个人健康记录(personal health record,PHR)是一种面向个人健康的信息服务。PHR云的诞生方便了病人及医生随时随地地上传、访问以及使用PHR。尽管方便了健康信息的分享,但PHR云也对用户的隐私造成了巨大的威胁,因此急需一种可以同时提...
详细信息
个人健康记录(personal health record,PHR)是一种面向个人健康的信息服务。PHR云的诞生方便了病人及医生随时随地地上传、访问以及使用PHR。尽管方便了健康信息的分享,但PHR云也对用户的隐私造成了巨大的威胁,因此急需一种可以同时提供数据保护与访问控制的技术。基于属性的加密算法(attribute-based encryption,ABE)不仅提供了数据加密功能,还支持灵活的访问控制。为了保证前/后向安全性,ABE必须依赖属性撤销以实现对系统中所有属性的动态维护。然而现有的撤销算法的时间复杂度和空间复杂度较高,这阻碍了ABE在PHR云中的应用。为解决该问题,提出了一种支持快速撤销的密文策略属性加密方案(ciphertext policy attribute-based encryption supporting fast revocation,CP-ABE-FR),使得解密者不需要在线频繁更新私钥,同时减少了解密开销。理论分析证明,CP-ABE-FR能够保证PHR安全性。实验数据表明,基于CP-ABE-FR构建的PHR系统访问控制模型在具备较高的加解密计算效率。
无监督可见光-红外行人重识别(Unsupervised Visible-Infrared Person Re-identification,USVIReID)是一项非常重要且具有挑战性的任务。USVI-ReID的关键挑战是在不依赖任何跨模态标注的情况下有效地生成伪标签并建立跨模态对应。近年来...
详细信息
无监督可见光-红外行人重识别(Unsupervised Visible-Infrared Person Re-identification,USVIReID)是一项非常重要且具有挑战性的任务。USVI-ReID的关键挑战是在不依赖任何跨模态标注的情况下有效地生成伪标签并建立跨模态对应。近年来,通过聚类算法生成伪标签的方法在USVIReID中得到了越来越多的关注。然而,以前的方法只是选择代表个体的单一类中心原型或按照一定的策略随机选择原型来建立跨模态对应。这不仅忽略了个体特征的多样性,也没有考虑聚类过程中错误样本对模型训练的影响。为了解决这个问题,本文提出了一种柔性加权原型对比学习(Soft-Weight Prototype Contrastive Learning,SWPCL)方法。该方法首先设计了一个柔性原型(Soft Prototype,SP)选择策略,根据个体特征之间的相似度选择质心原型的最近邻样本作为柔性原型,为模型提供丰富的正监督信息。为了进一步消除错误原型对模型训练的干扰,提出了一种柔性加权(Soft-Weight,SW)策略,定量地度量所选的柔性原型相对于当前质心原型的相关性,将选择到的原型通过柔性加权的方式结合到对比学习中。最后,引入了一种渐进式对比学习(Progressive Contrastive Learning,PCL)策略,将模型的注意力逐渐转移到柔性原型上,避免聚类退化。在SYSUMM01和RegDB两个公共数据集上的大量实验证明了所提出的柔性加权原型对比学习方法的有效性。
暂无评论