显著性目标检测是获取图像中视觉显著目标的任务,它是计算机视觉及相关研究领域的重要内容。当前在复杂的自然场景下基于深度学习的算法依然存在特征学习不足和检测错误率较高的问题,因此提出一种新颖的基于多特征融合的显著性目标检测算法。以HDHF(hybrid deep and handcrafted feature)模型的预测显著图作为特征,融合全局像素的深度特征。此外,利用显著性提名获取候选目标的位置,并在各候选目标中添加中心先验。在全卷积神经网络中,利用前向传播算法最终预测得到像素级的显著性目标。在四个包含多个显著性目标和复杂背景的图像数据集上进行验证,实验结果表明,该算法有效地提高了复杂场景下显著性目标的检测精度,尤其是在背景复杂的图像上具有较优的检测效果。
为有效识别关键业务系统并评估业务系统对全业务流程造成的安全风险和影响,提出一种全业务流程关键业务系统识别模型.首先,建立业务流程关联树与业务流程关联网络,得到评价属性矩阵与系统关联度矩阵.其次,由评价属性矩阵与系统关联度矩阵构造关联评价属性矩阵,改进优劣解距离法(technique for order preference by similarity to an ideal solution,TOPSIS)中加权方法和相对接近度计算方法,基于TOPSIS改进方法计算业务系统的重要性系数,进而识别全业务流程中关键业务系统.最后,评估业务系统发生信息安全事件时对全业务流程连续性的影响.实验结果表明,该方法能够准确地识别出全业务流程中的关键业务系统,有助于高效评估业务系统对全业务流程造成的影响.
暂无评论