一级黄色片免费播放|中国黄色视频播放片|日本三级a|可以直接考播黄片影视免费一级毛片

通過對Xu(2004)和Zhang(2004)提出的兩種環(huán)簽名方案進行分析，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)簽名方案進行了改進，改進后的方案在最強的安全模型(Joseph, 2004提出)中仍是安全的。

通過對Zhang-Liu-He (2006)，Gan-Chen (2004)和Wang-Zhang-Ma (2007)提出的可轉換環(huán)簽名方案進行分析，指出了這幾個可轉換環(huán)簽名方案存在可轉換性攻擊或不可否認性攻擊，即，環(huán)中的任何成員都能宣稱自己是實際簽名者或冒充別的成員進行環(huán)簽名。為防范這兩種攻擊，對這幾個可轉換環(huán)簽名方案進行了改進，改進后的方案滿足可轉換環(huán)簽名的安全性要求。

借鑒變色龍視覺的高度獨立性、對稱性、全局性與選擇性兼顧等特點，該文提出一種基于雙PTZ (Pan-Tilt-Zoom)相機的主從跟蹤方法。由于兩個相機的對稱性和參數可變性、可控性，這種方法相對于靜止加主動相機的主從跟蹤系統(tǒng)，可以增大監(jiān)控范圍；相對于多靜止加主動相機的系統(tǒng)，可減小硬件開銷；相對于全向加主動相機的系統(tǒng)，更有利于信息融合。該文設計了基于球面坐標模型的主從控制方法，可方便實現兩相機在任意pan-tilt-zoom參數下的主從模式跟蹤，實現對目標的多尺度視覺關注。在室外場景中進行的多組實驗驗證了所提方法的有效性。

由于基于最壞情況困難假設等優(yōu)點，基于格的密碼被認為是最具前景的抗量子密碼研究方向。作為格密碼的常用的兩個主要困難問題之一，含錯學習(LWE)問題被廣泛用于密碼算法的設計。為了提高格密碼算法的性能，Zhang等人(2019)提出了非對稱含錯學習問題，該文將從理論上詳細研究非對稱含錯學習問題和標準含錯學習問題關系，并證明在特定錯誤分布下非對稱含錯學習問題和含錯學習問題是多項式時間等價的，從而為基于非對稱含錯學習問題設計安全的格密碼算法奠定了理論基礎。

本文介紹了一種用于研究砷化鎵材料中的缺陷(比如EL2吸收特性等)的新方法:將一束波長為1.11.5m的近紅外光穿過一塊厚度為48mm,直徑為50mm的砷化鎵材料,用紅外攝象機TOSHIBA 8844攝取圖象,并直接送入計算機圖象處理系統(tǒng)DATASUD,材料中的非均勻性缺陷圖象,即材料中的缺陷(EL2,位錯等)在截面上的分布結構形狀(十字形,網狀,球粒形等)就可從屏幕上觀察到。本文給出了為研究這類材料設計的ZHIMAG(ZHang IMAGe)圖象處理軟件包和應用ZHIMAG所獲得的一些結果。ZHIMAG也適用于其它類型的圖象處理。

Gu-Zhang-Yang(2005)提出了一個不需要可信第三方參與的匿名代理簽名方案，由于該方案的簽名驗證數據中沒有回避孤懸因子這一現象，因此并不滿足強不可偽造性，原始簽名人可以偽造一個有效的代理簽名通過驗證，并成功地在代理簽名者身份揭示階段向公眾證明該偽造的代理簽名是由合法的代理簽名者產生的。本文在分析該方案安全性的基礎上提出了改進的匿名代理簽名方案，克服了原方案的不足。

環(huán)簽名是提供匿名發(fā)布信息的巧妙方法，該文首次給出了基于身份的可鏈接環(huán)簽名和可鏈接可轉換環(huán)簽名的概念與安全的形式化定義。以Zhang和Kim的環(huán)簽名方案為例，給出了為某些基于身份環(huán)簽名添加可鏈接性的方法。并分別提出了高效的基于身份的可鏈接環(huán)簽名和可鏈接可轉換環(huán)簽名方案，方案除滿足完備匿名性和適應性選擇消息攻擊下的不可偽造性外，還分別滿足可鏈接性和對非簽名者的不可轉換性。

該文在現有譯碼算法的基礎上提出一種高效的非二進制低密度奇偶校驗碼(NB-LDPC)譯碼方法，充分利用了分層譯碼算法與Min-max算法的優(yōu)點，不但譯碼復雜度低、需要的存儲空間小，而且可將譯碼速度提高一倍。應用該算法，對一種定義在GF(25)上的(620,509)碼進行了仿真。該碼的仿真結果表明：在相同誤碼率下，該文譯碼算法所需最大迭代次數僅為Zhang的算法(2011)的45%。

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能力有限，以及各通道特征圖沒有區(qū)分的問題，該文構建了一個基于多層感知卷積和通道加權的卷積神經網絡(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能力；同時引入通道加權模塊，實現根據全局信息對每個卷積通道賦予不同的權重，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量。實驗結果表明，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均有更高的檢測準確率，與最優(yōu)的Zhu-Net相比，準確率提高1.95%～6.15%。

針對目前深度學習單階段檢測算法綜合性能不平衡以及在嵌入式設備難以部署等問題，該文提出一種面向嵌入式平臺的高性能目標檢測算法?；谥豢?次5代 (YOLOv5)網絡，改進算法首先在主干網絡部分采用設計的空間頸塊代替原有的焦點模塊，結合改進的混洗網絡2代替換原有的跨級局部暗網絡，減小空間金字塔池化 (SPP)的內核尺寸，實現了主干網絡的輕量化。其次，頸部采用了基于路徑聚合網絡 (PAN)設計的增強型路徑聚合網絡 (EPAN)，增加了P6大目標輸出層，提高了網絡的特征提取能力。然后，檢測頭部分采用以自適應空間特征融合 (ASFF)為基礎設計的自適應空洞空間特征融合 (A-ASFF)來替代原有的檢測頭，解決了物體尺度變化問題，在少量增加額外開銷情況下大幅提升檢測精度。最后，函數部分采用高效交并比 (EIoU)代替完整交并比 (CIoU)損失函數，采用S型加權線性單元 (SiLU)代替HardSwish激活函數，提升了模型的綜合性能。實驗結果表明，與YOLOv5-S相比，該文提出的同版本算法在mAP@.5，mAP@.5:.95上分別提高了4.6%和6.3%，參數量降低了43.5%，計算復雜度降低了12.0%，在Jetson Nano平臺上使用原模型和TensorRT加速模型進行速度評估，分別減少了8.1%和9.8%的推理延遲。該文所提算法的綜合指標超越了眾多優(yōu)秀的目標檢測網絡，對嵌入式平臺更為友好，具有實際應用意義。