周晓谊
- 作品数：33 被引量：52H指数：5
- 供职机构：海南大学更多>>
- 发文基金：海南省自然科学基金国家自然科学基金留学人员科技活动项目择优资助经费更多>>
- 相关领域：自动化与计算机技术理学文化科学电子电信更多>>
- 适用于深度神经网络模型的版权保护和溯源系统
- 本发明适用于深度神经网络（DNN）模型的版权保护和溯源方案，属于DNN模型水印领域，涉及DNN模型的被动版权保护和溯源方案，主动版权保护和溯源方案；本发明基于黑盒神经网络水印思路，结合视频分帧和图像感知哈希算法，提出一种...
- 周晓谊樊雪峰原依依
- 一种基于有限域上遍历矩阵的RFID标签特征码生成方法和装置
- 本发明提出一种基于有限域上遍历矩阵的RFID标签特征码生成方法和装置，该装置包括随机矩阵生成模块、密文序列计算模块、摘要矩阵生成模块、特征码生成模块以及复杂变换判断模块。本发明通过收集供应链系统各运输阶段和仓储阶段中的R...
- 周晓谊段玉聪赵永哲林彩霞
- 文献传递
- 本科院校密码学课程体系建设研究与实践被引量：5
- 2021年
- 当前本科院校开设的密码学课程存在着诸多挑战导致学生学习难度大、掌握不扎实等问题。在文章中,教研团队从课程教材编选、组合教学模式、模块化实验教学、思政入课堂和多元化过程考核等五个方面提出本科院校密码学课程体系建设改革方案。经过三个学年的教学改革实践,教师授课内容更易于理解,学生端正了学习态度,提升了学习积极性,普遍提高了编程实践能力和课程考核成绩。
- 李德顺姚姜源羊秋玲黄向党谭毓银周晓谊
- 关键词：密码学课程体系教学模式
- 一种求解有限域F_q上线性方程组的有效算法
- 2010年
- 在对重线性化方法的研究中提出的一种对有限域Fq上线性方程组的算法,利用有限域xq-1=1的性质,可以快速地对方程组进行高斯消元,从而求出方程通解.
- 周晓谊马纪新杜文才陈明锐
- 关键词：有限域线性方程组
- 基于情感的个性化区域生成与展示方法
- 本发明是基于情感的个性化区域生成与展示方法，收集用户的情感因子，对用户的情感进行分析，根据情感学习分析个体用户情感及此情感所倾向的对应情感；以可视化的方式将一个区域内群体用户的情绪集中显示出来，后在区域上为个体用户推荐符...
- 段玉聪张欣悦周晓谊
- 文献传递
- 一种适用于彩色图像的可逆双水印方案
- 本发明涉及一种适用于彩色图像的可逆双水印方案，包括鲁棒水印的嵌入、鲁棒水印的提取、脆弱水印的嵌入、脆弱水印的提取和图像恢复；在鲁棒水印嵌入过程中包括使用预嵌入方法生成嵌入位置图，使用整数小波变换增加鲁棒性，使用差分直方图...
- 周晓谊段韶华钱宇晗
- 情感导向的区域推荐方法
- 本发明是情感导向的区域推荐方法，在收集用户的情感因子后，对用户的情感进行分析，根据以往的历史记录中的情感学习，能够得到用户的情感倾向，考虑距离和时间两个因素，根据情感倾向匹配为用户推荐此刻最适合前往的区域，并将区域根据用...
- 段玉聪张欣悦周晓谊
- 文献传递
- 一种基于有限域上遍历矩阵的RFID标签特征码生成方法和装置
- 本发明提出一种基于有限域上遍历矩阵的RFID标签特征码生成方法和装置，该装置包括随机矩阵生成模块、密文序列计算模块、摘要矩阵生成模块、特征码生成模块以及复杂变换判断模块。本发明通过收集供应链系统各运输阶段和仓储阶段中的R...
- 周晓谊段玉聪赵永哲林彩霞
- 基于改进的遗传算法和SVM的图像DCT变换域水印技术被引量：5
- 2016年
- 由于一些不可避免的因素,现有的数字图像水印技术或多或少的存在各种缺陷,在图像采样、水印嵌入、图像合成、水印提取等各个环节都存在值得商榷的地方。采用支持向量机(SVM)模型,通过对大量不同纹理与亮度块的训练,使得图像块通过SVM得出相应的类别,从而实现水印强度的可变嵌入,并且,通过保留个别最佳个体进一步改进遗传算法,同时改变采样方式,在图像分块的DCT域中嵌入水印。实验证明,该方法使得嵌入水印图像与原始图像有较高的PSNR值,同时对JPEG、高斯噪声、旋转、低通滤波、直方图均衡化等具有较好的抗攻击能力。
- 李小璐周晓谊曹春杰
- 关键词：支持向量机离散余弦变换图像水印
- 前缀调优的少样本命名实体识别
- 2024年
- 少样本命名实体识别通常使用基于相似性的度量,为了能够充分利用模型参数中的知识转移,提出一种前缀调优的少样本命名实体识别方法(P-NER)。将输入文本的特征向量放入嵌入模块进行特征提取;把前缀提示的向量参数拼接到编码层模型的前端,并将编码层模型参数进行固定;对编码层得到的结果进行交叉熵模型的解码,并对每个训练样本采样两个子模型,通过最小化两个子模型之间相对熵的方式达到对模型预测进行正则化的目的;通过验证输出概率和真实标签概率来衡量模型对每个词的标签预测与实际标签的一致程度并输出分类结果。实验结果表明在CoNLL2003数据集上,该方法的域内少样本实体识别的平均F1得分为84.92%,在跨领域少样本实体识别的MIT Movie、MIT Restaurant和ATIS三个数据集中均领先其他基线方法的结果。因此,该方法可在只需要调节以往微调方法的2.9%参数的情况下,显著提高少样本命名实体识别的效果。
- 吕海啸李益红周晓谊
