基于深度学习的伪造音频检测研究与实现
这是一篇关于伪造音频检测,音频特征,Res2Net,注意力机制的论文, 主要内容为随着音频生成技术如深度生成网络和波形变换的发展,人类能够合成清晰、包含期望内容和音色的音频,这些音频可以用于人机交互或者听书等一系列人性化活动中。然而,这种伪造音频生成技术也带来了极大的社会安全风险。不法分子可能会采集社会上有影响力的人物的语音,并训练伪造语音生成模型,以制造谣言、引发社会恐慌,或者攻击身份识别系统并窃取个人信息。因此,伪造语音检测已经成为当前社会安全研究的一个重要领域。伪造音频的检测主要包括两个步骤:第一步是提取声纹特征,将语音转化为矩阵形式,提取出用于学习模型分类和检测伪造信息的声纹特征。第二步是使用深度学习模型进行检测,该模型通过提取语音的深度伪造特征来区分人类自然音频和机器生成音频。围绕基于深度学习的伪造音频检测方法,本文的主要工作如下:(1)针对目前特征提取表征能力和抗干扰能力弱的现象,提出基于注意力机制融合的抗干扰特征。首先针对不同伪造场景的伪造特征不同的特点,分别提取逆梅尔频率倒谱系数、伽马频率倒谱系数和线性频率倒谱系数。接着考虑多伪造环境中大量伪造方式添加噪声等干扰,结合高阶抗干扰能力更强和高阶特征难以伪造的特点,本文提出分段倒谱系数提高逆梅尔频率倒谱系数和线性频率倒谱系数特征的抗干扰能力。然后使用缩放点积注意力机制融合该三个特征,其中注意力机制权重参与训练。最终通过实验验证本文提出的提取方法具有更全面的表征能力和一定的抗干扰能力。(2)针对目前模型存在多伪造场景检测性能和通用性弱的现象,结合Res2Net应用于伪造音频检测的问题,提出音频注意力残差网络。首先将基于注意力机制融合的抗干扰特征作为模型的输入。随后在Res2Net模型骨干网络(Backbone)的首部,添加通道空间注意力和空间注意力机制,在分配初始通道重要性的同时使得通道相关联并减少因噪声导致的无关特征点的影响。接着在Backbone的底部添加了多头注意力机制层,提取伪造音频生成模型难以伪造并且以往模型所忽略的帧相关性特征。最终通过实验证明:(a)等错误率低于AsvSpoof大赛中的大部分单模型,等错误率略高于但检测效率和训练成本均优于大赛中的多模型。(b)在不同伪造场景下均具有较低的等错误率,通用性和多场景检测性能优于大部分模型。(3)基于注意力机制融合的抗干扰特征和音频注意力残差网络属于递进关系,并在此基础上,进一步实现了基于深度学习的伪造音频检测系统的相关功能模块,最终通过大量测试,验证系统的实用性。
多场景下基于YOLOv5和DeepSORT的多目标跟踪算法研究
这是一篇关于DeepSORT,YOLOv5,Res2Net,重识别,卡尔曼滤波的论文, 主要内容为基于深度学习的目标检测技术和多目标跟踪技术是机器视觉领域的主要研究分支,该领域研究成果在智能驾驶、视频监控、智慧交通领域有着非常广泛的应用场景。本文使用基于YOLOv5检测的DeepSORT多目标跟踪算法针对行人多目标跟踪和车辆多目标跟踪两个场景开展研究工作,具体围绕以下几个方面进行研究。针对行人多目标跟踪领域,本文主要研究了在尺度变化和行人遮挡频繁的复杂场景下,现有多目标跟踪方法Re-ID鲁棒性不高导致多目标跟踪精度较低的问题。提出一种在更细粒度层次上改进YOLOv5-DeepSORT中重识别模块的多目标跟踪方法。基于Res2Net搭建一种在单个残差块内部继续分层的网络作为Re-ID部分的特征提取网络,有效提高了网络提取多尺度特征的能力,且在提取到目标更深层特征的同时仍能保留大量细节信息;在骨干网络输出部分采用均分特征图的结构,加强局部特征对网络总体性能的影响。最终在公开数据集Market-1501和Duke MTMC-re ID上训练重识别模型。将改进后的行人跟踪系统在MOT16测试序列中进行跟踪效果评估。实验结果表明相较于默认算法,本文所提行人跟踪系统使用Market-1501训练后MOTA提升5.4%,MOTP提升2.2%;使用Duke MTMC-re ID训练后MOTA提升9.6%,MOTP提升2.7%。针对车辆多目标跟踪领域,本文主要研究了在光照、天气等恶劣环境影响下,目标检测效率低导致跟踪精度不佳的问题。基于YOLOv5提出一种改进C3模块的特征提取网络和融合高效注意力模块的特征融合网络,有效提高了车辆检测器在复杂环境和模糊背景下的鲁棒性。将改进后的车辆检测器在公开数据集Vehicle-Dataset与现实场景数据集中进行训练。实验结果表明相较于默认算法,本文所提车辆检测系统m AP＿0.5和m AP＿0.5:0.95分别提升5.3%和3.8%,Precision和Recall分别提升6.9%和3.2%。车辆跟踪器部分使用卡尔曼滤波匀速运动模型获取目标运动信息,使用轻量化网络Shuffle Net V2获取目标外观信息,有效减少了网络参数量和内存访问量,降低了算法对边缘设备的配置要求。同时设计了一种高效匹配策略增强车辆跟踪系统在遮挡场景下的鲁棒性,配合撞线计数法可以完成准确的车流量统计和车流运动方向判断。
基于DMSA 3D Res2U-Net的肾脏与肾肿瘤分割方法研究
这是一篇关于肾肿瘤分割,深度学习,DMSA 3D U-Net,Res2Net,多尺度的论文, 主要内容为在肾肿瘤治疗过程中,无论是外科切除手术还是对病灶的定量分析,都需要精确地掌握肾脏和肾肿瘤的大小、三维结构和具体位置等重要信息。依靠专业医生手动分割目标耗时费力,主观性强,可重复性差,因此,自动分割CT图像中的肾脏和肾肿瘤是治疗肾疾病的实际需求。CT图像中肾肿瘤形态复杂多变,且存在肿瘤目标小、样本数量少等问题,现有的方法在CT图像中分割肾脏和肾肿瘤的精度有待提高,尤其对于小尺度的肾肿瘤,其边缘分割效果不佳。所以,设计出一种自动化精确分割CT图像中肾脏和肾肿瘤的方法对医生在临床诊断以及制定治疗方案中具有重要意义。针对特征分布复杂且尺度较小的肾肿瘤以及肿瘤边缘的分割效果不佳的问题,本文提出了深层多尺度聚合DMSA 3D U-Net网络分割模型。该模型在UNet++基础上新增了三个下采样操作,利用密集嵌套各层级的3D U-Net和解码器端的跳跃连接,促进各个层级和各个尺度的特征信息融合,增强了网络模型对细节特征的提取能力。此外,将Res2Net模块添加到DMSA 3D U-Net网络中,提出了DMSA 3D Res2U-Net网络分割模型。Res2Net模块分层连接的结构具备更强的多尺度特征提取能力且关注细粒度。利用Res2-SENet中的SE模块调整特征信息的权重,细化了不同特征对于本次分割任务的重要性,使得模型进一步增强了对于细节特征的掌握,提高模型对易分割错目标的分割能力,从而提升了小尺度肾肿瘤和肿瘤边缘的分割精度。实验结果表明,本文提出的DMSA 3D Res2U-Net网络分割模型在Ki TS19公开数据集上取得了良好的分割效果,其肾脏和肾肿瘤Dice系数指标分别达到96.83%和81.87%,表明本文方法能够对肾脏和肾肿瘤进行精确分割。
基于深度学习的伪造音频检测研究与实现
这是一篇关于伪造音频检测,音频特征,Res2Net,注意力机制的论文, 主要内容为随着音频生成技术如深度生成网络和波形变换的发展,人类能够合成清晰、包含期望内容和音色的音频,这些音频可以用于人机交互或者听书等一系列人性化活动中。然而,这种伪造音频生成技术也带来了极大的社会安全风险。不法分子可能会采集社会上有影响力的人物的语音,并训练伪造语音生成模型,以制造谣言、引发社会恐慌,或者攻击身份识别系统并窃取个人信息。因此,伪造语音检测已经成为当前社会安全研究的一个重要领域。伪造音频的检测主要包括两个步骤:第一步是提取声纹特征,将语音转化为矩阵形式,提取出用于学习模型分类和检测伪造信息的声纹特征。第二步是使用深度学习模型进行检测,该模型通过提取语音的深度伪造特征来区分人类自然音频和机器生成音频。围绕基于深度学习的伪造音频检测方法,本文的主要工作如下:(1)针对目前特征提取表征能力和抗干扰能力弱的现象,提出基于注意力机制融合的抗干扰特征。首先针对不同伪造场景的伪造特征不同的特点,分别提取逆梅尔频率倒谱系数、伽马频率倒谱系数和线性频率倒谱系数。接着考虑多伪造环境中大量伪造方式添加噪声等干扰,结合高阶抗干扰能力更强和高阶特征难以伪造的特点,本文提出分段倒谱系数提高逆梅尔频率倒谱系数和线性频率倒谱系数特征的抗干扰能力。然后使用缩放点积注意力机制融合该三个特征,其中注意力机制权重参与训练。最终通过实验验证本文提出的提取方法具有更全面的表征能力和一定的抗干扰能力。(2)针对目前模型存在多伪造场景检测性能和通用性弱的现象,结合Res2Net应用于伪造音频检测的问题,提出音频注意力残差网络。首先将基于注意力机制融合的抗干扰特征作为模型的输入。随后在Res2Net模型骨干网络(Backbone)的首部,添加通道空间注意力和空间注意力机制,在分配初始通道重要性的同时使得通道相关联并减少因噪声导致的无关特征点的影响。接着在Backbone的底部添加了多头注意力机制层,提取伪造音频生成模型难以伪造并且以往模型所忽略的帧相关性特征。最终通过实验证明:(a)等错误率低于AsvSpoof大赛中的大部分单模型,等错误率略高于但检测效率和训练成本均优于大赛中的多模型。(b)在不同伪造场景下均具有较低的等错误率,通用性和多场景检测性能优于大部分模型。(3)基于注意力机制融合的抗干扰特征和音频注意力残差网络属于递进关系,并在此基础上,进一步实现了基于深度学习的伪造音频检测系统的相关功能模块,最终通过大量测试,验证系统的实用性。
基于无人机机器视觉的放牧牲畜牛羊识别和计数研究
这是一篇关于CenterNet,目标检测,放牧牛羊计数,Res2Net,注意力机制的论文, 主要内容为对草原放牧牛羊数量快速准确的统计是进行科学放牧管理和草原草畜平衡分析的重要前提。内蒙古地区作为国内农畜产品的主要产地,草原放牧牛羊的数量逐年上升,但人工统计牛羊数量存在难度大、效率低、统计准确度不足等问题。本文以无人机搭载相机构成图像采集系统,采用深度学习算法对航拍放牧牛羊的图片进行分类识别计数。本文主要研究工作如下:1.使用无人机进行航拍采集草原放牧牛、羊图像并建立数据集,搭建深度学习算法试验平台。2.分别选择深度学习算法中常用的目标检测算法Faster R-CNN、SSD、Retina Net、YOLOv5和Center Net加载自建数据集进行训练并对比牛羊分类检测能力,其中Center Net算法表现出的综合性能最佳,因此选择Center Net算法进行下一步改进。3.为提升检测性能,对Center Net算法进行如下优化,并制作一个图形化界面直观展示模型检测效果。(1)加载预训练权重防止过拟合、选择合适的优化器和学习率衰减策略提升模型性能;(2)使用多尺度特征提取网络Res2Net-v1b-50提升无锚框的一阶段目标检测算法Center Net对航拍情景下放牧牛、羊图像粘连小目标的检测效果,类平均精度由66.06%提升到87.485%;(3)在替换多尺度特征提取网络的基础上进一步加入ECANet注意力机制,算法的类平均精度达到88.220%。经过一系列改进,Center Net算法中牛、羊对数平均漏检率相比原模型分别下降了53%和32%,有效改善了粘连目标的检测,提升了检测精度。综上所述,本文提出的改进Center Net算法对航拍放牧牛羊的分类检测和计数效果良好,精度提升明显,对于放牧牲畜的快速准确统计、实现草畜平衡具有一定的应用价值和意义。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码客栈 ，原文地址：https://m.bishedaima.com/lunwen/54169.html
