論文元數(shù)據(jù)搜索，找到相關(guān)信息共 3 條：
2005, 27(9): 1412-1415.
刊出日期：2005-09-19
該文指出Hong(2001)在多速率運動模型中關(guān)于過程噪聲的一處錯誤,提高了多速率運動模型狀態(tài)估計效果,并在此基礎(chǔ)上建立了多幀概率數(shù)據(jù)關(guān)聯(lián)算法.在確定多幀量測數(shù)據(jù)有效回波時,提出雙重門限方法,有效減少了多幀概率數(shù)據(jù)關(guān)聯(lián)算法的計算量.最后針對各種雜波密度情況對多幀量測數(shù)據(jù)概率數(shù)據(jù)關(guān)聯(lián)算法的性能進(jìn)行了分析.
2007, 29(1): 201-204.
doi: 10.3724/SP.J.1146.2005.00574
刊出日期：2007-01-19
關(guān)鍵詞:
環(huán)簽名;雙線性對;偽造攻擊;GDP(Gap Diffie-Hellman)
通過對Xu(2004)和Zhang(2004)提出的兩種環(huán)簽名方案進(jìn)行分析，指出了這兩種環(huán)簽名方案都容易受到群成員改變攻擊(group-changing attack)，并給出了攻擊方法；另外，Zhang的方案還容易受到多已知簽名存在偽造(multiple-known-signature existential forgery)攻擊。為防范這兩種攻擊，對這兩種環(huán)簽名方案進(jìn)行了改進(jìn)，改進(jìn)后的方案在最強的安全模型(Joseph, 2004提出)中仍是安全的。
2022, 44(8): 2949-2956.
doi: 10.11999/JEIT210537
刊出日期：2022-08-17
針對目前圖像隱寫檢測模型中線性卷積層對高階特征表達(dá)能力有限，以及各通道特征圖沒有區(qū)分的問題，該文構(gòu)建了一個基于多層感知卷積和通道加權(quán)的卷積神經(jīng)網(wǎng)絡(luò)(CNN)隱寫檢測模型。該模型使用多層感知卷積(Mlpconv)代替?zhèn)鹘y(tǒng)的線性卷積，增強隱寫檢測模型對高階特征的表達(dá)能力；同時引入通道加權(quán)模塊，實現(xiàn)根據(jù)全局信息對每個卷積通道賦予不同的權(quán)重，增強有用特征并抑制無用特征，增強模型提取檢測特征的質(zhì)量。實驗結(jié)果表明，該檢測模型針對不同典型隱寫算法及不同嵌入率，相比Xu-Net, Yedroudj-Net, Zhang-Net均有更高的檢測準(zhǔn)確率，與最優(yōu)的Zhu-Net相比，準(zhǔn)確率提高1.95%～6.15%。
