123,123

基于多任務學習的無參考超分辨圖像質量評估[其他][其他]

圖像超分辨率重建旨在從低分辨率圖像中恢復其對應的高分辨率圖像，是計算機視覺中的經典問題。為改進傳統(tǒng)超分辨圖像質量評價方法與人眼感知不一致的問題，提出一種基于多任務學習的超分辨圖像質量評估網絡。網絡采用多任務學習的方式，分別學習圖像的局部頻率特征與質量分數，其中局部頻率特征用來輔助網絡進行圖像質量分數的回歸，提高分數預測的準確性和泛化能力。另外，在網絡中加入協(xié)調注意力模塊，進一步增強了模型的預測能力。實驗結果表明，所提出的算法在QADS數據集上的SROCC、PLCC等指標優(yōu)于目前先進的無參考超分辨圖像質量評價方法。

發(fā)表于：2021/8/12 15:06:28

基于Flink流處理框架的FFT并行及優(yōu)化[其他][其他]

FFT作為雷達信號處理的關鍵計算步驟之一，本質上是一個基于數據流的處理過程。以往的FFT計算大多集中在通用計算平臺上進行并行計算實現，計算系統(tǒng)存在擴展性和魯棒性問題。隨著科學計算應用在Flink上的逐漸興起，將FFT在Flink上進行并行和優(yōu)化，不僅可以很好地利用框架自身良好的系統(tǒng)擴展性和魯棒性，同時也能使其具備高吞吐的實時性能?；贔link對FFT流處理算法流程進行了設計和優(yōu)化，同時針對Flink對適用于FFT計算的緩存窗口機制進行了設計，實驗結果表明，改進后FFT并行算法在多個大規(guī)模點數下計算速度均有所提高。

發(fā)表于：2021/8/12 15:00:00

一種基于CEEMDAN-LSTM組合的水體溶解氧預測方法[其他][其他]

為了對水體含氧量進行更好的監(jiān)測，提高溶解氧含量預測精度，采用“先分解再集成”的結構，提出了CEEMDAN-LSTM組合預測模型。首先利用CEEMDAN得到分解后的各個分量，然后對每個分量進行LSTM建模預測，最后對所有的預測結果進行集成，得到最終預測結果。該模型解決了單個LSTM模型預測的延遲性，與單個LSTM預測模型相比，其擬合優(yōu)度(R2)提高了3.3%，其余誤差指標也均有所降低，預測精度得到了有效的提升；與其他模型相比，也更具優(yōu)越性。

發(fā)表于：2021/8/12 14:52:00

基于深度網絡的推薦系統(tǒng)偏置項改良研究[其他][其他]

傳統(tǒng)的矩陣分解算法為用戶和項目分別獨立設置了偏置項，而沒有深入挖掘特定用戶對于特定項目的隱性偏好；同時，傳統(tǒng)的排序預測推薦算法將用戶所有打分過的項目都統(tǒng)一地設置為該用戶的正例項目(無論用戶給出了好評還是差評)，這導致訓練完成的系統(tǒng)在實際應用中很可能會為用戶繼續(xù)推薦其厭惡的項目。因此提出了一種基于深度網絡的推薦系統(tǒng)偏置項改良方案，該改良方案考慮了用戶為特定項目所作的評分背后所蘊含的好惡態(tài)度，并學習出一個用戶-項目聯(lián)合偏置項加入到推薦過程中以提升推薦性能。在三個公開數據集上進行的對比實驗結果表明，該改良方案可以有效地提升推薦的性能表現。

發(fā)表于：2021/8/12 14:37:00

基于特征集聚和卷積神經網絡的惡意PDF文檔檢測方法[通信與網絡][信息安全]

針對現有惡意PDF文檔檢測方法存在特征維度高、數據集樣本少導致模型欠擬合等問題，提出了一種基于特征集聚和卷積神經網絡的惡意PDF文檔檢測方法。該方法以詞袋模型為基礎，從PDF文檔中提取常規(guī)特征和結構特征。然后以合并后特征簇最小方差為目標，使用Ward最小方差聚類方法實現特征集聚。最后，將聚合特征送入卷積神經網絡分類模型進行訓練。根據不同聚合特征數下模型性能的好壞，確定最優(yōu)的聚合特征數。實驗結果表明，該方法降低了特征維度，提升了模型的召回率，緩解了模型的欠擬合問題?？v向比較來看，在不同的良性樣本和惡意樣本比例下，遍歷得到最優(yōu)的聚合特征數，召回率平均提升了53%，F-score平均提升了0.44，運行時間平均縮短了27%；與PJScan、PDFrate、Luxor 3種檢測工具橫向相比，檢測的綜合性能平均提升了5%。

發(fā)表于：2021/8/12 14:26:36

基于全同態(tài)加密的安全人臉識別算法[其他][其他]

人臉識別技術是計算機視覺研究的重要課題，在生物認證領域有著廣泛的應用前景。然而人臉圖像的易獲取性使其被濫用，造成隱私的泄露，因此各界對用戶人臉圖像隱私問題的關注度日益提高。提出了一種基于全同態(tài)加密的安全人臉識別算法，可以有效地保護用戶人臉圖像的隱私，保證服務器在提供人臉識別服務時，不會學習到用戶圖像的任何信息。實驗結果表明，該算法安全性較高，計算效率也有所提高。

發(fā)表于：2021/8/11 17:21:25

水下聲吶通信安全研究[其他][其他]

隨著人類對海洋的探索與開發(fā)，水下網絡特別是水下通信技術逐漸成熟。水下通常使用聲吶進行通信，而水下聲吶通信信道具有傳輸速率低、誤碼率高、延時高和信道窄等缺陷，特別容易遭受惡意攻擊。因此，必須重視水下聲吶通信的安全問題。針對水下聲吶通信系統(tǒng)安全防護等級較弱的現狀，考慮水聲通信的獨特特性，概述了水下密碼裝備的未來發(fā)展趨勢。進而，從保護數據機密性角度出發(fā)，設計了一型密碼樣機和一種輕量級密碼算法，用于水下聲吶通信加密技術的演示驗證。測試結果表明：采用輕量級密碼算法的密碼樣機非常適合水下通信安全防護，能夠滿足通信速率要求，這為未來水下聲吶通信系統(tǒng)搭載密碼系統(tǒng)奠定了一定研究基礎。

發(fā)表于：2021/8/11 17:07:00

基于隱藏子空間的量子貨幣的攻擊研究[其他][其他]

量子貨幣問題是量子密碼學中認證問題的代表。Aaronson和Christiano提出了一種基于公鑰的量子貨幣方案,并在隱藏子空間上證明了它的計算安全性。通過分析子空間的結構，對該方案提出有效的攻擊,證明了一般子空間都有漏洞，只有具有復雜結構的子空間才具有出色的安全性，并改進了隱藏子空間方案的定義，嚴格要求由子空間形成的量子貨幣的任何量子位相互糾纏。最后從信息論的角度，證明了糾纏帶來的新安全性。

發(fā)表于：2021/8/11 17:03:00

基于RLWE的可撤銷分層屬性加密方案[通信與網絡][信息安全]

針對屬性加密方案中的運行效率和屬性更新問題，提出了一種基于環(huán)上誤差學習問題(Learning With Error over Ring，RLWE)的可撤銷分層屬性加密方案。方案通過多等級的門限秘密共享矩陣將屬性進行分層，權限等級高的屬性恢復秘密的能力大于權限等級低的屬性，且高權限等級不可被替代；另外，方案實現了屬性級的用戶撤銷，基于第三方機構通過控制用戶對屬性陷門的獲取降低了系統(tǒng)的計算開銷。該方案能抵抗用戶合謀攻擊且滿足隨機預言機模型下的選擇明文安全，與現有方案對比，在實現了屬性分層的同時增加了屬性撤銷的功能，并在多項式環(huán)上進行運算，提高了加解密效率，對實際應用場景有更好的適應性。

發(fā)表于：2021/8/11 16:58:00

多變量公鑰密碼進展[通信與網絡][信息安全]

量子計算的快速發(fā)展對當前普遍應用的公鑰密碼造成了嚴重威脅，抗量子計算的密碼研究成為當前密碼學術研究和標準化的熱點問題。多變量密碼作為抗量子密碼的優(yōu)秀候選方案受到了廣泛的關注。介紹了當前多變量密碼的基本原理，綜述了其國內外研究進展，分析對比了幾種典型的陷門構造技術和攻擊技術，最后指出了當前研究存在的問題。

發(fā)表于：2021/8/11 16:45:00