电磁信息泄漏检测的核心问题在于：如何从无意发射的电磁信号中提取隐藏的有用信息。电磁信息泄漏检测方法以信号分析和处理技术为基础，但是与泄漏源，即产生电磁信息泄漏的信息设备紧密相关；通常需要从各种信息设备的工作原理出发，分析各自不同的电磁泄漏信号的特点。以显示器为例，自从首次公开的民用TEMPEST实验[2]以来，包括CRT[3-4]、LCD[5-7]、LED及触摸屏[8]在内的显示器设备，其电磁发射泄漏的图像信息一直是研究人员关注的重点。对显示器图像信息泄漏的检测长期依赖图像复现[3-8]手段。其核心思想是：基于显示器的视频图像显示原理，利用电磁泄漏信号与图像逐行扫描的时间同步，将一维电磁信号时间序列映射成二维空间图像；根据电磁信号强度与像素色彩的时空对应关系，复现电磁泄漏信号中携带的图像信息。基于图像复现的检测方法面临着电磁泄漏信号信噪比低和需要已知显示器同步信号2个问题。由于易受环境噪声干扰，导致图像信息受损难以分辨。复现过程需要在特定的同步信号的指导下，才能将截获的电磁信号以相应的规律采样并重建成可分辨的复现图像。复现过程对同步信号的精确性要求严格，容错性差；而在实测过程中，受环境噪声和检测仪器的影响，同步信号的误差往往不可避免。
为了提升复现图像的质量，研究者尝试在复现图像之前增加预处理操作。基于小波的独立成分分析方法[9]，用于提升电磁泄漏信号的信噪比，进而改善复现图像的质量。谱质心间距分布均匀度算法[10]，用于寻找信号中最佳复现频段，以获得具有最高信噪比的图像泄漏电磁信号。采用上述预处理手段，虽然可以提升复现图像的质量，但仍无法解决复现过程中所需同步信号带来的问题。于是基于显示器的工作原理，出现了避免图像复现，转而针对同步信号的检测方法[11-12]，通过在电磁信号中寻找具有周期特性的同步信号，可间接达成图像信息泄漏的检测。但此类方法只能做出显示器正以某种可能分辨率执行工作的判断，却无法确定显示器的图像信息，而且容易受到脉冲信号及其他周期信号的干扰。从电磁信息泄漏研究进展来看，由于电磁泄漏信号信噪比低，易受干扰，信号检测存在一定的不确定性，目前缺乏对电磁信号中泄漏信息的精确标定方法。
本文所研究的深度学习检测方法，是基于卷积神经网络(Convolutional Neural Network, CNN)的特点和优势，提出的电磁信息泄漏检测新思路和方法。CNN是深度学习的重要算法，目前在图像识别[13]、降噪[14]、目标检测[15]和信号检测[16-17]等领域广泛应用并表现良好。基于CNN在上述领域中的优异表现，本文将其引入电磁信息泄漏检测，以克服现有检测方法存在的不足。利用CNN独特的卷积和池化处理能力，学习并提取电磁泄漏信号中隐藏的有用信息特征。为了进一步标定信号中的电磁信息泄漏特征，本文引入并改进了梯度加权类激活映射(Gradient-weighted Class Activation Mapping, Grad-CAM)方法[18]，在未知电磁信息泄漏特征的前提下，自动计算无意电磁发射泄漏信息的特征分布，在待测的电磁信号上实现电磁信息泄漏特征定位和提取。
1 电磁信息泄漏检测方法设计 本文设计一个针对电磁信息泄漏特征的CNN结构，命名为EM-CNN，在此基础上，结合并改进梯度加权类激活映射方法，从而提出一种基于CNN的电磁信息泄漏检测方法。该检测方法可在未知电磁信息泄漏特征的前提下，智能检测并标定出计算机显示器无意发射电磁信号中的图像信息，如图 1所示。
 |
| 图 1 基于深度学习的电磁信息泄漏检测原理 Fig. 1 Electromagnetic information leakage detection principle based on deep learning |
| 图选项 |
利用深度学习方法提取电磁信号中隐藏的信息特征，需要采集一定数量的电磁信号，构成电磁信号样本集，作为神经网络的训练样本数据。使用电磁信号样本集，通过反向传播机制对EM-CNN神经网络进行训练，以获取具有电磁信息泄漏识别能力的神经网络模型。在训练好的EM-CNN模型的基础上，将被测的目标电磁泄漏信号输入EM-CNN模型，经过神经网络的逐层特征提取；在到达全连接层之前，截取电磁信息泄漏特征向量，并结合最终的分类预测得分，通过梯度加权类激活映射方法对待测的目标电磁信号进行电磁信息泄漏标定检测；进而从目标信号中自动定位提取泄漏信息。
1.1 卷积神经网络设计 在提出的电磁信息泄漏检测方法中，CNN的设计和训练是决定检测准确率和精度的关键因素。经典的CNN结构大多应用于图像处理领域，通常采用二维卷积核进行特性提取。在电磁信息泄漏检测中，数字化信号采集设备接收的电磁信号是一维形式的数字序列。本文经过前期探索，通过对比测试，设计了一个适用于电磁信息泄漏检测和识别的CNN结构——EM-CNN。为了适应一维电磁泄漏信号的特点，该结构特别地设计了一维卷积核，其工作示意如图 2所示。
 |
| 图 2 EM-CNN处理电磁泄漏信号示意图 Fig. 2 Schematic diagram of electromagnetic leakage signal processing by EM-CNN |
| 图选项 |
为了从电磁信号序列中提取特征信息，EM-CNN的卷积层滑动所设计的一维卷积核，使其与电磁泄漏信号的一维序列片段对应进行卷积运算，从而提取目标的局部特征，并将其组合成特征向量。池化层通过降维操作进一步提取特征，压缩特征向量。因此，在电磁信息泄漏检测应用中，EM-CNN相比现有CNN结构具有更好的适应性和泛化能力。EM-CNN的结构参数如表 1所示。
表 1 EM-CNN结构参数 Table 1 Parameters of EM-CNN structure
| 神经网络层次 | 卷积核/滤波器尺寸 | 计算步长 | 通道数 |
| 卷积层1 | 4 | 2 | 32 |
| 池化层1 | 2 | 2 | 32 |
| 卷积层2 | 12 | 2 | 32 |
| 池化层2 | 2 | 2 | 32 |
| 卷积层3 | 12 | 2 | 32 |
| 池化层3 | 2 | 2 | 32 |
| 卷积层4 | 12 | 2 | 64 |
| 池化层4 | 2 | 2 | 64 |
表选项
EM-CNN网络的输入为一维电磁信号。经过卷积和池化的逐层计算和特征提取之后，到达全连接层时形成64个通道的特征向量。卷积计算的公式如下：
 | (1) |
式中：L为神经网络中各层的索引号；X (L)和 X (L+1)分别为计算过程中第L层的输入和输出特征向量；W (L)为第L层神经网络的权值向量；B (L)为第L层的偏置向量。
EM-CNN选择ReLU[19]作为激活函数，以缓解电磁信号特征提取过程中的梯度消失问题。ReLU的计算公式如下：
 | (2) |
将卷积和ReLU合并计算，计算过程可表示为
 | (3) |
在ReLU函数之后，神经网络中加入了Dropout函数[20]，以一定概率减少网络中传递的特征数量，使部分神经网络参数不更新，有助于抑制深度学习的过拟合问题，Dropout函数的计算如下：
 | (4) |
式中：ri, j(L)为独立的伯努利随机变量，其以p的概率取值为1，以1-p的概率取值为0。
神经网络中的数据传输受到Dropout函数影响之后，如下：
 | (5) |
在本文的实验中，Dropout概率值设为0.5。神经网络采用SGD优化器，训练时的单次样本数为256，学习率为0.001。
1.2 电磁信息标定 针对实测环境中电磁泄漏信息难以自动标定的问题，本文基于深度学习的梯度加权类激活映射方法，提出一种电磁信息自动标定方法。
如图 1所示，在EM-CNN模型的基础上，利用改进的梯度加权类激活映射方法实现电磁信息标定。该方法中定义的变量及计算如下：
1) K，即电磁信息泄漏特征向量的个数(通道数)。本文方法用到的电磁信息泄漏特征向量，来自于输入EM-CNN的待测电磁信号，经过EM-CNN模型的逐层特征提取之后，由第2个池化层输出。选取第2个池化层的原因是：该层最接近全连接层。经过之前的神经网络逐层运算之后，该层输出的特征向量具有最好的电磁信息泄漏特征。
2) Z，即电磁信息泄漏特征向量的长度。
3) C，即电磁泄漏信息的类别个数。即EM-CNN模型分类的个数，C的数值根据实际情况设置，本文的EM-CNN通过调整输出层结构参数，可以支持多分类。
4) Ak，即第k个电磁信息泄漏特征向量。由待测电磁信号输入EM-CNN模型逐层计算至第2个池化层输出而得，k=1, 2, …, K。
5) Aik，即第k个电磁信息泄漏特征向量中第i个特征的值。其取值为i=1, 2, …，Z。
6) yc，即电磁信息泄漏类别c的分类得分。由待测电磁信号输入EM-CNN模型逐层计算得到，c=1, 2, …, C。
7) wkc，即第k个电磁信息泄漏特征向量的权重。其为计算待测信号中电磁信息泄漏特征分布的重要参数，采用反向梯度激活平均运算获得，计算公式如下：
 | (6) |
式(6)反向梯度运算的意义在于：通过对全连接层反向求导，获取第k个特征向量Ak中的每个特征值Aik对于最终信息分类预测结果的影响力权重，综合各特征值的权重得到特征向量的整体权重。wkc可以反映出Ak对电磁信号中隐藏信息的分类结果的影响力。
在电磁信息泄漏检测的实践中，不同程度地出现电磁信息泄漏特征消失的情况。经过分析发现，其原因在于：反向梯度计算wkc的过程中出现的负梯度，即权重wkc为负值，使得后续加权计算电磁信息泄漏特征初始分布向量时，抵消了正值权重带来的积极结果，最终导致电磁信息泄漏特征消失。因此，本文的改进方法对梯度运算结果进行了ReLU激活操作，只保留正梯度，过滤带来不利影响的负梯度。
8) Lsc，即第s个电磁信号关于分类c的电磁信息泄漏特征初始分布向量。其计算公式如下：
 | (7) |
利用式(6)计算得到的wkc，对当前待测的电磁信号的特征向量Ak进行加权处理，得到电磁信息泄漏特征初始分布向量。这里再次使用了ReLU函数，其作用是：只保留对类别c有正向影响的非负特征值，过滤那些可能为负的特征值，避免不利影响。
到目前为止，得到的电磁信息泄漏特征初始分布向量的长度为Z，即特征向量Ak的长度。由于经过EM-CNN的逐层抽取，特征向量的长度是逐层压缩递减的，导致输出的初始分布向量的长度小于被测电磁信号长度。为了能从被测电磁信号中对应标定出泄漏区域，还需要将初始分布向量等比例拉伸映射至被测电磁信号的原始尺寸，使得电磁信息泄漏特征分布向量与被测信号长度一致并逐点对应。本文采用线性拉伸，如下：
 | (8) |
映射得到的电磁信息泄漏特征分布向量Lsc'包含了位置和特征权值两方面信息。电磁信息泄漏特征分布向量中的每一个数值点，代表待测电磁信号序列中相对应位置信号点可能包含有用信息的权值，数值越大，意味着该点中含有用信息的可能性越大。由此可以标定目标信号中隐藏的泄漏信息。
在电磁信息标定的基础上，根据电磁信息泄漏特征分布作为过滤器，将电磁泄漏信号过滤分解，从而获取包含有用信息的电磁信号，达到提取有用信息的目的。
根据Lsc'的数值，设定电磁信息提取阈值V，遍历特征分布向量Lsc'中各点，若该点数值高于V，则以该点位置为坐标，从待测电磁信号中相应位置定位提取电磁信息。理论上，随着阈值V的取值增大，检出的信号点数降低，提取的信息量减少，造成信息提取不充分，检测召回率也随之越低，但是由于提取的信息纯度更高，检测精确率会有所提升。反之，阈值V的取值越小，提取的信息总量越多，检测召回率相应提升，但是提取的信噪比降低，误检率上升，检测精确率相应下降。
在提取电磁信息时，可以通过调整提取阈值，在一定范围内改变信息的提取量的大小，从而根据实际条件获得算法所需要的性能指标。
2 实验结果与分析 分别通过实测数据和仿真数据，验证本文所提出的电磁信息泄漏检测方法的有效性。
2.1 实测验证 测试环境为正常的室内环境。不同于常见电磁检测所需的电磁屏蔽暗室，测试未采取任何屏蔽措施，以验证本文方法在较复杂电磁环境下的有效性。电磁信息泄漏测试系统的信号采集装置包括一个电磁信号探头和一台信号接收机。电磁信号探头的型号为A.H.Systems BCP-620，探测频率范围为10 kHz~500 MHz；信号接收机的型号为模块化的NI PXIe-5162数字化仪，采样精度为10 bit。实验步骤如下：
步骤1????电磁信号样本集。实验的样本数据来自分辨率和刷新率为640×480@60 Hz的显示器，分别采集了文字显示和无文字的纯色2种状态下的电磁辐射泄漏信号，采样率为1M S/s(即1M Samples/s，每秒1M个采样点)。显示器为PHILIPS HWE9220F液晶显示器。2种状态各采集了1 000个样本。
步骤2????训练神经网络模型。按照电磁泄漏信号中有无显示文字2种状态，利用本文的EM-CNN网络结构进行二分类训练，从而得到有效分类模型。
步骤3????电磁信息标定提取。在训练好的EM-CNN分类模型基础上，利用本文提出的电磁信息标定方法，对待测的目标电磁信号进行检测，从中标定提取文字信息。
步骤4????可视化验证。为了验证电磁信息标定的效果，参照显示器的工作原理，借助传统的图像复现方法[3-8]，将标定提取后的一维电磁信号，复现为可视化的二维图像。对比复现图像和原始屏幕信息，验证实验结果。
实测验证的结果如图 3所示。作为泄漏源，显示器在显示文字的同时，也产生了无意的电磁发射，发射的电磁信号中包含着文字信息。本文用采集了包含文字信息的电磁信号作为被测目标信号，通过计算获取电磁信息标定序列，进而从目标信号中定位提取出包含泄漏信息的信号片段。通过复现手段对比验证，该信号片段准确地定位到了电磁信号中的文字信息。实验结果证明了本文方法的有效性。
 |
| 图 3 计算机显示器电磁信息泄漏标定的实测验证 Fig. 3 Experimental verification for electromagnetic information leakage detection on computer displayer |
| 图选项 |
图像复现作为传统检测方法，存在缺陷和制约条件。本文方法通过智能标定和提取，达到了电磁信息泄漏检测的目的。实验中借用传统图像复现手段进行比较，验证了方法的有效性。
2.2 仿真验证 在2.1节中，基于实测数据，通过视觉比对的方式验证了电磁信息标定方法的有效性。本节利用仿真数据进一步量化评估本文方法的性能。
为了量化评估电磁信息标定的性能，需要对训练测试数据进行有效标签。目前，缺乏公开的电磁信息泄漏样本集。由于电磁泄漏信号为低信噪比的微弱信号，实测采集数据过程中易受环境干扰，存在着不确定性，难以在实测数据上准确标注泄漏信息所在区域。因此，通过仿真构造了显示器的图像信息泄漏信号。参考计算机显示器VESA工业标准和指南[21]，实验样本仿真了在60 Hz刷新率下，具有640×480分辨率的显示器无意辐射产生的一维电磁信号序列。正样本中包含文字信息，文字信息在显示屏画面中的随机位置出现，并人工标注文字信息所在区域；负样本为不包含文字信息的纯色背景所产生的电磁发射信号。向2类样本中加入随机高斯噪声，用于模拟实测电磁环境。正负样本各1 000个，取其中90%作为训练集，其余作为测试集。
按照本文方法进行电磁信息泄漏标定仿真实验。仿真验证是将方法自动标定的文字信息区域与样本中的人工标注区域比较，利用准确率、精确率、召回率和F1四个分类评价指标，量化评估方法的性能，如图 4所示。
 |
| 图 4 不同阈值下的仿真性能曲线 Fig. 4 Simulation performance curves under different thresholds |
| 图选项 |
图 4中，阈值V来自方法智能计算出的电磁信息泄漏特征分布向量Lsc'，该向量序列用于标定电磁泄漏信号中隐藏的信息。序列的数值表征该点对应的电磁信号样本点中包含文本信息的权重，数值越大，表明该点对应的文本信息特征越明显。通过设定不同的阈值，可以从目标信号中过滤提取包含不同程度文字信息的电磁信号。图中性能数值为测试集中所有正样本验证结果的平均值。可以看出，随着阈值V的增大，方法的检测性能总体呈现逐步下降趋势。这是因为放弃了部分权重数值不高的特征信号点，导致标定的文字信息泄漏区域缩小，影响信息检出率。
基于上述测试数据，将EM-CNN方法与传统CNN方法进行检测实验对比。用于对比的传统CNN方法包括AlexNet、GoogLeNet、VGGNet。分析实验结果发现，GoogLeNet和VGGNet在对一维电磁信号进行梯度加权类激活映射计算时，出现梯度消失的情况，无法正常输出信息泄漏标定结果。以上3种传统CNN中，仅有AlexNet能够正常执行电磁信息标定，AlexNet的性能表现与EM-CNN的对比情况如图 5所示。可以看出，无论是检测准确率，还是综合性能指标F1，EM-CNN均明显优于AlexNet。
 |
| 图 5 EM-CNN与AlexNet的性能比较 Fig. 5 Performance comparison between EM-CNN and AlexNet |
| 图选项 |
EM-CNN方法与传统CNN方法的对比实验结果表明，在电磁信息泄漏检测应用中，EM-CNN方法优于传统的CNN方法。分析其原因在于：传统的CNN采用了二维卷积核，而电磁泄漏信号是一维形式的数据序列；使用传统CNN的二维卷积提取一维序列中的电磁信息，需要将一维数据升维；升维过程中会不同程度地破坏原始信息的结构，从而导致检测性能的下降。而本文提出的EM-CNN，针对电磁泄漏信号特征设计了一维卷积核，直接从一维数据中定位提取电磁信息，因而能够更有效地定位提取电磁信息。
在明确采用一维卷积神经网络的前提下，本文通过另外的实验对比了不同神经网络结构的检测性能。研究过程中，尝试设计了包含2个卷积和池化层的2层CNN，以及相同原理的3层CNN，与同为一维卷积神经网络的4层EM-CNN进行性能比较，结果如图 6和图 7所示。从性能比较结果可以看出，在一定范围内，随着神经网络层数的增加，基于CNN的深度学习能力的电磁信息检测性能逐步提升。使用本文提出的4层EM-CNN性能最佳，且性能曲线趋于线性变化。
 |
| 图 6 不同CNN的检测准确率比较 Fig. 6 Comparison of detection accuracy rates using different CNNs |
| 图选项 |
 |
| 图 7 不同CNN的检测召回率比较 Fig. 7 Comparison of detection recall rates using different CNNs |
| 图选项 |
通过实测数据和仿真数据两方面的对比实验验证表明，本文方法能够有效实现泄漏信息的智能标定。
作为利用一维卷积神经网络实现电磁信息泄漏标定的初步探索，目前尝试的CNN结构类型有限，相信随着后续研究的深入开展，持续优化CNN网络结构，检测性能会得到进一步提升。
此外，实验选择了显示器泄漏的文本图像信息作为检测目标，是为了将检测结果与原图像的信息特征进行对比，以形象直观的方式验证本文方法的有效性，易于理解验证。但是，这并不意味本文方法只适用于显示器的电磁信息泄漏或者图像信息泄漏检测。本文方法的检测思路同样能够被借鉴应用于其他类型电子信息设备产生的电磁信息泄漏。
3 结论 本文针对电子设备的电磁泄漏信号中信息提取的难题，提出了一种基于深度学习的电磁信息泄漏检测方法。
1) 设计基于一维卷积的EM-CNN神经网络结构，以适应电磁泄漏信号处理。
2) 改进梯度加权类激活映射方法，可以智能计算电磁信息特征分布，进而实现泄漏信息的智能标定和提取。
3) 以显示器电磁信息泄漏检测为例，通过实测和仿真数据分别验证了本文方法的有效性。
相对于传统检测方法，需已知具体设备的电磁信息泄漏特征，在检测目标和环境变化等不确定性因素影响下，存在检测泛化能力不足的缺陷；本文所提的电磁信息泄漏检测新方法，具有一定程度的被测设备无关性，无需预知泄漏特征，通过深度学习智能标定泄漏特征并提取有用信息，为电磁信息安全领域提供了一个智能化的检测新思路。
参考文献
| [1] | 刘泰康, 李咏梅, 等. 电磁信息泄漏及防护技术[M]. 北京: 国防工业出版社, 2015: 11-125. LIU T K, LI Y M, et al. Electromagnetic information leakage and countermeasure technique[M]. Beijing: National Defense Industry Press, 2015: 11-125. (in Chinese) |
| [2] | VAN ECK W. Electromagnetic radiation from video display units: An eavesdropping risk?[J]. Computers and Security, 1985, 4(4): 269-286. DOI:10.1016/0167-4048(85)90046-X |
| [3] | KUHN M G. Eavesdropping attacks on computer displays[C]//Proceedings of Information Security Summit, 2006: 1-10. |
| [4] | KUHN M G. Optical time-domain eavesdropping risks of CRT displays[C]//Proceedings of IEEE Symposium on Security & Privacy. Piscataway: IEEE Press, 2002: 3-18. |
| [5] | KUHN M G. Security limits for compromising emanations[C]//International Workshop on Cryptographic Hardware and Embedded Systems. Berlin: Springer, 2005, 3659: 265-279. |
| [6] | KUHN M G. Compromising emanations of LCD TV sets[J]. IEEE Transactions on Electromagnetic Compatibility, 2013, 55(3): 564-570. DOI:10.1109/TEMC.2013.2252353 |
| [7] | KUHN M G. Electromagnetic eavesdropping risks of flat-panel displays: Lecture notes in computer science[C]//Proceedings of the 4th International Conference on Privacy Enhancing Technologies. Berlin: Springer, 2005, 3424: 88-107. |
| [8] | SEKIGUCHI H. Information leakage of input operation on touch screen monitors caused by electromagnetic noise[C]//Proceedings of IEEE International Symposium on Electromagnetic Compatibility. Piscataway: IEEE Press, 2010: 127-131. |
| [9] | SHI J, YONGACOGLU A, SUN D, et al. A novel wavelet based independent component analysis method for pre-processing computer video leakage signal[C]//Proceedings of IEEE Symposium on Computers and Communications. Piscataway: IEEE Press, 2016: 334-339. |
| [10] | SUN D, SHI J, WEI D, et al. A low-cost and efficient method of determining the best frequency band for video leaking signal reconstruction[C]//Proceedings of International Conference on Systems and Informatics. Piscataway: IEEE Press, 2015: 624-628. |
| [11] | TOSAKA T, YAMANAKA Y, FUKUNAGA K. Method for determining whether or not information is contained in electromagnetic disturbance radiated from a PC display[J]. IEEE Transactions on Electromagnetic Compatibility, 2011, 53(2): 318-324. DOI:10.1109/TEMC.2010.2103562 |
| [12] | MAO J, LIU P, LIU J, et al. Method for detecting electromagnetic information leakage from computer monitor[J]. Control and Intelligent Systems, 2017, 45(1): 37-42. |
| [13] | KRIZHEVSKY A, SUTSKEVER I, HINTON G E. ImageNet classification with deep convolutional neural networks[C]//Annual Conference on Neural Information Processing Systems, 2012: 1097-1105. |
| [14] | CHO S I, KANG S. Gradient prior-aided CNN denoiser with separable convolution-based optimization of feature dimension[J]. IEEE Transactions on Multimedia, 2019, 21(2): 484-493. DOI:10.1109/TMM.2018.2859791 |
| [15] | DENG Z, SUN H, ZHOU S, et al. Multi-scale object detection in remote sensing imagery with convolutional neural networks[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2018, 145: 3-22. DOI:10.1016/j.isprsjprs.2018.04.003 |
| [16] | CHEN S, XU L, MA L, et al. Convolutional neural network for classification of solar radio spectrum[C]//Proceedings of IEEE International Conference on Multimedia and Expo Workshops. Piscataway: IEEE Press, 2017: 198-201. |
| [17] | ZHANG X, LIN T, XU J, et al. DeepSpectra: An end-to-end deep learning approach for quantitative spectral analysis[J]. Analytica Chimica Acta, 2019, 1058: 48-57. DOI:10.1016/j.aca.2019.01.002 |
| [18] | SELVARAJU R R, COGSWELL M, DAS A, et al. Grad-CAM: Visual explanations from deep networks via gradient-based localization[C]//Proceedings of the IEEE International Conference on Computer Vision. Piscataway: IEEE Press, 2017: 618-626. |
| [19] | CAO J, PANG Y, LI X, et al. Randomly translational activation inspired by the input distributions of ReLU[J]. Neuro Computing, 2018, 275: 859-868. |
| [20] | SRIVASTAVA N, HINTON G, KRIZHEVSKY A, et al. Dropout: A simple way to prevent neural networks from overfitting[J]. Journal of Machine Learning Research, 2014, 15(1): 1929-1958. |
| [21] | VESA. VESA and industry standards and guidelines for computer display monitor timing (DMT)[S]. San Jose: VESA, 2013. |
