論文元數(shù)據(jù)搜索，找到相關(guān)信息共 2 條：
2019, 41(9): 2151-2155.
doi: 10.11999/JEIT180884
刊出日期：2019-09-10
該文基于Ding-廣義分圓理論，將周期為$ 2{p^m}$ ($ p$ 為奇素?cái)?shù)，$ m$ 為正整數(shù))廣義分圓序列的研究推廣到任意素?cái)?shù)階情形，構(gòu)造了一類新序列。通過(guò)數(shù)論方法分析多項(xiàng)式廣義分圓類，確定并計(jì)算線性復(fù)雜度與序列的2次剩余類和2次非剩余類的劃分緊密相關(guān)。結(jié)果表明該類序列的線性復(fù)雜度遠(yuǎn)遠(yuǎn)大于周期的一半，能抗擊應(yīng)用Berlekamp-Massey(B-M)算法的安全攻擊，是密碼學(xué)意義上性質(zhì)良好的偽隨機(jī)序列。
2022, 44(8): 2949-2956.
doi: 10.11999/JEIT210537
刊出日期：2022-08-17
針對(duì)目前圖像隱寫檢測(cè)模型中線性卷積層對(duì)高階特征表達(dá)能力有限，以及各通道特征圖沒(méi)有區(qū)分的問(wèn)題，該文構(gòu)建了一個(gè)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(cè)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(qiáng)隱寫檢測(cè)模型對(duì)高階特征的表達(dá)能力；同時(shí)引入通道加權(quán)模塊，實(shí)現(xiàn)根據(jù)全局信息對(duì)每個(gè)卷積通道賦予不同的權(quán)重，增強(qiáng)有用特征并抑制無(wú)用特征，增強(qiáng)模型提取檢測(cè)特征的質(zhì)量。實(shí)驗(yàn)結(jié)果表明，該檢測(cè)模型針對(duì)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(cè)準(zhǔn)確率，與最優(yōu)的Zhu-Net相比，準(zhǔn)確率提高1.95%～6.15%。
