文对文献[1]《一种改进的模糊参数神经网络学习算法》中提出的F-BP算法进行分析研究，提出了一种效率更好的快速F—BP学习算法．在此算法中对模糊数的计算方法进行改进，减少了模糊神经网络训练及推理中的运算量，从而提高学习效率．     

基于混沌加密的小波包盲水印算法

利用混沌系统的特点调制了两种不同的混沌序列,分别用于水印加密和子图像的抽取.对子图像进行小波包分解,通过修改小波包的系数来嵌入数字水印.水印的提取不需要原始图像,实现了盲提取.实验结果表明,该算法对于常见的JPEG压缩、高斯噪声,裁剪和缩放等攻击具有较好的鲁棒性.     

基于K-SVD字典学习的合成图像盲检测

一幅真实的图像中噪声特性是一致的,而由多幅图像内容拼接而成的合成图像噪声特性是不一致的.本文利用这一特点,提出了一种基于K均值奇异值分解(K-SVD)字典学习的合成图像盲检测方法.该方法首先通过K-SVD算法对合成图像进行训练得到其稀疏表示字典,然后利用学习得到的字典对背景噪声进行去除,最后根据去噪前后图像对应子块的相关系数异同实现篡改区域的检测与定位.实验结果表明,该方法对于鉴别含有不同背景噪声的合成图像具有显著效果,同时,算法对JPEG压缩、重采样和模糊等后处理操作都具有较好的鲁棒性.     

基于多尺度学习与深度卷积神经网络的遥感图像土地利用分类

土地利用信息是国土资源管理的基础和重要依据,随着高分辨率遥感图像数据的日益增多,迫切需要快速准确的土地利用分类方法。目前应用较广的面向对象的分类方法对空间特征的利用尚不够充分,在特征选择上存在一定的局限性。为此,提出一种基于多尺度学习与深度卷积神经网络（deep convolutional neural network,DCNN）的多尺度神经网络（multi-scale neural network,MSNet）模型,基于残差网络构建了100层编码网络,通过并行输入实现输入图像的多尺度学习,利用膨胀卷积实现特征图像的多尺度学习,设计了一种端到端的分类网络。以浙江省0.5 m分辨率的光学航空遥感图像为数据源进行了实验,总体分类精度达91.97%,并将其与传统全卷积网络（fully convolutional networks,FCN）方法和基于支持向量机（support vector machine,SVM）的面向对象方法进行了对比,结果表明,本文所提方法分类精度更高,分类结果整体性更强。     

基于多尺度学习与深度卷积神经网络的遥感图像土地利用分类

土地利用信息是国土资源管理的基础和重要依据,随着高分辨率遥感图像数据的日益增多,迫切需要快速准确的土地利用分类方法。目前应用较广的面向对象的分类方法对空间特征的利用尚不够充分,在特征选择上存在一定的局限性。为此,提出一种基于多尺度学习与深度卷积神经网络（deep convolutional neural network,DCNN）的多尺度神经网络（multi-scale neural network,MSNet）模型,基于残差网络构建了100层编码网络,通过并行输入实现输入图像的多尺度学习,利用膨胀卷积实现特征图像的多尺度学习,设计了一种端到端的分类网络。以浙江省0.5 m分辨率的光学航空遥感图像为数据源进行了实验,总体分类精度达91.97%,并将其与传统全卷积网络（fully convolutional networks,FCN）方法和基于支持向量机（support vector machine,SVM）的面向对象方法进行了对比,结果表明,本文所提方法分类精度更高,分类结果整体性更强。     

三值噪声及热噪声共同调制下RC串联电路的随机共振现象

研究了在三值噪声和高斯白噪声共同调制下RC串联电路所表现出来的现象.利用系综平均法和Shapiro-Loginov公式,推导得到了平均输出幅度增益的精确表达式.通过模拟及分析图示,表明平均输出幅度增益在输入信号频率ω、系统参量a取不同值时,其呈现为三值噪声参量d、q的非单调函数,即在适当的噪声参量和系统参量条件下,平均输出幅度增益呈现出1个最大值,而高斯白噪声对于平均输出幅度增益没有产生任何影响.     

多氯咔唑化合物热力学性质的神经网络预测

采用取代基片段值P和原子类型电拓扑状态指数Em有效表征了135个多氯咔唑化合物(PCCZs)的分子结构,通过选择变量与神经网络(BP)算法建立定量相关(QSPR)模型,以预测多氯咔唑化合物热力学性质.将选择的P,Em结构参数作为神经网络的输入层变量,热力学性质作为输出层变量,方程均采用5∶13∶1的网络结构,利用BP算法获得了3个令人满意的QSPR模型,它们的总相关系数分别为0.998 6,0.991 1和0.979 5,标准误差分别为2.123,3.237和3.952,利用这3个神经网络模型计算得到的预测值与文献值的相对平均误差分别为0.30%,1.85%和1.14%,表明模型具有良好的稳定性和预测能力.该神经网络模型所得结果优于多元回归方法所得结果,可用于对多氯咔唑化合物性质进行理论分析和预测.     

并行Adaboost-BP算法及其在海量图像分类中的应用

为解决基于单节点架构的传统分类算法存在的时间效率差、分类准确率低等问题,提出了一种基于并行Adaboost-BP神经网络的海量图像分类方法.将BP神经网络作为弱分类器,由Adaboost算法组合15个BP神经网络的输出,构建了强分类器;充分利用了Hadoop平台下Map Reduce并行编程模型,提出了海量图像的自动分类模型,设计了并行Adaboost-BP神经网络算法的Map和Reduce任务.多组实验表明,相对于传统的AdaboostBP神经网络算法,提出的算法在Pascal VOC2007数据集和Caltech256数据集上的平均分类准确率分别提高了14.5%和26.0%,而且算法运行耗时少,系统加速比随集群节点个数增加而增加,在图像规模增加到20 000时,加速比几乎呈线性增长趋势.实验结果充分证明,提出的方法适合海量图像的自动分类和预测.