![](https://img-blog.csdnimg.cn/20201014180756923.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
信安
文章平均质量分 66
夏荷影
这个作者很懒,什么都没留下…
展开
-
安全加固实践
安全加固随着IP技术的飞速发展,一个组织的信息系统经常会面临内部和外部威胁的风险,网络安全已经成为影响信息系统的关键问题。虽然传统的防火墙等各类安全产品能提供外围的安全防护,但并不能真正彻底的消除隐藏在信息系统上的安全漏洞隐患。信息系统上的各种网络设备、操作系统、数据库和应用系统,存在大量的安全漏洞,比如安装、配置不符合安全需求,参数配置错误,使用、维护不符合安全需求,被注入木马程序,安全漏洞没有及时修补,应用服务和应用程序滥用,开放不必要的端口和服务等等。这些漏洞会成为各种信息安全问题的隐患。一旦漏洞被原创 2021-07-21 19:54:54 · 1103 阅读 · 2 评论 -
深度学习 -> 强化学习 ->迁移学习(杨强教授报告)
深度学习的局限表达能力的限制。因为一个模型毕竟是一种现实的反映,等于是现实的镜像,它能够描述现实的能力越强就越准确,而机器学习都是用变量来描述世界的,它的变量数是有限的,深度学习的深度也是有限的。另外它对数据的需求量随着模型的增大而增大,但现实中有那么多高质量数据的情况还不多。所以一方面是数据量,一方面是数据里面的变量、数据的复杂度,深度学习来描述数据的复杂度还不够复杂。缺乏反馈机制。目前深度学习对图像识别、语音识别等问题来说是最好的,但是对其他的问题并不是最好的,特别是有延迟反馈的问题,例如机器人的行转载 2021-06-22 14:51:38 · 1294 阅读 · 0 评论 -
keras高层接口-自定义网络层类
# softmax 将实数值转换为概率值# 使用Keras接口如何操作# import 导入模块,每次使用模块中的函数都要是定是哪个模块。# from…import * 导入模块,每次使用模块中的函数,直接使用函数就可以了;# 注因为已经知道该函数是那个模块中的了。import tensorflow as tffrom tensorflow import keras from tensorflow.keras import layers ,Sequentialtf.__version__转载 2021-06-11 20:47:25 · 139 阅读 · 0 评论 -
README “Deep Spatial Gradient and Temporal Depth Learning for Face Anti-spoofing” 自用
FAS-SGTDIntroductionMain codes of CVPR2020 paper “Deep Spatial Gradient and Temporal Depth Learning for Face Anti-spoofing” PrerequisitePython 3.6 (numpy, skimage, scipy)TensorFlow >= 1.4opencv2Pillow (PIL)easydictTrainYou can us转载 2021-03-16 21:10:22 · 187 阅读 · 0 评论 -
Multi-Perspective Dynamic Features for Cross-Database Face Presentation Attack Detection 阅读笔记
摘要随着人脸识别系统的日益普及和广泛的应用,人脸识别系统越来越受到攻击者的关注。因此,人脸呈现攻击检测在近年来已成为一个重要的研究课题。现有的人脸呈现攻击检测方法会受到不同摄像头和显示设备的影响,并且在跨数据库测试中会使其性能下降。在本文中,我们提出了一种融合了多视角动态特征的人脸表示攻击检测方案。其中一个特征是在视频中全局提取的一个人脸的时间运动模式。这包括将视频中人脸的局部和全局运动信息映射到单个图像中。 真脸和假脸的运动模式是不同的,这些模式独立于摄像机和显示设备。 另一个特征是噪声模式的视觉节奏,原创 2021-03-09 21:42:54 · 512 阅读 · 0 评论 -
Fusion of Multi-scale Local Phase Quantization Features for Face Presentation Attack Detection 阅读笔记
提出方法:如上图所示,提出的方案可以分为两个主要部分:特征提取和分类给定图片I,首先进行人脸检测和normalization,以提取人脸区域If,提取出的大小为250*250像素接着使用Laplacian pyramid来提取照片的空间频率信息。 Laplacian pyramid在带有不同尺度空间的层次l上表示图像If 。每个尺度空间对应不同频段。在第k层次的图像是第k层Gaussian pyramid图像和第k+1层之间的区别:文中对图像进行3层分解,得到3个不同的子频带图像:If1 ,原创 2021-03-06 17:08:39 · 221 阅读 · 0 评论 -
Deep Spiking Neural Network for Video-Based Disguise Face Recognitiony阅读笔记
《Deep Spiking Neural Network for Video-Based Disguise Face Recognition Based on Dynamic Facial Movements》阅读笔记IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS, VOL. 31,NO. 6, JUNE 2020该论文将深度学习模型与全局动态面部运动相结合,提出了一种新的识别范式,而不是依赖于局部面部上下文信息。在这里,全局动态面原创 2021-02-23 20:13:52 · 355 阅读 · 0 评论 -
提取面部指定区域 dilb 人脸68关键点
这几天在做一个基于AU进行人脸识别的实验,在这过程中,需要提取AU指定部位。但是我又不想自己再训练一个网络,于是,就使用dlib和opencv提供的人脸关键点进行试验。具体思路就是通过人脸关键点的坐标进行定位,并提取指定部分,这里就以提取额头部分为例:#coding=utf-8import numpy as npimport cv2import dlibfrom scipy.spatial import distanceimport osfrom imutils import face_ut原创 2021-01-30 20:16:22 · 1300 阅读 · 1 评论 -
提取眨眼过程
这里我们使用opencv 和 dlib 库实现眨眼提取的过程参考论文:Real-Time Eye Blink Detection using Facial Landmarks在该片论文中,作者提出了一种提取几何特征——眼睛纵横比(eye aspect ratio (EAR))——的方法,通过计算这个EAR的数值,我们可以判断眼睛是张开还是闭合,从而检测眨眼动作。眼睛纵横比(EAR)在讨论眼部纵横比之前,我们先来看一下面部特征点:在dlib库中给出了具体实现。从图中我们可以看到左眼和右眼分别对应原创 2021-01-30 20:07:54 · 621 阅读 · 0 评论 -
Learning Guided Attention Masks for Facial Action Unit Recognition 阅读笔记
目标:减小人类和机器对于表情的感知差异方法:提出一种引导注意力机制,以方便网络获取面部重要特征。从AU中学习注意力映射。使用数据集: BP4D, MMSE and DISFA结构:如图1,使用4个密集块组成的Densenet,第二块的输出连接到掩蔽网络,该网络为给定的样本学习适当的AU引导掩码。学习到的掩码进一步添加到块2的输出,以注意力加强的特征表示。使用Densenet进行特征提取:Densenet属于使用剩余连接的一类网络。具体来说,就是densenet每一层都连接到同一块内的后续层。如原创 2021-01-26 17:44:54 · 552 阅读 · 0 评论