可逆信息隐藏，文中详细介绍了相关信息嵌入以及提取的详细过程。

医学图像的数字传输通常涉及将关键信息隐藏在图像的某些部分中，然后应提取这些信息以验证所有权和身份。 本文提出了一种新的医学图像可逆数据隐藏（RDH）算法。 该算法的主要目的是在不引入失真的情况下实现感兴趣区域（ROI）的对比度增强，并实现针对ROI攻击的篡改定位。 首先，使用Otsu的自动最佳阈值化方法对医学图像的背景和ROI进行分割。 为了减少视觉失真，采用了一种改进的预处理方案以减少混乱像素的数量。 通过扩展ROI直方图的峰对，可以实现数据嵌入以及ROI的无失真对比度增强。 从ROI生成的特

论文题目 Reversible data hiding in encrypted image

卷积神经网络基础 本节介绍循环神经网络，下图展示了如何基于循环神经网络实现语言模型。我们的目的是基于当前的输入与过去的输入序列，预测序列的下一个字符。循环神经网络引入一个隐藏变量H，用Ht表示H在时间步t的值。Ht的计算基于Xt和Ht−1，可以认为Ht记录了到当前字符为止的序列信息，利用Ht对序列的下一个字符进行预测。 循环神经网络的构造 我们先看循环神经网络的具体构造。假设 Xt∈Rn×d 是时间步 t 的小批量输入， Ht∈Rn×h 是该时间步的隐藏变量，则： Ht=ϕ(XtWxh+Ht−1

多层感知机     1.多层感知机的基本知识       多层感知机（MLP）是研究神经网络的一个非常重要的多层模型。       下图展示了一个多层感知机的神经网络图，它含有一个隐藏层，该层中有5个隐藏单元。 表达公式：       具体来说，给定一个小批量样本X∈Rn×dX∈Rn×d，其批量大小为nn，输入个数为dd。假设多层感知机只有一个隐藏层，其中隐藏单元个数为hh。记隐藏层的输出（也称为隐藏层变量或隐藏变量）为HH，有H∈Rn×hH∈Rn×h。因为隐藏层和输出层均是全连接层，可以设隐