YouLan999-CSDN博客

原创 LeetCode刷题 _「剑指 Offer]第2版_按顺序

剑指 Offer 03. 数组中重复的数字数组、哈希表、排序class Solution: def findRepeatNumber(self, nums: List[int]) -> int: res = collections.Counter(nums) for key in res: if res[key] > 1: return key剑指 Offer 04. 二维数组中的查找数组、

2022-01-04 15:30:09 573

原创 LeetCode刷题 _「剑指 Offer]专项突破版

剑指 Offer II 001. 整数除法class Solution: # 时间复杂度：O(logn), 空间复杂度：O(1) def divideCore(self, dividend, divisor): result = 0 while dividend <= divisor: # 因为此时被除数和除数都成了负数 value = divisor quotient = 1

2021-12-23 13:06:47 1743

原创 LeetCode刷题 _「剑指 Offer]第2版_按计划

第一天栈与队列（简单）剑指 Offer 09. 用两个栈实现队列栈、设计、队列class CQueue: def __init__(self): self.stack1 = [] self.stack2 = [] def appendTail(self, value: int) -> None: self.stack1.append(value) def deleteHead(self) -> int:

2021-12-17 17:19:06 960

原创解决微软的Microsoft商店不能使用的问题

转载微软商店无法打开的解决办法

2021-10-19 18:45:32 1954

原创 2018_CBAM__Convolutional Block Attention Module

标题Abstract:我们提出了卷积块注意模块，一个简单而有效的前馈卷积神经网络的注意力模型。给定一个中间特征映射，我们的模块沿着两个独立的维度（通道和空间）顺序推断注意映射，然后将注意映射乘以输入特征映射以进行自适应特征细化。因为CBAM是轻量级的通用模块，它可以无缝的集成到任何CNN架构中，开销可以忽略不计，并且可以与基础CNN一起进行端到端的训练。我们通过在ImageNet-1K数据集,MSCOCO检测数据集和VOC 2007检测数据集上的大量实验来验证我们的CBAM。我们的实验表明，各种模型在分

2021-10-14 11:22:20 126

原创 2018_SE_Squeeze-and-Excitation Networks

标题Abstract:卷积神经网络的核心构建模块是卷积算子，它使网络能够通过融合每层局部感受野中的空间和通道信息来构建信息特征。大量先前的研究已经调查了这种关系的空间成分，试图通过提高整个特征层次的空间编码质量来增强CNN的代表性。在这项工作中，我们将重点放在通道关系上，并提出了一种新的架构单元，我们称之为”挤压和激励“SE模块，它通过显式的建模通道间的互相依赖性，自适应的重新校准通道特征响应。我们表明，这些块可以堆叠在一起，形成SENet体系结构，在不同的数据集上非常有效的推广。我们进一步证明，SE块

2021-10-14 11:18:15 2848

原创 2021_BTH_Self-supervised Video Hashing via Bidirectional Tranformers

Abstract:现有的大多数无监督视频哈希算法是建立在单向模型上，训练目标不可靠，没有充分利用帧间的相关性和视频间的相似性结构。为了高效的可伸缩视频检索，我们提出了一种双向变换(Bidireactional Transformers Hashing,BTH)的自监督视频哈希方法。基于变换器的编解码结构，我们设计了一个视觉完形填空任务以充分利用帧间的双向相关性。为了揭示未标记视频数据之间的相似性结构，我们通过在视频空间中建立可靠的有效的相似性连接，进一步开发了相似性重建任务。此外，我们还开发了一个集群分

2021-09-25 09:07:08 581

原创 2021_SLI_Privacy Leakage of SIFT Features via Deep Generative Model based Image Reconstruction

Abstract:许多实际应用，例如基于文本的图像检索和目标识别在很大程度上依赖于从查询图像中提取的局部特征。由于这些局部特征通常会暴露给不可信的一方，因此图像局部特征的隐私泄露问题近年来获得了越来越多的注意力。在本文工作中，我们全面评估了SIFT的隐私泄露，它是对广泛使用的图像局部特征之一，我们首先考虑了一种情况，对手可以完全接触SIFT特征，即SIFT描述符和坐标都可用。我们提出了一种端到端、从粗到细的深度生成模型用于从SIFT特征重建潜在图像。设计的深度生成模型由两个网络组成，第一个是网络试图从S

2021-09-23 15:04:03 175

原创 2019_A Swichchable Deep Learning Approach for In-Loop Filtering in Video Coding

Abstract:深度学习在编码效率和主观质量上为视频编码的环路滤波提供了巨大的潜力。最先进的工作致力于网络结构设计并且利用单一强大的网络解决所有问题。相反，本文提出了一种基于深度学习的系统方法，包括有效的卷积神经网络结构，分层训练策略和面向视频编码器的切换机制。首先，我们提出了一种新颖的CNN结构，也就是压缩和激励滤波CNN(Squeeze-and-ExcitationFilering CNN,SEFCNN)作为可选的环路滤波，为了捕获通道之间的非线性交互，SEFCNN由两个子网络组成，也就是特征提

2021-09-19 10:46:38 133

原创 2020_SPAR-RL_Au Automatic Cost Learning Framework for Image Steganography Using Deep Reinforcement L

Abstract:基于深度卷积网络的隐写术自动损失学习正受到越来越多的关注。在这种框架下隐写方法已被证明比采用手工损失的方法实现更好的安全性能。然而，它们仍然表现出一些限制，妨碍了充分利用它们的潜力，包括使用基于函数逼近神经网络的嵌入模拟器和粗粒度优化目标，而不明确使用像素信息。在本文中，我们提出了一种新的嵌入损失学习框架叫做SPAR-RL(SteganographicPixel-wise Actions and Rewards with ReinforecementLearning)，它克服了上述

2021-09-16 18:55:39 315

原创 2020_Secure Robust JPEG Steganography based on AutoEncoder with Adaptive BCH Encoding

Abstract:社交网络无处不在，目前正在传播大量信息。因此在这样的环境中，传输秘密信息是值得研究的。然而，用于传输消息的图像通道通常是使用JPEG压缩通道进行压缩，这是有损的，并且会损坏传输的数据。因此，为了防止秘密信息被破坏，迫切需要一种健壮的JPEG隐写术。本文提出了一种基于自适应BCH编码的自动编码器的安全鲁棒JPEG隐写方案。特别的，首先对自动编码器进行预训练以拟合压缩通道压缩前后JPEG图像之间的变换关系。除此之外，根据载体图像的内容自适应的使用BCH编码以降低秘密信息提取的错误率。基于实

2021-09-14 18:57:20 213

原创 2019_UT-GAN_An Embedding Cost Learning Framework Using GAN

Abstract:成功的自适应隐写术主要集中在嵌入有效载荷，同时最小化适当定义的失真函数。深度学习在隐写分析中的应用极大的挑战了现有的自适应隐写方法，但也显示了隐写术改进的潜力。这篇文章提出了一种用于隐写术的失真函数生成框架，它有三个模块：一个U-Net结构的生成器，用于将载体图像转换为嵌入改变概率映射图；一个无需预训练的双Tanh函数用于在对抗训练中传播梯度时逼近最佳嵌入模拟器；以及一个基于卷积神经网络和多个高通滤波器作为判别器的增强型隐写分析器。在不同数据集上的大量实验结果表明，该框架优于当前最先进

2021-09-11 09:53:34 538 2

原创 2019_ISGAN_Invisible steganography via generative adversarial networks

Abstract:目前大量的工作将CNNs引入到隐写分析中，并超越了传统的隐写分析算法。这些工作显示了深度学习在信息隐藏领域的改进潜力。也有几个显示基于深度学习的作品做图像隐写术，但是这些作品在容量、不可见性和安全性上仍然存在问题。本文中，我们提出了一种新的CNN架构ISGAN，在发送端和将秘密的灰度图像隐藏进一个彩色载体图像中，在接收端将秘密图像精确提取出来。我们的工作有三个贡献：1）我们通过仅在载体图像的Y通道隐藏秘密图像隐藏图像来提高不可见性。2）引入生成对抗网络，通过最小化隐写图像和自然图像的经

2021-09-10 20:21:14 516

原创 2019_ADV-EMB_CNN-based Adversarial Embedding for Image Steganography

Abstract:最近，在经验对象(如数字媒体)中最成功的隐写方法是嵌入有效载荷，同时最小化适当定义的失真函数。失真的设计本质上是留给隐写术师的唯一目标，因为有效的实用代码存在于有效载荷失真界限附近。从业者的目标是设计失真以获得具有高经验统计可检测性的方案。在本文中，我们提出了一种通用的失真设计叫做通用小波相对失真（UNIWARD），它可以应用于任意域的嵌入。嵌入失真被计算为载体图像的方向滤波器组分解中的系数的相对变化的总和。方向性迫使嵌入改变载体对象中难以在多个方向建模的部分，例如纹理或者噪声区域，同

2021-09-10 10:52:01 453

原创 2018_End-to-End Trained CNN Encoder-Decoder Networks For Image Steganography

Abstract:所有现有的图像隐写方法使用手工制作的特征来隐藏二进制有效载荷到载体图像中，这导致了小的有效载荷容量和图像失真。这里我们提出了一种基于编码器-解码器结构的卷积神经网络用于作为有效载荷的图像的嵌入。为此，我们做了如下三大贡献：i) 我们提出了基于深度学习的通用图像隐写编码器-解码器结构。ii)我们引入了一个新的损失函数，确保编码器-解码器网络的联合端到端训练。iii)我们在一列具有挑战性的公开数据集(MNIST、CIFAR10、PASCAL-VOC12、ImageNet、LFW)上对进行了

2021-09-04 11:53:04 376

原创 2017_ASDL-GAN_Automatic Steganographic Disortion Learning Using a Generative Adversarial Network

Abstract:生成对抗网络已经显示出在两个子网络相互竞争的统一框架下，可以有效的生成来自真实对应物的人工样本。本文，首先提出了一种使用生成对抗网络的自动隐写失真学习框架，该网络由隐写生成子网络和隐写分析判别子网络组成。通过交替训练这两个相互对抗的自网络，我们提出的框架可以自动学习给定空间载体图像的每个像素的嵌入改变概率。学习的嵌入变化概率然后可以被转换成嵌入失真，这可以在现有的最小失真嵌入框架中采用。在此框架下，失真函数与对抗进化隐写分析器下的不可检测性直接相关。实验结果表明，在对抗学习的情况下，我

2021-09-03 18:17:47 600

原创 2015_MiPOD_Content-Adaptive Staganography by Minimizing Statistical Detectability

Abstract:大多数当前的隐写术方案通过最小化试探性定义的失真来嵌入秘密有效载荷。类似地，使用配备有丰富图像模型的分类器根据经验评估他们的安全性。在本文中，我们寻求一种基于局部估计的多变高斯载体图像模型的可替代方案，该模型足够简单，可以导出自适应LSB匹配的最强检测器的封闭表达，但同时又足够复杂，可以捕获自然图像的非平稳特性。我们表明当适当选择载体模型估计量时，可以获得最先进的性能。所选模型中可检测性的封闭表达用于获得关于作为分类器构建的经验经验隐写分类器的性能极限的新的基本认识。特别的，我们考虑了

2021-09-01 15:13:22 368

原创 2014_HILL_A New Cost Function for Spatial Image Steganography

Abstract:在最小化嵌入失真的情况下，定义良好的损失函数对于隐写术是至关重要的。本文提出了一种新的空间图像损失函数。所提出的损失函数是通过使用一个高通滤波器来定位图像中不太可预测的部分，然后使用两个低通滤波器来使低损失值更加聚类来设计的。实验表明，使用该损失函数的隐写方法使得嵌入变化更加集中在纹理区域，从而在抵抗现有隐写分析方面比现有工作（包括HUGO,WOW,S-UNIWARD）取得了更好的性能。HILL(High-pass，Low-pass，Low-pass)。Conclusion:本

2021-09-01 15:10:38 362

原创 2014_S-UNIWARD_Universal distortion function for steganography in an arbitrary domain

Abstract:最近，在经验对象(如数字媒体)中最成功的隐写方法是嵌入有效载荷，同时最小化适当定义的失真函数。失真的设计本质上是留给隐写术师的唯一目标，因为有效的实用代码存在于有效载荷失真界限附近。从业者的目标是设计失真以获得具有高经验统计可检测性的方案。在本文中，我们提出了一种通用的失真设计叫做通用小波相对失真（UNIWARD），它可以应用于任意域的嵌入。嵌入失真被计算为载体图像的方向滤波器组分解中的系数的相对变化的总和。方向性迫使嵌入改变载体对象中难以在多个方向建模的部分，例如纹理或者噪声区域，同

2021-09-01 15:09:33 1014

原创 2012_WOW_Designing Steganographic Distortion Using Directional Filters

Abstract:这篇文章提出了一种在空间域定义加性隐写失真的新型方法。改变一个像素后，方向高通滤波器输出的变化被加权，然后用倒赫德范数进行聚合，以定义单个像素的成本。与其他自适应嵌入方案相比，聚合规则被设计成强迫嵌入改变到高纹理或有噪声的区域并避免干净的边缘。因此，新的嵌入方案对使用丰富模型的隐写分析具有明显更强的抵抗力。实际的嵌入算法是使用校正子网格码来实现的，以最小化给定有效载荷的失真。WOW(Wavelet Obtained Weights)Conclusion本文证实了之前所怀疑的–在

2021-09-01 15:07:34 330

原创 2011_STC_Minimizing Additive Distortion in Steganography using Syndrome-Trellis Codes Abstract

Abstract:这篇论文提出了一种完整使用的方法，利用一般（非二进制）嵌入操作来最小化隐写术中的附加失真。让每个隐写元素的每个可能值都被分配一个标量，该标量表示用该值替代载体元素而引起的嵌入变化的失真。总失真被假定为每个元素失真的总和。考虑了有效载荷受限发送器(在嵌入固定载荷时最小化总失真)和失真受限发送器(在引入固定总失真时最大化有效载荷)。在不损失任何性能的情况下，通过替换载体元素的单个值，将非二进制情况分解成几个二进制情况。采用一种新的基于Vitewbi算法的双卷积码的综合编码编码方案来处理二进

2021-09-01 15:06:01 371

原创 2010_HUGO_Using High-Dimensional Image Models to Perform Highly Undetectabal Stega

Steganography系列之一：2010_HUGO_Using High-Dimensional Image Models to Perform Highly Undetectabal SteganographyAbstract:本文提出了一套完整的方法来设计实用的、高度不可检测的真实数字媒体隐写系统。主要的设计原则是通过有效的编码算法来最小化适当定义的失真。失真被定义为已用于隐写分析扩展最先进特征项向量的加权差。这使我们能够保存隐写分析者使用的模型，因此即使对于大型有效载荷也无法检测。即使当嵌入

2021-09-01 15:01:59 363

原创 VScode: Import [your_module] could not be resolved Pylance(reportMissingImports)解决方案)

Import [your_module] could not be resolved Pylance(reportMissingImports)解决方案录标题)欢迎使用Markdown编辑器你好！这是你第一次使用 Markdown编辑器所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。新的改变我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它

2021-05-17 15:26:05 6883

原创 Python 从一个文件中调用另一个文件的类方法

参考链接：https://www.jb51.net/article/154409.htm摘自：脚本之家如果是在同一个 module中(也就是同一个py文件里),直接用就可以如果在不同的module里，例如a.py里有 class A:b.py 里有 class B:如果你要在class B里用class A 需要在 b.py的开头写上 from a import A举个例子：比如我在文件lingkingtables.py的文件中构造了三个类，在另一个文件中想要引用这三个类，那么用如下语句.

2021-01-18 21:25:08 1362

原创 python中的clamp 函数

参考博客clamp 函数返回范围内的一个数值。可以使用 clamp 函数将不断增加、减小或随机变化的数值限制在一系列的值中。float clamp(float minnumber, float maxnumber, float parameter)最小数值和最大数值指定返回值的范围。参数是值要钳制在范围内的属性或变量。如果参数位于最小数值和最大数值之间的数值范围内，则该函数将返回参数值。如果参数大于范围，该函数将返回最大数值。如果参数小于范围，该函数将返回最小数值。示例:clamp(

2020-12-05 16:20:00 25375 3

原创 Python的reshape(-1,1)

参考博主：Python的reshape(-1,1)转化成1行：转换成1列：转化成两列：转成成两行：

2020-12-05 10:30:09 256

原创笔记本上Pycharm远程连接服务器上的Pycharm编辑器

1.首先保证笔记本和服务器在同一局域网下，或者使用VPN。2.打开笔记本上的pycharm使用ssh连接。（按图中蓝色框进行操作）3.知道服务器的IP地址、用户名字以及密码，输入图中框中4.知道服务器的相应环境下的python.exe文件的路径，并且选择相应路径。5.选择笔记本中的工程路径1映射到服务器中的工程文件路径26.配置好就可以使用服务器的编辑器跑服务器上的代码了，并且通过在本地修改，不断的上传到服务器上，再使用服务器跑。7.跑通的实例。8.查看服务器上相应路径

2020-11-17 20:59:05 436

原创 ubuntu16.04 如何安装搜狗输入法

系统版本: Ubuntu16.04,64位参考文章：[Ubuntu安装搜狗输入法](https://mp.weixin.qq.com/s?src=11&timestamp=1605093727&ver=2700&signature=Aai5D6NNBi3Hs4qIKD60eeC74j1ptSsZUWOx9P5hTIEBFhJTswerhfGQHlmBVJqdEiAg8gPmPrATN3WtFSmPDtJrh1L8zzJfvPmsX8YjJaloY1F6Frs*rh4N*BzNY

2020-11-11 20:48:55 278

原创安装 torch1.0.0

window系统，pip， python3.6，none CUDA，参考：安装最新pytorch1.0.0打开cmd切换到python编程环境（比如：activate pytorch）下载相对应的whl，我下的是wins,python3.6版本的下载完成后，将该whl文件放在python相同的目录下即可（比如cd D:\anaconda3\anaconda3\envs\pytorch）在cmd中输入：pip install torch-1.0.0-cp36-cp3.

2020-11-06 18:38:22 2066

原创 LeetCode HOT题目(4.寻找两个正序数组的中位数)

题目：给定两个大小为 m 和 n 的正序（从小到大）数组 nums1 和 nums2。请你找出这两个正序数组的中位数，并且要求算法的时间复杂度为 O(log(m + n))。你可以假设 nums1 和 nums2 不会同时为空。示例1:nums1 = [1, 3]nums2 = [2]则中位数是 2.0示例2:nums1 = [1, 2] nums2 = [3, 4]则中位数是 (2 + 3)/2 = 2.5方法一：粗暴方法解题思路：简单粗暴，先将两个数组合并，两个有序数组

2020-08-17 22:06:03 355

转载 10bit YUV数据在内存中的存储格式

参考链接：https://blog.csdn.net/nonmarking/article/details/64173611

2020-08-16 22:10:38 316

原创 csdn 积分/c币获取方法

常规方式获取可用分1、每天只要回复就可以获得10个可用分。注：回复后的第2天发放。2、每周回复量大于10个帖子，将获得30可用分。注：下一周的周二发放。3、本周获得技术专家分30分以上，将获得40分可用分奖励。注：下一周周二发放。4、如果您的帖子非常精彩，被推荐到论坛首页，为此将奖励您可用分88分。奖励方案1、每月获得专家分>1000分，并且为大版前3名用户，将会获得300可用分奖励。注：仅限技术区。2、申请成为版主。版主考核会对版主进行可用分奖励。通过其他网友捐赠获取可用分：论坛中

2020-08-16 21:16:55 5982 187

原创 VTM_10软件下载、安装和初步测试

首先特别强调！1.电脑中的路径名字不要带有空格！空格！空格！。2.不要带有中文。发现对于VS的工程文件，或者CMD的命令执行文件时，不能识别以上路径。除非是word文档或者PPT文件，但以防以后自己会用该文件夹建立类似VS的工程文件，还是路径中都不要是上面的吧。运行环境、软件版本等说明：VTM：10.0版本操作系统：Win10 64位操作系统IDE：Visual Studio 2019编译器：Cmake1、VTM下载地址https://vcgit.hhi.fraunhofer.de/jv

2020-08-15 21:29:19 2580 2

转载 KMP算法详解

1. 引言本KMP原文最初写于2年多前的2011年12月，因当时初次接触KMP，思路混乱导致写也写得混乱。所以一直想找机会重新写下KMP，但苦于一直以来对KMP的理解始终不够，故才迟迟没有修改本文。KMP本身不复杂，但网上绝大部分的文章（包括本文的2011年版本）把它讲混乱了。下面，咱们从暴力匹配算法讲起，随后阐述KMP的流程步骤、next 数组的简单求解递推原理代码求解，接着基于next 数组匹配，谈到有限状态自动机，next 数组的优化，KMP的时间复杂度分析，最后简要介绍两个KMP的扩展算法

2020-08-12 10:31:29 1139

LeetCode.md

空空如也