“深度伪造”侵犯肖像权问题研究

我国《民法典》第1019条从肖像权保护的角度对“深度伪造”技术进行了规制,将“深度伪造”法定化为不同于“丑化”“污损”的肖像侵权类型,原因在于“深度伪造”侵犯肖像权侵权客体复杂,归责主体特殊,且侵权构成要件有别于一般肖像侵权行为。然而,《民法典》第1019条对“深度伪造”技术的规制也存在局限,应当完善第1019条,使其作为法律规制的核心,并且在第1019条的框架下鼓励行业自治,构建多方主体共同参与治理“深度伪造”技术的格局。     

基于多尺度特征先验的图像拼接篡改检测

针对现有图像拼接篡改算法存在识别准确度不高的问题,提出了一种基于多尺度特征先验的图像拼接篡改检测框架。首先,训练一个环状残差网络对数据集的深度特征进行学习,将训练得到的模型作为后续网络学习的先验知识。然后,开发一个由多个外部注意力块和环状残差块组合的分支网络,该分支网络有效地利用环状残差网络训练模型中的多尺度特征先验知识,进一步学习到精确的拼接篡改图像区域信息。为了进一步解决数据不均衡问题,结合二值交叉熵损失和Dice损失来设计模型训练目标函数,最终较为精确地检测出篡改区域图。大量实验对比数据表明,所提方法可以有效检测出不同场景下的拼接篡改图像,与对比方法相比有更高的检测准确率。为了进一步检验模型的鲁棒性,对压缩和噪声图像进行了实验测试,结果表明所提方法在鲁棒性方面也能取得较好的结果。     

检测源IP地址伪造的网络

CAIDA最近开始了一项名为Spooler的项目来实际检测互联网的健康状态。     

基于模糊分形特征的遥感图像人造目标检测方法

在分析遥感图像分形特征的基础上,比较了不同分形特征的特点,分析了多种分形特征在对图像背景与人造目标的对应性,讨论了分形拟合误差特征的计算方法,提出了对分形特征量的模糊数学方法描述,研究了基于分形特征的人造目标检测方法.文章选择了多幅含有自然背景和人造目标的遥感图像,应用建议的算法进行综合试验,试验结果表明该方法对检测人造目标是有效的.     

人工智能深度伪造技术对个人名誉权的侵害与法律保护——基于《民法典》的探讨

《民法典》针对名誉权保护领域存在的突出问题作了较为详细的规定：厘清名誉和名誉权的内涵、协调个人名誉保护与公共媒体监督之间的关系、明确文艺创作与名誉权保护的关系、赋予民事主体更正删除权。在现有法律框架内,作为人工智能分支的深度伪造技术对个人名誉权造成侵犯：个人信息泄露,破坏受害人心理屏障;搜集材料困难导致证明个人名誉权损害较难;个人合法权利受侵,行使更正权受限;物质损害补偿难以抚慰受害者。针对上述问题与成因,亟待从《民法典》的角度,加强对个人信息安全保护,继续推进网络实名制;举证责任倒置,减轻举证负担;优化网络侵权规则,设定初步审查义务;采取事后救济,完善民事精神赔偿等,以实现深度伪造技术下《民法典》对个人名誉权的有效保护。     

基于深度学习的高分辨率遥感图像海陆分割方法

将高分辨率遥感图像进行像素级海陆分割是遥感应用领域的一项基础性工作,对海岸线提取和海洋近岸目标检测具有重要意义,但传统阈值方法往往由于高分辨率遥感图像覆盖范围广、地物纹理复杂等特点而难以取得预期效果。为了提升高分辨率遥感影像海陆分割精度,改善传统阈值方法的不足,基于深度神经网络模型利用编码器—解码器架构,并在编码层中引入残差块,以更好地对特征图进行高级语义信息提取,通过解码层将编码层生成的特征图还原成与输入尺寸相同的特征图,最后通过Sigmoid层对图像进行像素级海陆分割。在高分辨率遥感图像数据集上的实验结果表明,该网络模型取得良好了分割效果,准确率和Kappa系数分别达到了94.3%和93.7%。与传统方法相比,海陆分割精确度得到了有效提升。     

基于图像检测技术的零件间隙图像处理方法

利用CCD传感器成像系统摄取零件配合间隙图片,通过图像转换、直方图均衡化、winner滤波去噪、边缘提取等图像处理方法清晰的提取出配合间隙的边缘图像,利用hough变换检测直线,即可根据检测零件的参数要求算出间隙尺寸.     

基于点处理的图像脉冲噪声滤除方法研究

在分析含噪图像恢复方法和脉冲噪声概率密度函数的基础上,提出了一种基于点处理理论的脉冲噪声污染图像的恢复算法。该算法依次扫描图像的像素点,判断当前的像素点是否为脉冲噪声数据点,如果为噪声点,则计算空域滤波器的输出结果,并替代该像素点的值;否则,该像素点的值保持不变。实验结果表明,该方法基于像素点的空域处理,具有无排序操作、算法执行速度快和保持图像细节的优点。     

一种深度模型行人检测方法

提出一种新的深度模型,通过多个阶段的后向传播来联合训练多阶段分类器实现行人检测。该模型可将分类器的得分图输出存储在局部区域中,并将其作为上下文信息来支持下一阶段的决策。通过设计具体的训练策略,深度模型可对硬性样本进行挖掘来分阶段训练网络,进而模拟串联分类器。此外,每个分类器可在不同的难度水平上处理样本,并通过无监督预训练和专门安排的各阶段有监督训练来对优化问题正规化,提高了行人检测的可靠性。理论分析表明该训练策略有助于避免过拟合。基于3个数据集(Caltech,ETH和TUD-Brussels)的实验结果也验证了该方法优于当前其他最新算法。     

面部图像纹理特征检测方法研究

传统面部图像的特征检测主要针对于灰度图像和二值图像,目前国内对于面部彩色图像（尤其是高清面部彩色图像）纹理特征的研究还处于起步阶段。针对于面部区域彩色图像特征,通过采集不同测试者早（健康状态）、晚（疲劳状态）大量面部彩色图像,据此建立面部图像数据库,划分数据库为P（疲劳图）、Z（正常图）、R（结果）三类。利用共生矩阵算法求得最大特征区域的纹理特征向量,用对比统计得到的数据测定正常与疲劳面部图像特征值的差别。实验结果表明,面部彩色图像的纹理特征反映了图像本身的属性,进一步描述了图像的细节信息,具有计算量小的特点。     

基于改进YOLOv5算法的红外图像行人目标检测

针对红外图像中行人检测算法准确率低、漏检等问题,提出了一种基于改进YOLOv5s的红外行人目标检测方法。首先,利用Transformer编码结构替换C3模块中的Bottleneck结构,以加强检测网络的特征融合能力;其次,利用递归门控卷积gnConv对视觉感受野模块RFB进行改进,并在YOLOv5s头部检测网络前加入改进的RF-gnConv模块,以提高模型对各种复杂场景行人检测的适应力;最后,利用OTCBVS数据集对算法模型进行验证。结果显示：改进后的算法模型平均精度均值达到97.3%,检测速度为63帧/s,验证了改进算法对红外图像中行人检测的有效性。     

基于深度学习图像特征匹配的双目测距方法

针对现有双目视觉测距方法中存在的精度低、抗干扰能力弱、鲁棒性差等问题,提出一种基于深度学习图像特征匹配的双目深度测距方法.首先将双目图像通过一个自监督训练的特征提取网络,通过两个解码器获取双目图像的特征点与描述符,然后根据描述符进行特征点的匹配以获取视差,最后根据双目相机的相似三角形原理获取目标的真实深度.在KITTI...     

基于YOLOv5的病媒图像检测实验教学设计

针对数字图像处理课程存在理论高度抽象、缺少实践应用案例等问题,设计了一个病媒图像检测实验。该实验采用YOLOv5多目标检测深度框架,训练图像检测模型;对模型进行量化,移植到Android端检测系统,通过相册、拍照和摄像采集图像,调用模型检测。实验结果表明,该检测模型具有很好的性能,平均精度均值达96.9%,可满足实际工程需求。通过该实验,能够加深学生对深度学习检测模型移植的理解,锻炼运用深度学习网络解决实际工程问题的能力。     

基于视觉注意机制深度强化学习的行人检测方法

结合视觉注意机制,并用深度强化学习训练视点选择模型,模拟人类视觉搜索局部关键部位,提出了新的行人检测方法,通过视点选择模型生成聚焦图像,不断地叠加搜索关键区域,由检测网络对关键区域进行行人判别,并通过信息熵度量检测结果的可信度,作为奖赏通过深度强化学习优化视点选择模型。视点选择模型和检测网络协同迭代训练,使该方法具有很强的局部关键区域选择和判别能力,减少了形变和遮挡的影响。与经典的基于部位的行人检测方法在公开的行人检测数据集进行对比实验,结果表明,所提出的行人检测方法可以有效地提高行人检测精度。     

基于LS-SVM算法的遥感图像目标检测方法研究

遥感图像受到光照、拍摄角度、大雾等影响使得目标检测精度低,为提高遥感图像目标检测质量,通过计算遥感图像背景复杂度,进行目标区域的预提取,实施目标检测,提出基于LS-SVM算法的遥感图像目标检测模型。将提出的方法应用于舰船遥感图像和航空遥感图像的目标检测中,并和联合显著性特征和角度信息方法、改进SSD算法进行对比。结果表明该方法能够更好地对比较暗、尺寸比较小的目标进行检测,具有一定的应用价值。     

几种分形方法在图像边缘检测中的应用研究

介绍并比较了几种基于分形理论的边缘检测技术,包括基于分形编码的图像边缘检测、基于离散分数布朗随机模型的图像边缘检测、基于多重分形方法的图像边缘检测、利用人造目标和自然背景的不同分形特征提取目标边缘。具有不同分形特征的图像采用不同的的算法都可以取得较理想的效果,但实际上无论哪一种算法在解决一定问题的同时也存在不同类型的缺陷。因而,寻求更理想的分形方法应用在图像边缘检测中将仍然是图像处理与分析中研究的主要问题之一。     

基于深度学习的疟疾检测

针对疟疾检测方法中的模型存在训练时间过长,权重参数冗余等问题,用疟疾数据集从头开始训练,更改输入图像的大小,直接对ResNet-50网络的深度和宽度进行缩减,研究采用深度学习技术快速、准确地检测疟疾。该方法缩短了模型训练时间,提高了疟疾分类精确度,缩小了模型权重参数大小。