伊人久久大香线蕉aⅴ色,麻豆日韩区久久综合,精品国产免费一区二区三区五区

基于方向一致?lián)p失的輕量車道線檢測[通信與網(wǎng)絡][汽車電子]

目前，輕量型車道線檢測網(wǎng)絡存在彎道檢測效果差、網(wǎng)絡感受野不夠與實時性受限等問題，故提出了一種改進的輕量型車道線檢測網(wǎng)絡模型。首先，為提高彎道檢測效果，設計了一種方向一致?lián)p失，以使模型適用于彎道場景。其次，為在增強網(wǎng)絡實時性的同時提高其感受野，提出將自注意力機制與RepVGG相融合的網(wǎng)絡作為模型的主干網(wǎng)絡。該模型在CULane測試集上測試的總F1-measure達到了70.7%，在Tusimple測試集上測試的準確率達到95.92%，其平均推斷速度達到了408 FPS。實驗結(jié)果表明，該模型相較于目前輕量型模型在性能上有一定的提升，尤其對彎道場景下的車道線檢測效果提升明顯。

發(fā)表于：7/5/2022 5:14:15 PM

基于注意力機制的無監(jiān)督單目標跟蹤算法[其他][其他]

為提升目標跟蹤精度，設計一種基于注意力機制的無監(jiān)督單目標跟蹤算法。該算法使用DCFNet網(wǎng)絡作為基本網(wǎng)絡，通過前向跟蹤和后向驗證實現(xiàn)無監(jiān)督跟蹤。為結(jié)合上下文信息，引入特征融合方法，且將DCFNet網(wǎng)絡每一層所提取的特征通過雙線性池化調(diào)整分辨率以便進行特征融合；為關注不同特征通道上的關系，引入通道注意力機制SENet模塊；設計一個反向逐幀驗證方法，在反向驗證中間幀的基礎上再預測第一幀，進而減少判別位置的誤差。在公共數(shù)據(jù)集OTB-2015上的測試結(jié)果顯示，本算法AUC分數(shù)達60.6%，速度達61FPS。與無監(jiān)督單目標跟蹤UDT算法相比，所設計算法取得了更優(yōu)的目標跟蹤性能。

發(fā)表于：7/5/2022 5:06:05 PM

交通場景下基于深度強化學習的感知型路徑分配算法[其他][其他]

路徑分配問題是交通數(shù)字孿生系統(tǒng)的重要研究方向之一，其重點是綜合考量行駛需求的動態(tài)變化以及路網(wǎng)信息的實時改變，實現(xiàn)高效合理的路徑規(guī)劃?，F(xiàn)階段一些經(jīng)典的分配算法如粒子群、Dijkstra等算法及其優(yōu)化模型僅能達到全局靜態(tài)最優(yōu)，忽略了現(xiàn)實交通中的復雜變化。而逐漸推出的各種深度學習算法雖能進行全面的時空預測，但受限于海量歷史數(shù)據(jù)的歸納分析以及較高的運算成本，難以大規(guī)模應用。鑒于此，提出了一種靜態(tài)分配算法與深度強化學習算法結(jié)合的感知型路徑分配算法,在行駛中依據(jù)實時路網(wǎng)信息和車輛當前狀態(tài)，實現(xiàn)全局路徑動態(tài)再分配及更新，相關算法的精度和效率在仿真實驗中得到驗證。

發(fā)表于：7/5/2022 4:51:30 PM

MATLAB到高性能C的代碼轉(zhuǎn)換系統(tǒng)設計與實現(xiàn)[可編程邏輯][其他]

MATLAB被廣泛應用于算法設計及驗證，但由于平臺限制及性能因素影響，實際工作中通常使用C語言及高性能庫來重寫和優(yōu)化代碼。人工轉(zhuǎn)換MATLAB到C工作繁瑣，而大部分已有的自動轉(zhuǎn)換方法又難以解決MATLAB的高性能矢量運算和庫函數(shù)與C的對接問題。為此，設計了一個MATLAB到高性能C的自動轉(zhuǎn)換系統(tǒng)，通過將MATLAB代碼轉(zhuǎn)換為中間表示，進一步轉(zhuǎn)換為C代碼。同時，將MATLAB的高性能矢量運算和庫函數(shù)對接到高性能C函數(shù)庫Math Kernel Library(MKL)上。在相同MATLAB代碼上的實驗結(jié)果表明，該系統(tǒng)轉(zhuǎn)換生成的C代碼性能與人工編寫的C代碼相當，優(yōu)于已有的轉(zhuǎn)換方法生成的C代碼。

發(fā)表于：7/5/2022 4:45:10 PM

民用無人機領域數(shù)據(jù)與飛行安全法律規(guī)制研究[通信與網(wǎng)絡][航空航天]

無人機技術是當今工業(yè)互聯(lián)網(wǎng)發(fā)展的助力之一，尤其是5G技術與無人機技術的結(jié)合成為推動工業(yè)向數(shù)字化轉(zhuǎn)型升級的重要力量。但是，在無人機大規(guī)模應用的同時，也不能忽視其給行業(yè)帶來的風險與挑戰(zhàn)。主要討論民用無人機存在的隱私侵權(quán)問題及其造成的數(shù)據(jù)安全問題和“黑飛”問題，并對比中外法律法規(guī)提出有關法律體系建設的建議。

發(fā)表于：7/5/2022 4:35:34 PM

大數(shù)據(jù)技術中的隱私保護法律問題[通信與網(wǎng)絡][信息安全]

大數(shù)據(jù)技術廣泛應用的同時也帶來了諸多問題，對用戶隱私和數(shù)據(jù)安全造成了嚴重侵害。由于大數(shù)據(jù)發(fā)展速度快和法律屬性界定復雜等原因，現(xiàn)行法律法規(guī)存在一定的滯后，對此類問題適用性不佳，需要隨著大數(shù)據(jù)技術的發(fā)展進行及時的改進，從而適應日新月異的網(wǎng)絡環(huán)境。

發(fā)表于：7/5/2022 4:30:37 PM

保留格式加密的雙擾工作模式[通信與網(wǎng)絡][信息安全]

在通常的分組密碼ECB或CBC工作模式下，當數(shù)據(jù)分組的分組長度較小時，可能會因為密文組重復導致明文信息泄露。為此，給出了一種適用于保留格式加密算法的創(chuàng)新工作模式。以加密初始向量為起點，用一種密鑰參與運算的非線性遞歸方法產(chǎn)生不可預測序列，并以加擾形式將該序列作用到分組迭代變換的輸入和輸出數(shù)據(jù)組中。即明文組變換到密文組的過程由明文加擾、分組加密和密文加擾三步構(gòu)成。這樣的工作模式將使得攻擊者難以獲得和積累明密對，以及實施已知明文攻擊。這將在一定程度上消除某些密碼算法因為明文組空間較小而存在的安全缺陷。因此，該工作模式適用于某些保留格式加密算法或分組較小的輕量級分組算法。

發(fā)表于：7/5/2022 4:18:35 PM

基于CL-PKC的衛(wèi)星通信認證技術研究[通信與網(wǎng)絡][航空航天]

隨著衛(wèi)星通信技術的不斷發(fā)展，衛(wèi)星通信組網(wǎng)技術受到越來越多的關注，其相關的安全問題也更加突出。針對衛(wèi)星通信認證技術進行研究，分析了衛(wèi)星網(wǎng)絡的特點和安全認證需求，提出了一種基于身份的密碼體制認證方案，實現(xiàn)了身份認證和密鑰協(xié)商，以及對合法用戶的身份信息的保護功能。并進行仿真實驗對協(xié)議的安全可行性進行了驗證，結(jié)果表明，該方案達到了安全、高效的認證效果。

發(fā)表于：7/5/2022 4:06:11 PM

基于變分自編碼器和三支決策的工控入侵檢測算法[其他][工業(yè)自動化]

為了更精確地提取工控入侵數(shù)據(jù)集特征和更精準地分類惡意數(shù)據(jù)，使得入侵檢測方法滿足當前工業(yè)控制網(wǎng)絡的安全需求，提出了基于變分自編碼器(Variational Autoencoder，VAE)和三支決策理論(Three-way Decisions，TWD)的新型工業(yè)控制網(wǎng)絡入侵檢測算法(VAE-TWD)。該算法利用變分自編碼器強大的感知能力對高維數(shù)據(jù)進行降維映射和特征提取，再對正常和惡意數(shù)據(jù)利用三支決策理論進行即刻決策，劃分入正向決策域和負向決策域。而對于邊界域內(nèi)不確定的數(shù)據(jù)，將通過不同粒度的特征，選擇適當數(shù)據(jù)構(gòu)成新的訓練集并擴充到原有數(shù)據(jù)集中。然后重復決策過程，直至決策域中數(shù)據(jù)為空，規(guī)避盲目決策的風險。實驗結(jié)果表明VAE-TWD算法提升了對工控入侵檢測的特征提取能力和分類能力，且在準確率、檢出率、誤報率、F1得分等指標上均優(yōu)于對比算法，有效提高了工控入侵檢測的性能。

發(fā)表于：7/5/2022 3:57:45 PM

基于擠壓激勵網(wǎng)絡的惡意代碼家族檢測方法[通信與網(wǎng)絡][通信網(wǎng)絡]

惡意代碼已經(jīng)成為威脅網(wǎng)絡安全的重要因素?；跈C器學習的惡意代碼檢測方法已經(jīng)取得較好的效果，但面對相似的惡意代碼家族，往往效果不佳。對此，提出了一種基于擠壓激勵網(wǎng)絡的檢測算法，由卷積神經(jīng)網(wǎng)絡(Convolutional Neural Network，CNN)與擠壓和激勵(Squeeze-and-Excitation，SE)模塊構(gòu)成。CNN先快速提取惡意代碼的圖像特征，SE模塊對多通道特征圖進行全局平均池化，將全局信息壓縮，然后通過全連接層自適應學習，并將每個通道特征圖賦予不同的權(quán)重來表示不同的重要程度，指導激勵或抑制特征信息。實驗結(jié)果表明，該方法相對于傳統(tǒng)機器學習方法有更好的檢測效果，與深度學習算法相比檢測效果也有一定的提升且參數(shù)量大大減少。

發(fā)表于：7/5/2022 3:46:53 PM