-
公开(公告)号：CN114119330A
公开(公告)日：2022-03-01
申请号：CN202111306170.9
申请日：2021-11-05
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于神经网络的鲁棒数字水印嵌入、提取方法，具体为：步骤1：将水印图像输入至水印嵌入网络中的水印图像处理网络，将载体图像输入至水印嵌入网络中的载体图像处理网络，步骤2：对水印图像处理网络中第i层网络层的输出wi的大小进行调整；步骤3：将wi与载体图像处理网络中第i层网络层的输出ci级联，将级联后的结果输入至载体图像处理网络中第i+1层；步骤4：对载体图像处理网络最后一层的输出进行卷积操作，得到含密图像c*；将含密图像c*输入至提取网络，得到带有水印的图像w*。本发明不仅不可见性较好，而且能够有效抵抗多种常见的水印攻击，具有较好的鲁棒性。
-
公开(公告)号：CN113688871A
公开(公告)日：2021-11-23
申请号：CN202110844557.3
申请日：2021-07-26
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于Transformer的视频多标签动作识别方法，具体为：对提取的长视频的特征序列进行降维处理得到新的特征序列F，将特征序列F与预设第一权重矩阵W相乘得到特征序列V，将V中每个元素对应的视频帧的时序位置进行编码，得到编码矩阵P；将V和P输入至Transformer编码器得到序列V′，根据V′提取长视频中关键动作的开始帧和结束帧；将预设的序列与P分别作为Transformer解码器的输入；将V′中将开始帧和结束帧以及位于两者之间的元素输入至Transformer解码器Muti‑head Attention层。本发明考虑了标签与标签之间的联系，从而提高了多标签分类的精度。
-
公开(公告)号：CN112926598A
公开(公告)日：2021-06-08
申请号：CN202110249157.8
申请日：2021-03-08
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于残差域深度学习特征的图像拷贝检测方法，具体为：提取原始图像和待检测图像的SIFT特征；将两幅图像的SIFT特征进行匹配得到SIFT匹配对；然后将错误的SIFT匹配对过滤，保留其中3对SIFT匹配对，再计算出两幅图像之间的仿射变换矩阵；使用仿射变换矩阵对原始图像进行仿射变换；然后分别计算出变换后原始图像上的重叠区域以及待检测图像上的重叠区域，将两个重叠区域逐像素做差值运算，得到残差图像；将残差图像送入基于多层特征融合的CNN中，从而判断出两幅图像是否为拷贝关系。本发明在保持检测效率的同时，显著地提高了检测精度，且对于视觉上高度相似的拷贝图像和相似图像具有很强的区分能力。
-
公开(公告)号：CN110674334B
公开(公告)日：2020-08-11
申请号：CN201910869635.8
申请日：2019-09-16
Applicant: 南京信息工程大学
IPC: G06F16/583 , G06K9/46 , G06K9/62 , G06N3/04
Abstract: 本发明公开了一种基于一致性区域深度学习特征的近重复图像检索方法，具体为：提取图像库中的所有图像的SIFT特征，将SIFT特征量化为视觉单词，为所有的SIFT特征建立倒排索引文件；保留每个图像的K个目标区域，计算目标区域的CNN特征C(Rc)；提取查询图像的SIFT特征，将其量化为视觉单词；利用倒排索引文件，找出候选图像；在查询图像中找出与每个候选图像的每个目标区域近似重复的近重复区域；提取近重复区域的CNN特征C(RQ)；计算任意C(Rc)和该CNN特征相应的C(RQ)的余弦相似度，作为该组的相似度评分；在每个候选图像中，选择余弦相似度最高的一组评分作为该候选图像与查询图像之间的相似度评分。本发明在提高检索效率的同时，大大的提高了图像检索的准确度。
-
公开(公告)号：CN115936961A
公开(公告)日：2023-04-07
申请号：CN202211462057.4
申请日：2022-11-21
Applicant: 南京信息工程大学
IPC: G06T1/00 , G06V10/82 , G06V10/40 , G06V10/764 , G06V10/774 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于少样本对比学习网络的隐写分析方法、设备及介质，其中方法针对少量的隐写图像数据对，用数据增强的方式生成多组额外可用的训练样本；随机挑选一对载体图像和含秘图像，两者相减获得残差图像，将上述三张图像与以及另一张无关的载体图像组成一组训练数据，并以锚点样本、负样本、正样本、指导样本的形式输入对比学习网络。网络先进行特征提取，分别对锚点样本、正样本、负样本是否为含秘图像进行分类，并计算分类损失；对输入的锚点样本、正样本、负样本的特征向量计算对比损失；对输入的负样本、指导样本的特征向量计算对比指导损失；结合分类损失、对比损失和对比指导损失优化网络；抽取网络结构中的一个分支作为应用网络。
-
Patent Agency Ranking
公开(公告)号：CN109492416B
公开(公告)日：2022-02-11
申请号：CN201811322310.X
申请日：2019-01-07
Applicant: 南京信息工程大学
Abstract: 本发明提供一种基于安全区域的大数据图像保护方法，包括：S1：采用目标检测方法选择目标安全区域，同时提取彩色图像特征；S2：采用大数据技术，利用大数据图片集训练网络模型以及测试网络模型，应用深度学习模型在目标检测中的应用算法，提取出物体区域作为信息保护的安全区域；S3：将提取的安全区域作为含密图像的隐写区域，应用隐写算法进行秘密信息隐藏。本发明能够应用深度学习模型在目标检测中的应用算法，即Mask R‑CNN实例分割方法，选择出图像中纹理噪声较为复杂的区域，即前景部分，将秘密信息准确地隐藏于前景物体中，从而实现更加隐秘的图像秘密信息隐藏保护的目的。
-
公开(公告)号：CN112926598B
公开(公告)日：2021-12-07
申请号：CN202110249157.8
申请日：2021-03-08
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于残差域深度学习特征的图像拷贝检测方法，具体为：提取原始图像和待检测图像的SIFT特征；将两幅图像的SIFT特征进行匹配得到SIFT匹配对；然后将错误的SIFT匹配对过滤，保留其中3对SIFT匹配对，再计算出两幅图像之间的仿射变换矩阵；使用仿射变换矩阵对原始图像进行仿射变换；然后分别计算出变换后原始图像上的重叠区域以及待检测图像上的重叠区域，将两个重叠区域逐像素做差值运算，得到残差图像；将残差图像送入基于多层特征融合的CNN中，从而判断出两幅图像是否为拷贝关系。本发明在保持检测效率的同时，显著地提高了检测精度，且对于视觉上高度相似的拷贝图像和相似图像具有很强的区分能力。
-
公开(公告)号：CN112182287B
公开(公告)日：2021-06-08
申请号：CN202010945969.1
申请日：2020-09-10
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于时空视觉词组和分层匹配的视频拷贝检测方法，包括以下步骤：1)视频帧采样；2)SURF特征提取；3)空间视觉词生成；4)时间视觉词生成；5)时空视觉词组生成；6)多级倒排索引结构构建；7)特征分层匹配与特征相似度融合计算；通过以上步骤得到查询视频和库视频之间的相似度，从而判定库视频是否为查询视频的拷贝版本。本发明首先生成时空视觉词组，然后将生成的时空视觉词组构建多级倒排索引以便于特征匹配，在线检测阶段使用了特征分层匹配与相似度融合计算策略，本发明的视频拷贝检测方法，在保证拷贝检测效率的同时，大大提高了检测的准确度。
-
公开(公告)号：CN110674334A
公开(公告)日：2020-01-10
申请号：CN201910869635.8
申请日：2019-09-16
Applicant: 南京信息工程大学
IPC: G06F16/583 , G06K9/46 , G06K9/62 , G06N3/04
Abstract: 本发明公开了一种基于一致性区域深度学习特征的近重复图像检索方法，具体为：提取图像库中的所有图像的SIFT特征，将SIFT特征量化为视觉单词，为所有的SIFT特征建立倒排索引文件；保留每个图像的K个目标区域，计算目标区域的CNN特征C(Rc)；提取查询图像的SIFT特征，将其量化为视觉单词；利用倒排索引文件，找出候选图像；在查询图像中找出与每个候选图像的每个目标区域近似重复的近重复区域；提取近重复区域的CNN特征C(RQ)；计算任意C(Rc)和该CNN特征相应的C(RQ)的余弦相似度，作为该组的相似度评分；在每个候选图像中，选择余弦相似度最高的一组评分作为该候选图像与查询图像之间的相似度评分。本发明在提高检索效率的同时，大大的提高了图像检索的准确度。
-
公开(公告)号：CN110084734A
公开(公告)日：2019-08-02
申请号：CN201910340335.0
申请日：2019-04-25
Applicant: 南京信息工程大学
Abstract: 本发明是一种基于物体局部生成对抗网络的大数据权属保护方法，在训练集上，载体图像经过多层的卷积网络，得到多组特征图，依次传入到载体重构模块。生成网络还包括多层反卷积网络，在生成条件经过多层反卷积后得到的特征图依次传入载体重构模块。将生成的目标载体图像输入到隐写网络，进行隐写区域的扩增和隐写秘密信息，随后将生成的图像输入到多粒度判别器中，对其分别在图像微弱特征和图像质量上判别，更新判别网络的参数，经过多次修改，得到网络模型参数并保存。发送方和接收方利用上述网络模型参数生成含秘图像或复原隐写区域并提取秘密信息。本专利实现了基于生成对抗网络信息隐藏，解决了生成对抗网络的隐写中的隐写问题，提高了安全性。
-
-
-
-
-
-
-
-
-
Search Results
38
records
(took 0.033 seconds)
