論文元數(shù)據(jù)搜索，找到相關(guān)信息共 2 條：
2022, 44(10): 3343-3352.
doi: 10.11999/JEIT220380
刊出日期：2022-10-19
基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像超分辨率重建算法通常假設(shè)低分辨率圖像的降質(zhì)是固定且已知的，如雙3次下采樣等，因此難以處理降質(zhì)(如模糊核及噪聲水平)未知的圖像。針對(duì)此問題，該文提出聯(lián)合估計(jì)模糊核、噪聲水平和高分辨率圖像，設(shè)計(jì)了一種基于迭代交替優(yōu)化的圖像盲超分辨率重建網(wǎng)絡(luò)。在所提網(wǎng)絡(luò)中，圖像重建器以估計(jì)的模糊核和噪聲水平作為先驗(yàn)信息，由低分辨率圖像重建出高分辨率圖像；同時(shí)，綜合低分辨率圖像和估計(jì)的高分辨率圖像，模糊核及噪聲水平估計(jì)器分別實(shí)現(xiàn)模糊核和噪聲水平的估計(jì)。進(jìn)一步地，該文提出對(duì)模糊核/噪聲水平估計(jì)器及圖像重建器進(jìn)行迭代交替的端對(duì)端優(yōu)化，以提高它們的兼容性并使其相互促進(jìn)。實(shí)驗(yàn)結(jié)果表明，與IKC, DASR, MANet, DAN等現(xiàn)有算法相比，提出方法在常用公開測試集(Set5, Set14, B100, Urban100)及真實(shí)場景圖像上都取得了更優(yōu)的性能，能夠更好地對(duì)降質(zhì)未知的圖像進(jìn)行重建；同時(shí)，提出方法在參數(shù)量或處理效率上也有一定的優(yōu)勢。
, 最新更新時(shí)間: ,
doi: 10.11999/JEIT240796
在車載網(wǎng)絡(luò)(VANETs)中，聯(lián)邦學(xué)習(xí)(FL)通過協(xié)同訓(xùn)練機(jī)器學(xué)習(xí)模型，實(shí)現(xiàn)了車輛間的數(shù)據(jù)隱私保護(hù)，并提高了整體模型的性能。然而，F(xiàn)L在VANETs中的應(yīng)用仍面臨諸多挑戰(zhàn)，如模型泄露風(fēng)險(xiǎn)、訓(xùn)練結(jié)果驗(yàn)證困難以及高計(jì)算和通信成本等問題。針對(duì)這些問題，該文提出一種面向聯(lián)邦學(xué)習(xí)的可驗(yàn)證隱私保護(hù)批量聚合方案。首先，該方案基于Boneh-Lynn-Shacham (BLS)動(dòng)態(tài)短群聚合簽名技術(shù)，保護(hù)了客戶端與路邊單元(RSU)交互過程中的數(shù)據(jù)完整性，確保全局梯度模型更新與共享過程的不可篡改性。當(dāng)出現(xiàn)異常結(jié)果時(shí)，方案利用群簽名的特性實(shí)現(xiàn)車輛的可追溯性。其次，結(jié)合改進(jìn)的Cheon-Kim-Kim-Song (CKKS)線性同態(tài)哈希算法，對(duì)梯度聚合結(jié)果進(jìn)行驗(yàn)證，確保在聯(lián)邦學(xué)習(xí)的聚合過程中保持客戶端梯度的機(jī)密性，并驗(yàn)證聚合結(jié)果的準(zhǔn)確性，防止服務(wù)器篡改數(shù)據(jù)導(dǎo)致模型訓(xùn)練無效的問題。此外，該方案還支持車輛在部分掉線的情況下繼續(xù)更新模型，保障系統(tǒng)的穩(wěn)定性。實(shí)驗(yàn)結(jié)果表明，與現(xiàn)有方案相比，該方案在提升數(shù)據(jù)隱私安全性和結(jié)果的可驗(yàn)證性的同時(shí)，保證了較高效率。
