华侨大学信息科学与工程学院厦门市移动多媒体通信重点实验室, 福建 厦门 361021
提出了基于多特征稠密卷积神经网络的模型框架(DenseNet-SE)。与传统方法相比,DenseNet-SE采用数据驱动的方法,无需手工提取特征。该框架包含了稠密残差块的结构,能够获取深度特征。通过跳跃连接的方式,从浅层获取细粒度特征来辅助深度特征。同时,融合特征有助于网络结构获取更多全局信息,更好地表示公式符号的类别。利用在线手写数学表达式识别的竞赛组织(CROHME)提供的标准数学公式符号库来验证所提算法,结果表明,CROHME2014和CROHME2016的识别率分别达到93.38%和92.93%,高于目前已有算法的识别率。
光计算 稠密卷积神经网络 手写公式符号 稠密残差块 深度特征 细粒度特征 激光与光电子学进展
2019, 56(7): 072001
1 安徽工业大学计算机学院，马鞍山 243002
2 国立华侨大学信息学院，泉州 362021
根据提出的虚拟通道技术，提出一种在载体中嵌入灰度图像作为水印的数字水印算法．通过修改载体频率域系数，载体通道可被看成一个虚拟的水印通道，它由若干个缺损的水印子通道构成，水印的提取不需要原始载体或原始水印的参与．实验结果表明提出的算法很好地保证了水印的不可见性和稳健性．
图像处理 数字水印 盲水印 虚拟通道 Image processing Digital watermarking Blind watermarking Virtual channel
