目的微表情是由个体的内在情感反应引发的面部肌肉活动,在心理诊断、医学以及刑侦测谎等领域有着广泛应用场景。现有微表情识别方法大都利用单一光流获取面部运动差异,无法有效应对光照变化或表情强度不一致等问题。为了解决上述问题,...目的微表情是由个体的内在情感反应引发的面部肌肉活动,在心理诊断、医学以及刑侦测谎等领域有着广泛应用场景。现有微表情识别方法大都利用单一光流获取面部运动差异,无法有效应对光照变化或表情强度不一致等问题。为了解决上述问题,提出一种融合多光流与KAN(Kolmogorov-Arnold network)的微表情识别方法(multiple optical flow feature fusion,MOFFFN),通过捕获多层次、多角度的面部运动差异,提高微表情识别性能。方法首先,提取3种不同的光流特征,并构造光流融合模块以捕获这些光流特征水平和垂直方向的信息;其次,构造一个新颖的特征提取模型,利用KAN与卷积注意力机制捕捉微表情的细微变化,提取更具鉴别能力的特征;最后,设计了一个高效的注意力下采样自注意力特征融合模块,能够在融合多光流特征的同时突出微表情变化的关键区域特征。结果使用主流的留一交叉验证法(leave-one-subject-out-cross-validation,LOSOCV)在公开数据集CASMEⅡ(Chinese Academy of Sciences micro-expressionⅡ)、SAMM(spontaneous actions and micro-movements)和SMIC-HS(spontaneous micro-expression corpus-high speed)以及复合数据集(composite dataset,CD)上进行验证,本文方法的未加权平均召回率(unweighted average recall,UAR)分别为91.79%、85.69%、86.56%和85.03%,未加权F1分数(unweighted F1-score,UF1)分别为92.95%、89.10%、91.78%和87.63%,性能优于主流的微表情识别方法。结论本文提出的方法通过融合多种光流特征,利用KAN和注意力机制提取更具鉴别能力和鲁棒性的特征,显著提高了微表情识别的结果。本文公开代码地址:https://github.com/useless12138/mofffn。展开更多
随着网络技术的飞速发展,恶意加密流量已成为网络安全领域的重要威胁。恶意加密流量通过加密技术对恶意数据进行封装,使其难以被传统检测方法识别和拦截。提出一种基于长短期记忆网络(LSTM)和Kolmogorov Arnold Networks(KAN)的恶意加...随着网络技术的飞速发展,恶意加密流量已成为网络安全领域的重要威胁。恶意加密流量通过加密技术对恶意数据进行封装,使其难以被传统检测方法识别和拦截。提出一种基于长短期记忆网络(LSTM)和Kolmogorov Arnold Networks(KAN)的恶意加密流量检测模型——LKAN模型。LSTM能有效捕捉流量数据的时序特征,KAN是一种基于函数分解理论的神经网络,能够高效地学习高维数据的复杂结构,LKAN模型结合LSTM和KAN的优势,进行特征提取和分类,实现了对恶意加密流量的准确识别。利用提出的LKAN模型在ISCX-VPN-NonVPN-2016数据集进行多分类实验,准确率为0.982591,表明了模型的有效性,为恶意加密流量检测方法设计提供了一种新思路。展开更多
U-Net因其简单高效的网络结构,已成为当前医学图像分割领域中的基准模型,在多种图像分割任务中取得了良好的效果。然而,传统U-Net在细节特征提取、跨尺度信息融合以及复杂结构识别方面仍存在一定的局限性,难以充分适应医学图像中存在的...U-Net因其简单高效的网络结构,已成为当前医学图像分割领域中的基准模型,在多种图像分割任务中取得了良好的效果。然而,传统U-Net在细节特征提取、跨尺度信息融合以及复杂结构识别方面仍存在一定的局限性,难以充分适应医学图像中存在的形变、低对比度以及多样性目标等挑战。为进一步提升分割性能,该文提出一种改进模型U-KPD(U-Net with Kolmogorov-Arnold Network and ParNet-Deformable Module)。该模型在U-Net的基础上引入科尔莫哥罗夫-阿诺德网络(Kolmogorov-Arnold Network,KAN),以增强网络对图像局部与全局特征的表达能力,同时结合ParNet-Deformable模块(PD)提升模型对关键区域的自适应建模与形变结构的捕捉能力,从而提高分割的准确性与鲁棒性。通过在CVC-ClinicDB与BUSI两个具有代表性的数据集上开展充分实验验证,结果表明,U-KPD在IoU、Dice系数以及HD95多个评估指标上均优于传统U-Net及其他主流改进模型,尤其在复杂结构、形变目标的识别精度方面表现更为优异,具有良好的通用性与应用前景。展开更多
文摘目的微表情是由个体的内在情感反应引发的面部肌肉活动,在心理诊断、医学以及刑侦测谎等领域有着广泛应用场景。现有微表情识别方法大都利用单一光流获取面部运动差异,无法有效应对光照变化或表情强度不一致等问题。为了解决上述问题,提出一种融合多光流与KAN(Kolmogorov-Arnold network)的微表情识别方法(multiple optical flow feature fusion,MOFFFN),通过捕获多层次、多角度的面部运动差异,提高微表情识别性能。方法首先,提取3种不同的光流特征,并构造光流融合模块以捕获这些光流特征水平和垂直方向的信息;其次,构造一个新颖的特征提取模型,利用KAN与卷积注意力机制捕捉微表情的细微变化,提取更具鉴别能力的特征;最后,设计了一个高效的注意力下采样自注意力特征融合模块,能够在融合多光流特征的同时突出微表情变化的关键区域特征。结果使用主流的留一交叉验证法(leave-one-subject-out-cross-validation,LOSOCV)在公开数据集CASMEⅡ(Chinese Academy of Sciences micro-expressionⅡ)、SAMM(spontaneous actions and micro-movements)和SMIC-HS(spontaneous micro-expression corpus-high speed)以及复合数据集(composite dataset,CD)上进行验证,本文方法的未加权平均召回率(unweighted average recall,UAR)分别为91.79%、85.69%、86.56%和85.03%,未加权F1分数(unweighted F1-score,UF1)分别为92.95%、89.10%、91.78%和87.63%,性能优于主流的微表情识别方法。结论本文提出的方法通过融合多种光流特征,利用KAN和注意力机制提取更具鉴别能力和鲁棒性的特征,显著提高了微表情识别的结果。本文公开代码地址:https://github.com/useless12138/mofffn。
文摘随着网络技术的飞速发展,恶意加密流量已成为网络安全领域的重要威胁。恶意加密流量通过加密技术对恶意数据进行封装,使其难以被传统检测方法识别和拦截。提出一种基于长短期记忆网络(LSTM)和Kolmogorov Arnold Networks(KAN)的恶意加密流量检测模型——LKAN模型。LSTM能有效捕捉流量数据的时序特征,KAN是一种基于函数分解理论的神经网络,能够高效地学习高维数据的复杂结构,LKAN模型结合LSTM和KAN的优势,进行特征提取和分类,实现了对恶意加密流量的准确识别。利用提出的LKAN模型在ISCX-VPN-NonVPN-2016数据集进行多分类实验,准确率为0.982591,表明了模型的有效性,为恶意加密流量检测方法设计提供了一种新思路。
文摘U-Net因其简单高效的网络结构,已成为当前医学图像分割领域中的基准模型,在多种图像分割任务中取得了良好的效果。然而,传统U-Net在细节特征提取、跨尺度信息融合以及复杂结构识别方面仍存在一定的局限性,难以充分适应医学图像中存在的形变、低对比度以及多样性目标等挑战。为进一步提升分割性能,该文提出一种改进模型U-KPD(U-Net with Kolmogorov-Arnold Network and ParNet-Deformable Module)。该模型在U-Net的基础上引入科尔莫哥罗夫-阿诺德网络(Kolmogorov-Arnold Network,KAN),以增强网络对图像局部与全局特征的表达能力,同时结合ParNet-Deformable模块(PD)提升模型对关键区域的自适应建模与形变结构的捕捉能力,从而提高分割的准确性与鲁棒性。通过在CVC-ClinicDB与BUSI两个具有代表性的数据集上开展充分实验验证,结果表明,U-KPD在IoU、Dice系数以及HD95多个评估指标上均优于传统U-Net及其他主流改进模型,尤其在复杂结构、形变目标的识别精度方面表现更为优异,具有良好的通用性与应用前景。
