【摘 要】
：
In order to perform multi-dimensional data aggregation operations efficiently in edge computing-based Internet of things (IoT) systems， a new efficient privacy-preserving multi-dimensional data aggreg
【出 处】
：
The Journal of China Universities of Posts and Telecommunica
论文部分内容阅读
In order to perform multi-dimensional data aggregation operations efficiently in edge computing-based Internet of things (IoT) systems， a new efficient privacy-preserving multi-dimensional data aggregation (EPMDA) scheme is proposed in this paper. EPMD
其他文献
医学图像分割是图像处理的重要环节,而细胞核分割结果是病理学家进行癌症分类和评级的重要依据,提高其分割的准确率一直是研究的热点。但由于同器官的不同细胞核存在形态可能不一样、细胞之间相互重叠、细胞边界不清楚等现象,导致细胞核图像难以准确分割。为提高相互接触和重叠细胞核分割的准确性和精确率,本研究提出一种新型的细胞核分割网络模型。该模型首先是对原始细胞图进行ZCA白化预处理,并基于经典的U.Net网络结
为进一步提高智能交通系统对车辆及不同车型识别的泛化性、鲁棒性与实时性。根据检测区域的特征有针对性地构建数据集，改变余弦退火衰减（CD）学习率的更新方式，提出一种基于梯度压缩（GC）的Adam优化算法（Adam-GC）来提高YOLO v4算法的训练速度、检测精度以及网络模型的泛化能力。为验证改进后YOLO v4算法的有效性，对实际路况的车流进行采集后，利用训练完成的网络模型对不同密度车流进行定量的车
人群运动集体性识别对公共场所人群管理具有重要意义。人群运动集体性不仅取决于运动个体，还受到人群局部运动状态的影响。针对以上分析，本文给出了结合局部特征和全局特征的人群集体性卷积网络识别方法。该方法首先基于光流向量构建人群集体性测度图作为卷积网络的输入；然后，在网络第一层卷积后加入通道注意力，获取人群运动的全局信息；并采用空洞卷积提取人群运动的局部信息。最后，本文在公共数据集上进行对比实验，以验证本
基于深度学习的图像修复方法已经成为图像处理中的热门研究问题,在深度学习领域有着广泛的应用前景。基于编码器-解码器,提出了一种基于注意力机制的编码器-解码器修复图像网络模型,优化改进了损失函数。与CVPR2017的General Inpainting图像修复算法进行定性和定量比较的实验分析表明,本文修复网络模型,能修复出真实且具有丰富细节的图像,弥补了传统图像修复后马赛克效果及分辨率降低的弊端,使纹
水体中溶解性无机碳(Dissolved inorganic carbon,DIC)的稳定碳同位素比值(δ~(13)C_(DIC))是揭示碳循环过程的重要技术指标。DIC的分离和富集是测定δ~(13)C_(DIC)的基础，也是影响δ~(13)C_(DIC)测定准确度的主要过程之一。沉淀法和气体法均为常用的DIC分离和富集方法。相比于气体法，沉淀法操作流程简单，适用性较强，在δ~(13)C_(DIC)
为提高肺结节分割的精度，解决分割过程中的隐识别问题，本文提出了双注意力生成对抗网络(DA-GAN)，通过在训练过程中捕捉信息的上下文依赖性和局部一致性，实现肺结节分割的高完整度以及高精度。该方法将自注意力机制引入生成器，使高分辨率特征图中的关键信息保留到低分辨率特征图中，实现上下文特征图之间长距离的依赖性，产生病灶区域的特征表示，使得分割图准确地保留肺结节区域，提高分割精度。同时，还强调肺结节区域
对于目前存在的视频行人重识别方法，无法有效的提取视频帧之间的时空信息，以及需要解决的手工标签问题，本文提出一种时间特征互补的无监督视频行人重识别方法。该方法首先利用时间特征擦除网络模块(TFE)挖掘行人不同的特征，减少每帧特征的冗余。其次利用约束性无监督层次聚类生成高质量的伪标签，提高模型性能。最后，利用PK抽样困难样本三元组损失减少困难样例对模型的影响。此方法的实验评估是在MARS数据集和Duk
多模态医学影像分割是医学影像分析领域的研究热点之一。有效利用不同模态影像的互补信息，从多种层面提供病灶区域及其周围区域的更多信息，可提高临床诊断的准确性。为了分析深度学习在多模态医学影像分割领域的研究现状及发展方向，对该领域近些年的分割方法进行了整理和研究。在分析它们的特点及存在的问题的基础上，对未来的研究方向进行了展望，可帮助相关研究者全面、快速地了解该领域的研究现状、存在的问题和未来研究方向。
现有井下配电室巡检行为检测方法的研究重点在于视频动作的分类，但在实际应用中，对于端到端的视频检测任务，不仅需要识别巡检动作的类别，还需要预测巡检动作发生的开始时间和结束时间。且现有基于监督学习的研究方法训练网络时需要标注视频的每一帧，存在数据集制作繁琐、训练时间较长等问题，基于弱监督学习的研究方法也依赖视频分类模型，导致在没有视频帧级别标注的条件下，很难区分动作帧和背景帧。针对以上问题，提出了一种
针对红外图像处理技术中，弱小目标检测的重要性及关键性，提出一种基于非线性抗噪声估计的检测算法来解决高可靠性、高鲁棒性的弱小目标检测问题。提出的方法基于传统视觉显著度算法及空间距离处理方法，对目标及背景区域采用非线性加权方法进行估计，在不显著降低目标信号信噪比的基础上，削弱孤立微小噪声点对检测算法性能的影响，可提高抗噪性能。首先，采用模块化及非线性映射方式预测背景，然后融入距离相关因子滤除噪声干扰，