【CN110097124A】基于混淆处理效应分离的图像操作链中操作类型识别方法【专利】

ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００３－３１０６．２０２４．０５．０２３引用格式：杨珍，吴珊丹，贾如，等．结合改进ＳｈｕｆｆｌｅＮｅｔ Ｖ２和注意力机制的无人机图像自主分类预警框架［Ｊ］．无线电工程，２０２４，５４（５）：１２６１－１２６９．［ＹＡＮＧＺｈｅｎ，ＷＵＳｈａｎｄａｎ，ＪＩＡＲｕ．ＡｕｔｏｎｏｍｏｕｓＣｌａｓｓｉｆｉｃａｔｉｏｎａｎｄＥａｒｌｙＷａｒｎｉｎｇＦｒａｍｅｗｏｒｋｆｏｒＵＡＶＩｍａｇｅｓＣｏｍｂｉｎｉｎｇＩｍｐｒｏｖｅｄＳｈｕｆｆｌｅＮｅｔ Ｖ２ａｎｄＡｔｔｅｎｔｉｏｎＭｅｃｈａｎｉｓｍ［Ｊ］．ＲａｄｉｏＥｎｇｉｎｅｅｒｉｎｇ，２０２４，５４（５）：１２６１－１２６９．］结合改进ＳｈｕｆｆｌｅＮｅｔ Ｖ２和注意力机制的无人机图像自主分类预警框架杨　珍１，吴珊丹１，贾　如２（１．内蒙古农业大学计算机技术与信息管理系，内蒙古包头０１４１０９；２．内蒙古大学计算机学院，内蒙古呼和浩特０１００２１）摘　要：为实现灾难事件的无人机（ＵｎｍａｎｎｅｄＡｅｒｉａｌＶｅｈｉｃｌｅ，ＵＡＶ）自主监测和预警，提出了结合逐通道注意力机制和高效卷积神经网络的新架构。

考虑到嵌入式平台的资源限制条件，使用轻量级ＳｈｕｆｆｌｅＮｅｔ Ｖ２作为骨干网络，能够对更多信息进行高效编码并尽可能降低网络复杂度。

为进一步提高灾难场景分类的准确度，在ＳｈｕｆｆｌｅＮｅｔ Ｖ２网络中结合了挤压－激发（Ｓｑｕｅｅｚｅ Ｅｘｃｉｔａｔｉｏｎ，ＳＥ）模块以实现逐通道注意力机制，显著增强分类网络对重要特征的关注度。

通过数据采集和增强技术获得包括１２８７６张图像的ＵＡＶ航拍灾难事件数据集，对所提方法进行性能评估，并比较所提方法与其他先进模型的性能。

结果表明，所提方法取得了９９．０１％的平均准确度，模型大小仅为５．６ＭＢ，且在ＵＡＶ机载平台上的处理速度超过１０ＦＰＳ，能够满足ＵＡＶ平台自主灾情监测任务的现实需求。

关键词：无人机；图像分类；卷积神经网络；注意力机制；嵌入式平台中图分类号：ＴＰ３９１文献标志码：Ａ开放科学（资源服务）标识码（ＯＳＩＤ）：文章编号：１００３－３１０６（２０２４）０５－１２６１－０９ＡｕｔｏｎｏｍｏｕｓＣｌａｓｓｉｆｉｃａｔｉｏｎａｎｄＥａｒｌｙＷａｒｎｉｎｇＦｒａｍｅｗｏｒｋｆｏｒＵＡＶＩｍａｇｅｓＣｏｍｂｉｎｉｎｇＩｍｐｒｏｖｅｄＳｈｕｆｆｌｅＮｅｔ Ｖ２ａｎｄＡｔｔｅｎｔｉｏｎＭｅｃｈａｎｉｓｍＹＡＮＧＺｈｅｎ１，ＷＵＳｈａｎｄａｎ１，ＪＩＡＲｕ２（１．ＤｅｐａｒｔｍｅｎｔｏｆＣｏｍｐｕｔｅｒＴｅｃｈｎｏｌｏｇｙａｎｄＩｎｆｏｒｍａｔｉｏｎＭａｎａｇｅｍｅｎｔ，ＩｎｎｅｒＭｏｎｇｏｌｉａＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙ，Ｂａｏｔｏｕ０１４１０９，Ｃｈｉｎａ；２．ＣｏｌｌｅｇｅｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ，ＩｎｎｅｒＭｏｎｇｏｌｉａＵｎｉｖｅｒｓｉｔｙ，Ｈｕｈｈｏｔ０１００２１，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：ＴｏｒｅａｌｉｚｅＵｎｍａｎｎｅｄＡｅｒｉａｌＶｅｈｉｃｌｅ（ＵＡＶ）ａｕｔｏｎｏｍｏｕｓｍｏｎｉｔｏｒｉｎｇａｎｄｅａｒｌｙｗａｒｎｉｎｇｉｎｄｉｓａｓｔｅｒｅｖｅｎｔｓ，ａｎｏｖｅｌａｒｃｈｉｔｅｃｔｕｒｅｃｏｍｂｉｎｉｎｇｃｈａｎｎｅｌ ｂｙ ｃｈａｎｎｅｌａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍａｎｄｅｆｆｉｃｉｅｎｔｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｉｓｐｒｏｐｏｓｅｄ．Ｔａｋｉｎｇｉｎｔｏａｃｃｏｕｎｔｔｈｅｒｅｓｏｕｒｃｅｃｏｎｓｔｒａｉｎｔｓｏｆｅｍｂｅｄｄｅｄｐｌａｔｆｏｒｍｓ，ｔｈｅｌｉｇｈｔｗｅｉｇｈｔＳｈｕｆｆｌｅＮｅｔ Ｖ２ｉｓｕｓｅｄａｓｔｈｅｂａｃｋｂｏｎｅｎｅｔｗｏｒｋ，ｂｙｗｈｉｃｈｍｏｒｅｉｎｆｏｒｍａｔｉｏｎｉｓｅｆｆｉｃｉｅｎｔｌｙｅｎｃｏｄｅｄａｎｄｔｈｅｎｅｔｗｏｒｋｃｏｍｐｌｅｘｉｔｙｉｓｒｅｄｕｃｅｄａｓｍｕｃｈａｓｐｏｓｓｉｂｌｅ．Ｉｎｏｒｄｅｒｔｏｆｕｒｔｈｅｒｉｍｐｒｏｖｅｔｈｅａｃｃｕｒａｃｙｏｆｄｉｓａｓｔｅｒｓｃｅｎｅｃｌａｓｓｉｆｉｃａｔｉｏｎ，ａＳｑｕｅｅｚｅ Ｅｘｃｉｔａｔｉｏｎ（ＳＥ）ｍｏｄｕｌｅｉｓｉｎｃｏｒｐｏｒａｔｅｄｔｏｉｍｐｌｅｍｅｎｔａｃｈａｎｎｅｌ ｗｉｓｅａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍ，ｗｈｉｃｈｓｉｇｎｉｆｉｃａｎｔｌｙｅｎｈａｎｃｅｓｔｈｅａｔｔｅｎｔｉｏｎｔｏｉｍｐｏｒｔａｎｔｆｅａｔｕｒｅｓ．ＡＵＡＶａｅｒｉａｌｄｉｓａｓｔｅｒｅｖｅｎｔｄａｔａｓｅｔｃｏｎｔａｉｎｉｎｇ１２８７６ｉｍａｇｅｓｉｓｏｂｔａｉｎｅｄｔｈｒｏｕｇｈｄａｔａａｃｑｕｉｓｉｔｉｏｎａｎｄｅｎｈａｎｃｅｍｅｎｔｔｅｃｈｎｉｑｕｅ．Ｔｈｅｐｅｒｆｏｒｍａｎｃｅｏｆｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｉｓｅｖａｌｕａｔｅｄａｎｄｃｏｍｐａｒｅｄｗｉｔｈｔｈａｔｏｆｏｔｈｅｒａｄｖａｎｃｅｄｍｏｄｅｌｓ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄａｃｈｉｅｖｅｓａｎａｖｅｒａｇｅａｃｃｕｒａｃｙｏｆ９９．０１％，ｔｈｅｍｏｄｅｌｓｉｚｅｉｓｏｎｌｙ５．６ＭＢ，ａｎｄｔｈｅｐｒｏｃｅｓｓｉｎｇｓｐｅｅｄｏｎＵＡＶ ｏｎｂｏａｒｄｐｌａｔｆｏｒｍｅｘｃｅｅｄｓ１０ＦＰＳ，ｗｈｉｃｈｃａｎｍｅｅｔｔｈｅｐｒａｃｔｉｃａｌｎｅｅｄｓｏｆＵＡＶｐｌａｔｆｏｒｍｆｏｒａｕｔｏｎｏｍｏｕｓｄｉｓａｓｔｅｒｍｏｎｉｔｏｒｉｎｇｔａｓｋｓ．Ｋｅｙｗｏｒｄｓ：ＵＡＶ；ｉｍａｇｅｃｌａｓｓｉｆｉｃａｔｉｏｎ；ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ；ａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍ；ｅｍｂｅｄｄｅｄｐｌａｔｆｏｒｍ收稿日期：２０２３－０９－０１基金项目：国家自然科学基金（３２１６０５０６）；内蒙古自治区自然科学基金（２０１４ＭＳ０６１６）ＦｏｕｎｄａｔｉｏｎＩｔｅｍ：ＮａｔｉｏｎａｌＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＣｈｉｎａ（３２１６０５０６）；ＩｎｎｅｒＭｏｎｇｏｌｉａＡｕｔｏｎｏｍｏｕｓＲｅｇｉｏｎＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＣｈｉｎａ（２０１４ＭＳ０６１６）工程与应用０　引言当前，无人机（ＵｎｍａｎｎｅｄＡｅｒｉａｌＶｅｈｉｃｌｅ，ＵＡＶ）已得到了广泛应用，例如交通监测、搜索救援、精准农业和卫星图像处理等［１］。

基于图像化方法的恶意软件检测与分类综述目录1. 内容概览 (2)1.1 研究背景 (2)1.2 研究意义 (4)1.3 研究目标与内容 (5)2. 恶意软件概述 (6)2.1 恶意软件的定义 (8)2.2 恶意软件的分类 (9)2.3 恶意软件的危害性 (11)3. 基于图像化方法的恶意软件检测与分类技术 (12)3.1 图像化方法的基本原理 (13)3.2 恶意软件的特征提取 (15)3.3 机器学习在恶意软件检测中的应用 (16)3.4 深度学习在恶意软件检测中的应用 (18)3.5 图像化方法在恶意软件分类中的应用 (20)3.6 图像化方法面临的挑战与解决方案 (21)4. 研究方法与技术路线 (22)4.1 数据收集与预处理 (24)4.2 特征选择与提取 (26)4.3 模型建立与训练 (27)4.4 实验设计与分析 (28)5. 研究案例分析 (30)5.1 研究工具与平台 (31)5.2 实验结果展示 (32)5.3 性能评估与对比 (33)6. 结论与未来工作 (34)6.1 研究成果总结 (35)6.2 存在问题与不足 (37)6.3 未来研究方向 (38)1. 内容概览自从机器学习技术被引入到检测和分类恶意软件领域，过去的十年见证了这些领域的显著进步。

基于图像化方法在这一过程中扮演了重要的角色，它们利用图像处理和分析技术来识别恶意软件的行为特征，这些特征通常以代码图像或系统行为图的形式存在。

本综述文章旨在概述基于图像化方法的恶意软件检测与分类的现状和未来趋势。

将探讨最新的技术进展，包括深度学习模型在建模复杂数据和进行恶意软件分类方面的应用。

本综述还将聚焦图像化方法如何被集成到更广泛的大数据分析框架中，以提高恶意软件检测的准确性和效率。

还将考察不同类型的恶意软件，如防病毒软件、间谍软件、勒索软件和病毒等的图像化检测技术。

本综述还会评估基于图像化方法的恶意软件检测系统的实际应用情况，并讨论这些系统在现实世界中的部署所面临的挑战和机遇。

图像阈值分割法在Android端病害图像诊断的应用作者：刘小红马凌仇焕青来源：《农业灾害研究》2021年第01期摘要在移动端直接上传获取的病害图像进行远程诊断时，因图片数据量大可导致上传速度缓慢，增大服务端数据处理难度，影响图像识别的及时性和准确性。

针对这个问题，以黄瓜病害为例，提出在移动端先将获取的图像进行图像裁剪和阈值分割处理，提取用户感兴趣区域上传远程服务端。

系统测试数据发现，病害图像经过裁剪和阈值分割处理后，在获得良好图像质量前提下，大大减少了图像数据容量，能加快图片上传速度，降低远程服务端图片数据处理难度，提高诊断的及时性，具有较高的实用性。

关键词阈值分割;Android;图像诊断中图分类号： TP391.41 文章标识码：A 文章编号：2095–3305（2021）01–0071–02近几年农业灾害研究已成为热点，农业灾害研究也是对农作物进行科学防治的前提。

随着手机应用的不断普及和拍摄图像方便的特点，已有国内外学者利用Android手机结合图像处理技术在病害或虫害诊断方面开展了深入研究，如郑姣[1]等在手机端通过分析水稻四种病害的颜色、形状、纹理特征，采用图像预处理、增强、分割、特征提取以及识别的处理方法，实现基于基Android水稻病害图像识别系统。

但在特征提取和病害诊断过程中，受手机硬件性能的限制，容易出现图像处理能力有限和数据库检索能力不足等问题。

文献[2-5]提到将手机端采集到的病害图片发送至服务器端，在服务器端接收图片后进行分割，利用颜色矩阵和灰度共生矩阵来提取病害特征参数，最后利用向量机进行识别并返回结果。

这些虽能解决Android手机端图像处理能力有限和数据库检索能力不足的问题，但在进行病害或虫害图像远程诊断时，需上传病害或虫害特征清晰的大容量图片，会导致上传速度缓慢、消耗数据流量、增大服务端图像数据处理难度，影响图像识别的及时性。

因此，需要对诊断的病害图像在手机端进行图像分割处理，去除背景，提取重要的信息，减少图片数据大小，加快上传速度，提高服务端图像处理能力。

一种基于PE病毒转图和CNN的病毒识别方法吕臻;张宇【摘要】随着互联网的爆炸式的发展,计算机病毒也是层出不穷,如何快速的对新增病毒进行响应和查杀也是一个较大的挑战[1].普通的特征检测方法对于新样本的检测存在滞后性,往往无法有效查杀新增样本.通常的机器学习查杀病毒,则存在特征难以提取,训练集样本不均衡的问题.本文中提出一种方法,通过CNN算法和文件图像化表示算法结合进行病毒扫描的方法.本文中发现,通过CNN,可以有效的提取文件图像化后的特征,达到了自动提取特征的目的.修改了CNN中softmax算法,从而解决了样本不均衡问题.【期刊名称】《软件》【年(卷),期】2018(039)006【总页数】4页(P131-134)【关键词】CNN;深度学习;图像分类;病毒分类识别;不平衡样本【作者】吕臻;张宇【作者单位】浙江省嘉兴市公安局科技信息通信处,浙江嘉兴 314001;贵州省遵义市公安局科技信息通信处,贵州遵义 563000【正文语种】中文【中图分类】TP309.50 引言随着矛与盾的升级，病毒检测和病毒变形的对抗越来越激烈。

检测方式由最初的md5匹配，到简单的特征检测，再到具有启发能力的机器学习检测。

然而病毒的变形方式也越来越多样化，从修改 md5到切片免杀再到多态变形[2]。

如何有效的识别病毒并把病毒家族化，对于未知样本的聚类，家族识别是我们需要面对的挑战。

1 病毒转图的基本思路一个二进制病毒可以转化为一个灰度图[3]，转换为灰度图之后，我们就把病毒识别的问题转换为了图片识别分类问题。

深度学习中的CNN正好是解决图片分类问题的好方法[4]。

传统的特征提取检测引擎，特征提取的代价很高，往往无法高效的检测新增样本和样本的变种[5]。

传统的机器学习的方法，也同样存在特征提取的问题，特征的好坏往往是主导检测效果的主要原因[6]。

CNN神经网络却很好的解决了上述问题，特征自动提取，所以特征的通用性和鲁棒性更好。