帧删除篡改是一种常见的视频篡改方式,篡改者通过删除一些帧来达到改变视频内容的目的.经过多次实验,本文提出一种新的检测算法.为了便于传输与存储,视频几乎都经过有损压缩,有损压缩会造成数据丢失,导致两帧之间的相似度随着帧间间隔的增加而降低.根据这一特点,算法利用结构相似度来测量相邻帧之间的相似度值,由给定阈值找到异常点,实现帧删除篡改检测与定位.实验证明,算法对静止摄像机拍摄的视频进行帧删除篡改检测结果很好,即使视频被删除的是整个GOP组(a group of pictures)或者是GOP组的整数倍,也能正确检测并定位,并且不受再压缩,格式转换等因素的影响.
利用电子健康档案中时间序列数据建立的预测模型在改善疾病管理方面发挥着重要作用。由于时态数据的序列相关性和特征空间维度大等特点,机器学习和非深度神经网络等传统方法难以提供疾病的准确预测。最新工作表明,长短时记忆(long short term memory, LSTM)神经网络性能优于大多数传统的疾病预测方法。为了进一步提高预测精度,本文提出了一种将卷积神经网络(convolutional neural network, CNN)与LSTM相结合的混合深度学习神经网络框架。使用电子健康档案中真实数据集的研究结果表明,相比传统SVM,CNN和LSTM模型,该算法的预测性能得到显著提高。
暂无评论