基于SmsGAN的对抗样本修复

针对对抗样本给基于深度学习的检测模型带来的严重识别干扰问题,提出一种基于随机多滤波特征统计生成对抗网络(SmsGAN)的对抗样本修复方案.采用随机多滤波特征统计网络(SmsNet)构建了特征统计层,实现了对抗样本的高精度检测,并将每个卷积核输出的特征图直接送到特征统计层获取全局特征.随机多滤波特征统计生成对抗网络(Sm...     

生成对抗网络小样本雷达调制信号识别算法

雷达调制识别技术在电子侦察、电子支援等领域发挥着重要的作用.现有的雷达调制信号识别算法,通常采用脉内特征提取或者深度学习技术来实现.但这两种方法都存在弊端.提取脉内特征需要复杂的先验知识;深度学习技术虽然不需要复杂的先验知识,但是深度学习技术是数据驱动需要海量的数据以支撑其训练.雷达信号数据的获取又十分的困难,难以构建...     

基于循环编码生成对抗网络的小样本辨识方法

针对在特殊领域中小样本数据难以通过训练被分类管理的问题,提出一种基于循环编码生成对抗网络的小样本辨识方法.首先,对小样本进行混叠循环编码,建构包含小样本深层信息的隐向量;然后,搭建一种循环生成对抗网络模型,对小样本生成扩充并通过极限学习机网络进行训练辨识;最后,结合算例,与传统生成对抗网络、深度信念网络及合成少数类过采...     

基于生成对抗网络的对抗样本集成防御

针对现有对抗样本防御方法防御能力不足、时间消耗过高等问题,参考生成对抗网络与集成学习在对抗样本研究中的优势,本文提出一种基于生成对抗网络的对抗样本集成防御方法.该方法使用生成对抗网络训练多个能够消除对抗样本表面对抗扰动的生成器,使用集成学习方法将多个生成器进行集成作为最终的防御.该方法的生成对抗网络由生成器和判别器组成...     

基于ARGAN表面阴影预处理与迁移学习风电机组叶片故障识别

叶片是风电机组获取风能的重要部件.风电机组运行环境恶劣,叶片表面易出现剥落、开裂等多种故障.叶片故障的及时识别能够保障机组安全稳定运行.然而无人机拍摄叶片图像数据常出现光照不均,导致故障被阴影遮挡的情况,阴影边缘很难与叶片边缘区分开从而干扰计算机视觉算法,导致故障图像识别准确率低.对此利用专注递归生成对抗网络(Atte...     

基于数据增强的中文医疗命名实体识别

由于缺乏大量已标注数据,在中文医疗命名实体识别中,主要利用外部资源来改善医疗实体识别的性能,这需要大量的时间和有效的规则加入外部资源.为了解决标注数据不足的问题,提出了一种基于生成对抗网络的数据增强算法,自动生成大量标注数据,提高医疗实体识别的性能.实验结果表明,该算法在性能方面优于实验中的基准模型,证明了该算法在医疗实体识别上的有效性.     

基于CWGAN-GP平衡化的网络恶意流量识别方法

在网络恶意流量识别任务中,存在恶意流量样本数量与正常流量样本比例不平衡问题,从而导致训练出的机器学习模型泛化能力差、识别准确率低。为此,在网络流量图片化的基础上提出一种利用具有梯度惩罚项的条件Wasserstein生成对抗网络(CWGAN-GP)对少量数据类进行平衡的分类方法。该方法首先借助网络流量图片化方法将原始流量PCAP数据按照流为单位进行切分、填充、映射到灰度图片中;然后使用CWGAN-GP方法实现数据集的平衡;最后,在公开数据集USTC-TFC2016和CICIDS2017上使用CNN模型对不平衡数据集和平衡后的数据集进行分类测试。实验结果表明,使用CWGAN-GP的平衡方法在精确度、召回率、F1这3个指标上均优于随机过采样、SMOTE、GAN以及WGAN平衡方法。     

一种基于CGAN+CNN的水声通信信号调制识别方法

为提高复杂海洋环境下水声通信信号调制识别的性能和实用性,提出一种基于条件生成对抗网络和卷积神经网络的调制识别方法.首先,构造一种基于条件生成对抗网络的降噪模块,用于降低海洋环境噪声对通信信号调制特征的影响;然后,采用卷积神经网络完成降噪数据的特征提取和分类识别;同时,利用数据迁移思想构造迁移学习训练数据集,并通过两步迁...     

基于判别器反馈的零样本图像分类方法

零样本学习(zero-shot learning, ZSL)致力于在训练期间缺乏不可见类数据的情况下,仍能达到对不可见类别分类的目的。目前在生成式方法中,基于联合生成模型VAEGAN的零样本学习是一个研究热点。在此基础上,提出了一个基于判别器反馈VAEGAN(discriminator feedback VAEGAN,DF-VAEGAN)的零样本图像分类方法。该方法在判别器部分引入了一个反馈模块,在训练阶段可以提升模型整体的性能,在特征生成阶段可以结合生成器共同提升特征生成质量,最终通过高质量的合成特征训练分类器,提高分类准确率。本文还通过解码器重建属性特征,并使用循环一致性损失确保生成特征具备语义一致性。传统ZSL和广义零样本(generalized zero-shot learning, GZSL)图像分类实验展示了本文方法在5个经典数据集上均优于现有方法,在零样本图像分类任务中有效增强了特征合成质量和减少了类别间歧义的目标。     

基于多尺度卷积神经网络的交通标志识别方法

为了提升交通标志自动识别的精度,提出一种基于多尺度CNN的交通标志识别方法(TSR -MSCNN算法).该方法采用三阶段卷积神经网络,融合了低阶、中阶和高阶3种不同尺度的特征,并串联了多个小卷积层用以代替单个较大卷积层.通过对全连接层的神经元个数、Dropout参数、卷积核尺寸等网络超参数进行选比实验,获得了最佳的网络超参数.利用德国交通标志基准数据库(GTSRB)对不同算法进行测试表明,本文提出的算法在较小的网络参数量下能够有效提取交通标志特征,获取的识别准确率达到99.76%,且显著优于传统卷积神经网络方法和多尺度特征方法的识别准确率,因此本文算法在图像识别领域有良好的应用价值.     

基于改进生成对抗网络的飞参数据异常检测方法

针对民用飞行器安全性、可靠性要求严苛,实际民航运营中飞行参数的异常样本稀少,整体样本不平衡且缺少标注的问题,研究深度学习与生成对抗网络技术,提出基于改进生成对抗网络的飞参数据飞行级异常检测方法. 该方法不依赖样本数量与标签,实现无监督学习的检测方法. 针对飞参数据,输入正常数据样本,应用易收敛的WGAN-GP改进型生成对抗网络模型,模拟生成正常数据样本,计算输入数据与模拟正常数据的巴氏距离,实现对异常数据的检测. 通过美国国家航空航天局模拟飞参数据的人工合成数据集以及真实运营环境下采集的快速存取记录器数据构建的飞参数据集,开展试验验证. 结果表明,与常用无监督模型相比,提出方法在部分异常检测性能指标上有显著提升.     

基于孪生卷积神经网络的手机型号识别方法

随着城市矿产资源循环利用技术的不断发展, 废旧手机回收已成为当前研究热点。受限于计算资源和数据资源的相对缺乏, 目前基于线下智能回收装备的废旧手机识别精度难以达到实际应用。针对上述问题, 提出一种基于多元特征异构集成深度学习的图像识别模型。首先, 利用字符级文本检测算法(character region awareness for text detection, CRAFT)提取手机背部字符区域, 再利用ImageNet预训练的VGG19模型作为图像特征嵌入模型, 利用迁移学习理念提取待回收手机的局部字符特征和全局图像特征; 然后, 利用局部特征构建神经网络模式光学字符识别(optical character recognition, OCR)模型, 利用全局和局部特征构建非神经网络模式深度森林分类(deep forest classification, DFC)模型; 最后, 将异构OCR和DFC识别模型输出的结果与向量组合后输入Softmax进行集成, 基于权重向量得分最大准则获取最终识别结果。基于废旧手机回收装备的真实图像验证了所提方法的有效性。

     

基于深度学习的洗衣机异常音检测

基于卷积神经网络框架,提出一种洗衣机异音识别模型,根据卷积神经网络显著特征提取能力和平移不变性,学习洗衣机的异音特征,实现生产线洗衣机的异音自动智能识别。给出完整的过程解决训练数据集的建立、数据样本不平衡等问题。提出一种用于数据增强的网络模型——音频深度卷积生成对抗网络解决训练样本的稀缺性问题。该模型对传统的深度卷积生成对抗网络进行改进,以更好地适应工业音频的生成。利用该模型能够对原始数据进行扩展,生成洗衣机异音增强数据集,在该数据集的基础上进行卷积神经网络训练,经测试准确率达到0.999。利用添加背景噪声信号的数据集测试洗衣机异音识别模型的泛化能力,正确识别率达到0.902,表明该网络在识别洗衣机异音方面具有良好的鲁棒性。     

一种基于大数据的低压单相用户窃电分析方法

为改善现有窃电检测时由于电力数据特征复杂、数据样本不均等导致的效率低、精度低等问题,提出一种基于深度学习的电力用户数据的分析模型：首先,考虑到窃电数据样本不均衡、样本数量有限,提出基于Wasserstein准则的条件生成对抗网络,以平衡窃电数据,提升数据多样性;其次,提出一种用户电力行为特征提取网络,以增强模型训练效率;最后,提出一种基于梯度提升决策树的电力数据分类模型,以有效减少过拟合问题,从而提高模型分类精度。以中国国家电网公司发布的用电量数据集为例,对所提模型进行分析和验证。与基于随机过采样（ROS）、人工少数类过采样（SMOTE）和生成对抗网络（ GAN）等数据增强方法相比,所提数据增强方法可以有效提升模型训练性能。此外,与逻辑回归（LR）、支持向量机（SVM）、长短时记忆网络（LSTM）等模型相比,所提模型在测试集中性能更优,准确率和召回率分别为89.3%和69%。仿真结果进一步验证了所提模型的有效性和准确性。     

基于深度学习的变电站硬压板状态检测与识别算法

针对变电站的一键顺控停、送电操作不当将导致投退操作的问题,提出了一种基于深度学习的变电站硬压板状态检测与识别算法.使用一个共享网络提取图像特征,基于多任务学习方法建立3个分支联合解决硬压板位置检测、投切状态检测和标识检测这3个任务;采集标注了8 000张硬压板图片数据用于训练和测试.结果表明,所提出的方法能够在提升硬压板状态识别精度的同时,也提升一键顺控操作的安全性.     

基于深度学习的行为识别算法综述

人体行为识别一直是计算机视觉研究中的热点.随着近几年人体行为识别在虚拟现实、短视频等方面的广泛应用, 以及深度学习算法的快速发展, 基于深度学习的行为识别算法层出不穷.相较于传统方法, 基于深度学习的行为识别算法具有鲁棒性强、准确率高的优点.基于此, 本文对近年来提出的基于深度学习的行为识别算法进行了梳理, 并对由双流卷积网络和3D卷积网络结构发展而来的行为识别的系列算法进行了重点介绍, 并总结了各种算法的性能和成果, 最后对该领域进行了展望.     

基于深度学习的行为识别算法综述

人体行为识别一直是计算机视觉研究中的热点.随着近几年人体行为识别在虚拟现实、短视频等方面的广泛应用,以及深度学习算法的快速发展,基于深度学习的行为识别算法层出不穷.相较于传统方法,基于深度学习的行为识别算法具有鲁棒性强、准确率高的优点.基于此,本文对近年来提出的基于深度学习的行为识别算法进行了梳理,并对由双流卷积网络和...     

基于生成对抗模型的可见光-红外图像匹配方法

针对现有异源图像匹配存在的模态差异大、匹配难度大、鲁棒性差等问题, 基于生成对抗网络转换思想及传统的局部特征提取能力, 提出基于生成对抗模型的可见光-红外图像匹配方法. 依据生成对抗网络（GAN）的风格转换思想, 增加了损失函数计算通路并构建新的损失函数, 改进模型在异源图像上的转换效果. 利用SIFT算法分别提取转换后同源图像的特征信息, 确定待匹配点的位置和尺度. 依据匹配策略间接完成待配准图像的特征匹配及相似性度量. 在实景航拍数据集上进行实验验证. 结果表明, 利用该方法能够有效地处理多模数据, 降低异源图像的匹配难度, 为多模态图像匹配问题提供新的思路.