目的针对已有图像拼接篡改检测方法中存在的真伪判断分类精度不高、拼接篡改区域定位不准确问题,本文设计了一种篡改边缘两侧和篡改区域内外不一致性引导下的重点关注篡改区域与篡改边缘的图像拼接篡改检测卷积神经网络。方法图像内容在篡改过程中,拼接物体的边缘都会留下篡改痕迹,这是图像拼接篡改检测的重要线索。因此,本文设计了一条篡改边缘提取分支,通过学习拼接物体边缘两侧的不一致性,重点提取拼接篡改区域的边缘轮廓。考虑到篡改边缘像素点过少会导致网络难以收敛,提出一个边缘加粗策略,形成一个边缘加粗的"甜甜圈",使得篡改边缘提取结果更具完整性。在不同图像采集过程中,所用相机设备和光线条件等因素不同,导致每幅图像包含的信息也不尽相同。对此,设计了一条篡改区域定位分支,重点学习来自不同图像拼接区域与周围区域之间不一致性的差异化特征,并将注意力机制引入图像拼接篡改检测的篡改区域定位分支,进一步提高对拼接篡改区域的学习关注程度。面向真伪判断设计了一条图像是否经过拼接篡改的二分类网络分支,不但可以快速有效地给出输入图像是否为篡改图像的判断结果,而且可以与上述两条分支的输出结果一起提供给用户,由用户结合视觉语义信息进行综合判断。结果本文算法与已有的4个代表性方法在4个专业数据集上进行算法实验和性能比较。在真伪判断分类的精确度方面,在Dresden、COCO(common objects in context)、RAISE(a raw images dataset for digital image forensics)和IFS-TC(information forensics and security technical committee)数据集上分别提高了8.3%、4.6%、1.0%和1.0%;在篡改区域定位的准确度方面,F1评分与重叠度IOU(intersection over union)指标较已有方法分别提升了9.4%和8.6%。结论本文算法将真伪判别分类、篡改区域定位和篡改边缘提取融合在一起,互相促进,较大提升了各分支任务的性能表现,在图像拼接篡改检测方面取得了优于已有方法的效果,为数字图像取证技术领域的研究工作拓展了思路。
随着群智感知的普及,以合理的成本招募最佳感知信息提供者的问题变得更加重要,但移动用户追求高回报的贪婪特性会使得招募成本偏高.为此,提出一种针对团体的群智感知招募的激励机制.首先,通过移动用户的属性和任务详细信息来迭代所有可能团体;然后,评估生成的随机初始团体,删除其中违反任务约束的团体,并计算其余团体的信息质量QoI(the quality of information,QoI)比率,团体将经过轮盘赌程序从当前团体中选择候选人进行进化程序,选定的团体经过交叉,在团体之间随机交换成员;最后,进行突变,该过程随机替换团体的成员,从解决方案集中选择具有最佳QoI比率的团体,解决了移动用户对数据进行过高定价以提高利润的倾向.提出的激励机制包括选择和支付机制,避免了移动用户选择过程中的贪婪特性.通过与现有的团队招募框架方法的对比,以及实验数据集与原始模型进行的比较,表明了该激励机制的有效性.
针对开放式环境下松耦合程度和可靠性不够的协作模式的缺点,以及协同制造装配问题出现的"结构失配"和"工艺革新"的特性,提出CRQA_(OVTM)Agent模型.模型从服务参数(属性)松耦合程度和服务执行结果确定性两个方面区别定义普通(O,Ordinary)接口、转换(V,con V ersion)接口、多参数适配器(T,multiparameteradap Tor)接口和概念实例调制器(M,conceptinstance M odulator)接口,并在此基础上提供包括普通协作、转换性协作、适配性协作和调制性协作的混合协作模式,且在处方的基础上引入量化合成,以更加灵活的方式处理"结构失配"和"工艺革新"问题.同时模型引入合同的约束,保证自组织协作是可信的.通过验证并与RPACT IAgent模型比较可知,该模型的协作机制既具有很高的成功率和效率,又具有很高的灵活性,更加适合开放环境下的协同制造装配.
暂无评论