摘要：针对基于深度学习的三维模型分类方法应用于细粒度三维模型分类时效果较差的问题,提出一种端到端的细粒度三维模型分类框架,并构建基于深度集成及细节感知的细粒度三维模型分类网络.通过由深度集成学习构成的主干网络提取三维模型多视图下的整体形状特征;采用基于上下文细节感知模块的辅助网络捕捉各个视图下的局部细节特征;两者相互融合,实现端到端的弱监督细粒度三维模型分类.选用公开数据集FG3D中不同难度的子数据集Airplane,Chair和Car进行实验,获得了当前最好的细分类精度,分别达到了96.31%,85.44%和79.62%的分类准确率,表明该网络具有良好的细分类性能和普适性.

摘要：点云数据的无序性、稀疏性和有限性等特点给基于深度学习的点云模型分类带来了较大的困难.现有的面向点云的深度学习网络存在模型架构复杂、训练参数较多的问题,难以适用于实时点云识别任务,为此提出一种轻量级实时点云网络——LightPointNet.首先,基于点云模型的特点及轻量级点云分类网络的设计原则,提出面向点云模型分类的深度学习网络原型;然后,通过控制变量法完成网络参数设置的优化,形成最终的点云网络LightPointNet.该网络结构紧凑,仅包含3层卷积, 1层池化和1层全连接,且其参数个数不到0.07M.实验结果表明,在ModelNet40上,相比PointNet,VoxNet和LightNet,LightPointNet分类精度分别提高了0.29%,6.49%和2.59%,参数量减少了98.0%,92.4%和76.6%;在MINST和SHREC15上,该网络拥有良好的普适性;这些结果充分证明了LightPointNet分类性能良好且计算效率高,具有轻量级、实时性优点,可以部署在嵌入式设备中,在物联网和点云实时处理等方面具有广阔的应用前景.

摘要：现有的基于草图的三维模型检索工作往往将数据视为静态输入,并使用卷积神经网络进行特征提取,忽略了数据的动态属性,造成了有益信息的部分丢失,进而影响了以此为基础的检索效果.为解决这一问题,提出一种基于时空信息联合嵌入的端到端三维模型草图检索算法.首先,将草图表征为动态绘制序列,体现其绘制过程中所包含的时序信息;将三维模型表征为多视图序列,体现视图间的位置关联;然后,构建包含静态空间特征提取和动态时序特征提取的端到端双流网络,结合三元中心度量学习建立跨域数据的联合时空特征嵌入,充分捕捉草图和三维模型所包含的静态、动态特征,缩小跨域数据的差异性,提高检索的准确率;最后,在标准公开数据集SHREC2013和SHREC2014上进行实验,与现有工作相比获得了较高的准确率,验证了所提算法的可行性及有效性.

摘要：现有的自监督表征算法主要关注视频帧之间的短期运动特性,但是帧间动作序列的变化幅度较小,而且单视图数据因语义受限影响深度特征表达能力,视频动作中丰富的多视图信息未被充分利用。为此提出基于跨视图语义一致性的时序对比学习算法,自监督学习RGB帧和光流场两种数据中蕴含的动作时序变化特性,主要思路为:设计局部时序对比学习方法,采用不同正负样本划分策略,挖掘同一实例不重叠片段之间的时序相关性和判别可分性,增强细粒度特征表达能力;研究全局对比学习方法,通过跨视图语义协同训练来增加正样本,学习多实例不同视图的语义一致性,提高模型的泛化能力。通过两个下游任务对模型效果进行评估,在UCF101和HMDB51数据集的实验结果表明,所提方法在动作识别和视频检索任务上,较前沿主流方法平均提升了2~3.5个百分点。

摘要：分析跨平台、跨语言的Web Services应用软件开发技术,构建一种基于C/S+SOAP(Simple Object Access Protocol)的软件架构。在.Net平台上使用***建立了Web Services,将SOAP机制引入数据传输过程中,在此基础上设计并实现了印章治安信息管理系统中跨网异构数据的传输,并在实际应用方面取得了成功。

摘要：安全多方计算允许具有私密输入的多个参与方联合计算一个多输入函数而不泄露各参与方私有输入的任何信息,因此近年来受到广泛关注.作为安全多方计算中的一个基础问题,隐私保护排序允许多个参与方在不泄露数据集隐私的前提下计算多个数据集的排序结果,广泛应用于产品定价、拍卖等场景.现有的隐私保护排序协议大多只支持两个参与方.而已有的多方多数据排序协议通信开销大、计算复杂度高,整体效率较低.现有隐私保护排序协议均未考虑恶意参与者的穷举攻击,因此安全保护不足.对此,本文提出一个高效的隐私保护多方多数据排序协议.多个参与方仅需O(1)轮交互即可以隐私保护的方式获得其持有的多个数据的排序结果.具体来讲,本文设计一种基于多项式的编码方法,将参与方的数据集编码为一个多项式,其每项的指数和系数分别代表数据和该数据的个数.通过多项式加法可实现多个参与方数据集的排序.同时,本文设计了多项式加密、聚合多项式生成和解密多项式生成算法,在保证计算正确性的同时实现多项式的隐私保护.最后,各参与方通过不经意传输技术获得排序结果.本文定义了不合谋参与方穷举攻击下的恶意安全.安全性分析表明本文协议不仅实现了半诚实安全性,而且达到了不合谋恶意用户穷举攻击的恶意安全性.此外,大量实验表明本文提出的协议在通信和计算方面都十分高效.如当参与方数量为15、每个参与方持有20000个数据、数据上界为500000时,本文协议的通信和计算开销分别为898.44 MB和69.76 s,仅为LDYW协议的12.08%和76.85%;而相对于AHM+方案,本文协议在通信开销仅增加约4倍的情况下使计算效率提升了约20倍.

摘要：为了实现透镜阵列天线所需的移相范围,设计了两种不同的单元结构,通过优化参数,在保证良好的传输幅值的基础上实现相移范围的互补。为了探索在高功率微波系统应用,对两种单元的功率容量也开展了详细研究。在无限周期情况下,随着单元尺寸变化,单元功率容量范围为1.08~19.37 MW;通过研制口径为315 mm×315 mm的透镜天线来构建有限周期条件,并仿真计算得到该天线最大功率容量为226.553 MW,功率密度可以达到2283.23 W/mm^(2),并且该天线在中心频点10 GHz处峰值增益可达到29.37 dBi,口径效率为62.43%,副瓣电平约为-21.54 dBi。结果表明所提出单元的有效性与正确性,也说明设计的透镜阵列天线不仅具有良好的辐射特性,同时具有MW量级的功率容量。

摘要：随着深度神经网络在不同领域的成功应用,模型的知识产权保护成为了一个备受关注的问题.由于深度神经网络的训练需要大量计算资源、人力成本和时间成本,攻击者通过窃取目标模型参数,可低成本地构建本地替代模型.为保护模型所有者的知识产权,最近提出的模型指纹比对方法,利用模型决策边界附近的指纹样本及其指纹查验模型是否被窃取,具有不影响模型自身性能的优点.针对这类基于模型指纹的保护策略,提出了一种逃避算法,可以成功绕开这类保护策略,揭示了模型指纹保护的脆弱性.该逃避算法的核心是设计了一个指纹样本检测器——Fingerprint-GAN.利用生成对抗网络(generative adversarial network,GAN)原理,学习正常样本在隐空间的特征表示及其分布,根据指纹样本与正常样本在隐空间中特征表示的差异性,检测到指纹样本,并向目标模型所有者返回有别于预测的标签,使模型所有者的指纹比对方法失效.最后通过CIFAR-10,CIFAR-100数据集评估了逃避算法的性能,实验结果表明:算法对指纹样本的检测率分别可达95%和94%,而模型所有者的指纹比对成功率最高仅为19%,证明了模型指纹比对保护方法的不可靠性.

摘要：磁共振图像的质量会影响医生对患者身体情况的判断,高清晰度的磁共振图像更有利于医生做出准确的诊断。利用计算机技术对磁共振图像进行超分辨率重建,可以由低分辨率的磁共振图像得到高分辨率的磁共振图像。基于生成对抗网络强大的生成能力及其非监督学习特性,文中研究了基于生成对抗网络的磁共振图像超分辨率算法,设计了一个结合残差网络结构及DenseNet结构作为生成网络的网络模型DNGAN。该网络使用WGAN-GP理论作为对抗损失来稳定生成对抗网络的训练。除此之外,使用内容损失函数以及感知损失函数作为网络的损失函数。同时,为了更好地利用磁共振图像丰富的频域信息,将磁共振图像的频域信息作为频域损失函数添加到网络中。为了证明DNGAN模型的有效性,将其磁共振图像超分辨率实验结果与SRGAN以及双三次插值法的磁共振图像超分辨率重建结果进行对比,表明DNGAN模型能够有效地对磁共振图像进行超分辨率重建。

摘要：在大数据背景下,保证数据可信共享是数据联邦的基本要求.区块链技术代替传统的主从架构,可以提高联邦学习(federated learning,FL)的安全性.然而,现有工作中,模型参数验证与数据持久化所产生的巨大通信成本和存储消耗,已经成为数据联邦中亟待解决的问题.针对上述问题,设计了一种高效的去中心化联邦学习框架(efficient decentralized federated learning framework,EDFL),能够降低存储开销,并显著提升FL的学习效率.首先,提出了一种基于贡献度证明(proof-of-contribution)的共识机制,使得区块生成者的选举基于历史贡献度而不采用竞争机制,从而有效发避免了挖矿过程产生的区块生成延迟,并以异步方式缓解模型参数验证中的阻塞问题;其次,提出了一种角色自适应激励算法,因为该算法基于节点的工作强度和EDFL所分配的角色,所以能够激励合法节点更积极地进行模型训练,并有效地识别出恶意节点;再者,提出一种区块链分区存储策略,使得多重局部修复编码块(local reconstruction code)可被均匀地分布到网络的各个节点上,进而降低节点的本地存储代价,并实现了较高的数据恢复效率;最后,在真实的FEMNIST数据集上,对EDFL的学习效率、存储可扩展性和安全性进行了评估.实验结果表明,EDFL在以上3个方面均优于主流的基于区块链的FL框架.