为保障铁路系统的信息安全,文章提出一种铁路运行环境下可信根实体(Entity of Root of Trust,ERT)的软件化技术,在内核中实现强制访问控制功能,通过操作系统内核的修改或扩展,实现更为细粒度和强大的权限管理。同时考虑到轻量级场景下...
详细信息
为保障铁路系统的信息安全,文章提出一种铁路运行环境下可信根实体(Entity of Root of Trust,ERT)的软件化技术,在内核中实现强制访问控制功能,通过操作系统内核的修改或扩展,实现更为细粒度和强大的权限管理。同时考虑到轻量级场景下部分设备存在计算能力弱、存储空间有限和电源供应不稳定等问题,提出一种轻量级可信计算体系,最大程度满足可信计算要求。通过实施内核级的强制访问控制和轻量级的可信计算体系改造,缓解未知风险对关键信息基础设施的威胁,为铁路系统的安全性提供保障。
目的激光雷达在自动驾驶中具有重要意义,但其价格昂贵,且产生的激光线束数量仍然较少,造成采集的点云密度较稀疏。为了更好地感知周围环境,本文提出一种激光雷达数据增强算法,由双目图像生成伪点云并对伪点云进行坐标修正,进而实现激光雷达点云的稠密化处理,提高3D目标检测精度。此算法不针对特定的3D目标检测网络结构,是一种通用的点云稠密化方法。方法首先利用双目RGB图像生成深度图像,根据先验的相机参数和深度信息计算出每个像素点在雷达坐标系下的粗略3维坐标,即伪点云。为了更好地分割地面,本文提出了循环RANSAC(random sample consensus)算法,引入了一个分离平面型非地面点云的暂存器,改进复杂场景下的地面分割效果。然后将原始点云进行地面分割后插入KDTree(k-dimensional tree),以伪点云中的每个点为中心在KDTree中搜索若干近邻点,基于这些近邻点进行曲面重建。根据曲面重建结果,设计一种计算几何方法导出伪点云修正后的精确坐标。最后,将修正后的伪点云与原始激光雷达点云融合得到稠密化点云。结果实验结果表明,稠密化的点云在视觉上具有较好的质量,物体具有更加完整的形状和轮廓,并且在KITTI(Karlsruhe Institute of Technology and Toyota Technological Institute)数据集上提升了3D目标检测精度。在使用该数据增强方法后,KITTI数据集下AVOD(aggregate view object detection)检测方法的AP_(3D)-Easy(average precision of 3D object detection on easy setting)提升了8.25%,AVOD-FPN(aggregate view object detection with feature pyramid network)检测方法的AP_(BEV)-Hard(average precision of bird’s eye view on hard setting)提升了7.14%。结论本文提出的激光雷达数据增强算法,实现了点云的稠密化处理,并使3D目标检测结果更加精确。
现有目标检测算法在小目标检测中存在可利用特征少、有效特征提取困难、易受环境干扰等问题.基于此,提出一种高效的主干特征提取网络EfficientNet来进行目标检测,在检测模型中融合注意力机制,以增强对小目标的识别能力.将提出的模型应用到细微裂缝检测中,从增强小目标识别、减少模型参数、提高网络检测速度三方面进行改进,研究结果表明:当输入图像为416×416分辨率时,本文模型的F1值相比于主流检测模型至少有3%的提升,模型的参数量与主流检测器相比减少了80%~85%,检测速率可达到每秒帧数(Frame Per Second,FPS)102帧/s.
随着社交媒体平台的快速发展和移动设备的普及,人与人之间的交互变得更加便捷。但同时,谣言在社交媒体上也更加肆虐,给公众和社会安全带来巨大的隐患。在现实世界中,用户在发表自己的评论之前,往往会首先观测其他已经发表的帖子,尤其是即将评论的帖子上下文。现有的一些谣言检测方法虽然使用了谣言传播过程中的传播结构,基于群体智能原则提取用户间的相互质疑或事实线索,极大地提高了谣言检测的效果,但是对传播结构的深层非直接隐式关系及关键帖子和关键路径重要性的学习能力不足。据此,文中提出了一种基于传播树的结点及路径双注意力谣言检测模型DAN-Tree(Dual-attention Network Model on Propagation Tree Structures)。该模型使用Transformer结构学习传播路径中帖子间的隐式语义关系,并利用注意力机制学习路径中结点的重要度;其次,利用注意力机制对路径表示进行加权聚合得到整个传播树的表示向量;最后,基于传播树表示向量进行谣言分类。此外,我们使用结构嵌入方法学习帖子在传播树上的空间位置信息,进一步对谣言传播结构上的深层结构和语义信息进行融合。在4个经典数据集上的实验结果表明:DAN-Tree模型在其中的3个数据集上都超过了目前已有文献的最优结果。在Twitter15和Twitter16数据集上正确率指标分别提升了1.81%和2.39%,在PHEME数据集上F1指标提升了7.51%。
暂无评论