Exploration of the Relation between Input Noise and Generated Image in Generative Adversarial Networks

In this paper, we propose a hybrid model aiming to map the input noise vector to the label of the generated image by the generative adversarial network (GAN). This model mainly consists of a pre-trained deep convolution generative adversarial network (DCGAN) and a classifier. By using the model, we visualize the distribution of two-dimensional input noise, leading to a specific type of the generated image after each training epoch of GAN. The visualization reveals the distribution feature of the input noise vector and the performance of the generator. With this feature, we try to build a guided generator (GG) with the ability to produce a fake image we need. Two methods are proposed to build GG. One is the most significant noise (MSN) method, and the other utilizes labeled noise. The MSN method can generate images precisely but with less variations. In contrast, the labeled noise method has more variations but is slightly less stable. Finally, we propose a criterion to measure the performance of the generator, which can be used as a loss function to effectively train the network.     

一种基于先验生成对抗网络的人脸超分辨率重建方法

针对人脸超分辨率算法中图像失真大、缺乏细节特征等问题,提出了一种基于先验知识的人脸超分辨率重建模型。通过在超分网络中加入纹理辅助分支,为重建过程提供额外纹理结构先验,以生成精细的面部纹理,恢复高分辨率纹理图。同时引入级联叠加模块对纹理辅助分支进行反馈。设计特征融合模块,将纹理特征图与超分分支特征图融合,获得更好的纹理细节;将纹理损失融入损失函数,以提高网络恢复纹理细节的能力。4倍放大因子下,该方法的峰值信噪比(Peak Signal-to-Noise Ratio, PSNR)、结构相似性指数(Structural Similarity Index, SSIM)比现有方法至少提升1.082 5 dB和0.036,无参考图像质量评价(Natural Image Quality Evaluator, NIQE)至少降低1.690 2;8倍放大因子下,该方法的PSNR与SSIM值分别至少提升0.787 5 dB和0.046 85,NIQE值最小降低3.92。     

基于GAN的ISAR图像语义分割方法

逆合成孔径雷达（ISAR）成像技术能够对空间目标进行远距离成像,刻画目标的外形、结构和尺寸等信息。ISAR图像语义分割能够获取目标的感兴趣区域,是ISAR图像解译的重要技术支撑,具有非常重要的研究价值。由于ISAR图像表征性较差,图像中散射点的不连续和强散射点存在的旁瓣效应使得人工精准标注十分困难,基于交叉熵损失的传统深度学习语义分割方法在语义标注不精准情况下无法保证分割性能的稳健。针对这一问题,提出了一种基于生成对抗网络（GAN）的ISAR图像语义分割方法,采用对抗学习思想学习ISAR图像分布到其语义分割图像分布的映射关系,同时通过构建分割图像的局部信息和全局信息来保证语义分割的精度。基于仿真卫星目标ISAR图像数据集的实验结果证明,本文方法能够取得较好的语义分割结果,且在语义标注不够精准的情况下模型更稳健。     

一种基于U-Net生成对抗网络的低照度图像增强方法

在低照度环境下采集的图像具有低信噪比、低对比度及低分辨率等特点,导致图像难以识别利用.为了提升低照度图像的质量,本文提出一种基于U-Net生成对抗网络的低照度图像增强方法.首先利用U-Net框架实现生成对抗网络中的生成网络,然后利用该生成对抗网络学习从低照度图像到正常照度图像的特征映射,最终实现低照度图像的照度增强.实验结果表明,与主流算法相比,本文提出的方法能够更有效的提升低照度图像的亮度与对比度.     

基于生成对抗学习的标准rPPG信号生成

为了提高生成远程光电容积脉搏波描记法(remote Photoplethysmography,rPPG)信号的波形规律性,降低心率计算难度,提出了一种标准化rPPG的信号生成方法。将人脸视频输入到生成对抗网络的生成器中,生成器通过有标签数据进行监督训练,预测得到人脸视频中蕴含的rPPG信号。为了进一步优化生成器的预测结果,使用数学建模方法生成标准的rPPG信号,并将其与生成器预测的信号同时输入至判别器中进行对抗学习,不断优化生成器参数,使得生成器能够学习标准信号的波形分布。这样,生成器预测的信号波形在形态上更接近于真实rPPG信号的波形分布,从而有利于后续心率计算。在不同数据集上进行的实验结果表明,该方法可以显著提高预测的准确性,且拥有更高的信噪比。     

基于生成对抗网络与ResUNet的细胞核图像分割

细胞核的精准分割是病理诊断的基础工作,针对目前分割算法存在细小特征提取难、细节丢失多等问题,本文提出了一种基于生成对抗网络(generative adversarial network, GAN)与ResUNet的分割网络。首先将ResUNet网络作为生成网络(generator, G),利用LeakyReLU激活函数使负值特征能够得到激活,其次再通过判别网络(discriminator, D)的判别损失值引导生成网络更好地学习。实验结果显示,在乳腺癌细胞核数据集和DSB数据集上MioU、Dice、Acc等评价指标分别达到82%、83%、95%和90%、90%、97%,较ResUNet网络分别提升了2.5%、3.3%、0.7%和0.7%、1.5%、0.8%。同时与SegNet、FCN8s等6种常用分割网络的分割结果对比均有提升,结果证明本文改进后的网络具有较好的分割准确率,可以为病理诊断工作提供重要依据。     

基于改进生成对抗网络模型的红外与可见光图像融合

为增强融合图像的视觉效果,减少计算的复杂度,解决传统红外与可见光图像融合算法存在的背景细节丢失问题,提出了一种生成对抗网络框架下基于深度可分离卷积的红外与可见光图像融合方法。首先,在生成器中对源图像进行深度卷积与逐点卷积运算,得到源图像的特征映射信息;其次,通过前向传播的方式更新网络参数,得到初步的单通道融合图像;再次,在红外及可见光判别器中,使用深度可分离卷积分别对源图像与初步融合图像进行像素判别;最后,在损失函数的约束下,双判别器不断将更多的细节信息添加到融合图像中。实验结果表明,相比于传统的融合算法,该方法在信息熵、平均梯度、空间频率、标准差、结构相似性损失和峰值信噪比等评价指标上分别平均提高了1.63%、1.02%、3.54%、5.49%、1.05%、0.23%,在一定程度上提升了融合图像的质量,丰富了背景的细节信息。     

融合残差SENet的毫米波大规模MIMO信道估计

在户外光线追踪场景下,针对毫米波大规模多输入多输出(Multiple-Input Multiple-Output, MIMO)系统受户外环境噪声干扰导致估计精度低的问题,提出了一种融合残差挤压激励网络(Squeeze-and-Excitation Network, SENet)的条件生成对抗网络的信道估计方法。该方法采用条件生成对抗网络将低分辨率接收信号重建为高分辨率的原始信号完成信道估计,同时在生成器网络中引入SENet网络模块来抑制户外场景下显著性噪声干扰,提高估计精度;最后将残差网络中的残差块添加到SENet的放缩操作后,提高条件生成对抗网络的收敛速度。仿真结果表明,相较于正交匹配追踪算法、卷积神经网络、去噪卷积神经网络和条件生成对抗网络算法,所提方法在户外噪声环境下估计精度平均提高了约2.2 dB,且在高噪声强度下估计精度的提高更为显著。     

基于深度卷积对抗网络的电磁频谱异常检测

为了解决电磁频谱异常检测精度不高的问题,在深度卷积神经对抗网络(Deep Convolution Generative Adversarial Network, DCGAN)的基础上加入了编码器(Encoder)用来重构频谱数据。编码器首先将真实频谱数据编码为低维特征表示,生成器通过学习编码后的低维特征生成重构频谱数据,判别器负责将重构频谱数据与真实频谱数据进行区分,并通过对抗性训练逐渐提高模型重构频谱数据的能力,最后计算重构频谱数据与真实频谱数据的均方误差,判别异常。实验结果表明,该模型能够在多个频段下实现有效的电磁频谱异常检测,在TV频段下,干信比为-5 dB时,相比于现有电磁频谱异常检测方法,所提方法的平均检测性能提升了18%以上。     

基于GAN指纹库的卷积神经网络室内可见光信道模型

提出一种神经网络算法实现室内可见光信道模型,解决Lambert模型难以计算室内可见光信道的噪声和误差问题。针对指纹库数据量大、难以采集和训练参数多导致迭代速度慢的问题,提出使用生成式对抗网络(generative adversarial network,GAN)生成仿真数据集融合原有的稀疏指纹库,生成满足训练要求数量的指纹库;使用一维的卷积神经网络(convolutional neural network, CNN)提取数据特征,降低训练参数,提高迭代速度。在室内5 m×5 m×3 m环境下采集稀疏指纹库,分别用反向传播 神经网络(back propagation netural network, BPNN)和一维CNN室内可见光信道模型进行对比。仿真结果表明:使用GAN生成指纹库的平均绝对误差为0.04,对数据量增广300%;在同一指纹库下,BPNN信道模型误差为3.81,迭代500次收敛;而CNN信道模型误差为0.79,迭代100次收敛。本文提出的GAN指纹库融合CNN的可见光信道模型具有精度高、误差小、速度快、泛化性强等优点,为室内可见光信道模型提供新的研究方案。     

基于频移键控的仿海豚哨声水声通信技术

针对水下隐蔽声通信的需求,该文提出一种基于频移键控的仿海豚哨声水声通信方法,通过模拟海豚哨声以降低通信信号被发现的概率,从而实现水下隐蔽声通信。该方法将信息调制生成的基带信号以一定比例与海豚哨声信号时频谱轮廓曲线相加获得合成哨声时频谱,再生成合成哨声作为仿生通信信号。接收端提取接收到的合成哨声与本地生成的存在固定频差的海豚哨声相干相乘,经过低通滤波获得频移键控信号进行信息解调,实现仿生通信。通过时频相关系数和Mel倒谱距离分析了通信信号仿生效果。仿真与海试试验验证了该方法的可行性,当码元宽度为0.1s时可在2km距离上实现有效通信,且时频相关系数不低于0.99。该方法调制解调原理简单,系统资源消耗更少,更易于工程实现,为仿生水声通信算法的实际应用提供技术支撑。     

DCGAN信道下的端到端通信系统设计

针对通信系统中长序列建模存在维度诅咒的问题,提出了一种基于深度卷积生成对抗网络(Deep Convolutional Generative Adversarial Networks, DCGAN)信道建模的端到端通信系统改进方案。该方案将卷积神经网络(Convolutional Neural Network, CNN)和条件生成对抗网络(Conditional Generative Adversarial Network, CGAN)结合,利用CNN与全连接层(Fully Connected Layer, FC)的局部连接特性对传输长序列的信道进行建模。通过对参数重新设计及网络结构调整,获得了适应不同调制方式和信道类型的学习网络,将其应用端到端通信系统中,作为收发机之间梯度反向传播的桥梁。仿真实验表明,改进的DCGAN能够以减小的网络规模以及计算量成功地实现长序列建模,并且表现出良好的泛化能力。此外,将建模结果运用到端到端通信系统设计中,可以获得与传统数字调制系统相近的误比特率性能。     

基于空间特征的生成对抗网络数据生成方法

传统的生成对抗网络(GAN)在特征图较大的情况下,忽略了原始特征的表示和结构信息,并且生成图像的像素之间缺乏远距离相关性,从而导致生成的图像质量较低。为了进一步提高生成图像的质量,该文提出一种基于空间特征的生成对抗网络数据生成方法(SF-GAN)。该方法首先将空间金字塔网络加入生成器和判别器,来更好地捕捉图像的边缘等重要的描述信息;然后将生成器和判别器进行特征加强,来建模像素之间的远距离相关性。使用CelebA,SVHN,CIFAR-10等小规模数据集进行实验,通过定性和盗梦空间得分(IS)、弗雷歇距离(FID)定量评估证明了所提方法相比梯度惩罚生成对抗网络(WGAN-GP)、自注意力生成对抗网络(SAGAN)能使生成的图像具有更高的质量。并且通过实验证明了该方法生成的数据能够进一步提升分类模型的训练效果。     

网络切片场景下基于分布式生成对抗网络的服务功能链异常检测

针对网络切片场景中,由于软硬件异常而导致服务功能链(SFC)异常的问题,该文提出一种基于分布式生成对抗网络(GAN)的时间序列异常检测模型(DTSGAN)。首先,为学习SFC中正常数据的特征,提出分布式GAN架构,对SFC中包含的多个虚拟网络功能(VNF)进行异常检测;其次,针对时间序列数据构建一种基于滑动窗口数据特征提取器,通过提取数据的两种衍生特性和8种统计特征以挖掘深层次特征,得到特征序列;最后,为学习并重构数据特征,提出时间卷积网络(TCN)与自动编码器(AE)构建的3层编解码器作为分布式生成器,生成器通过异常得分函数衡量重构数据与输入数据的差异以检测VNF的状态,进而完成SFC的异常检测。在数据集Clearwater上采用准确率、精确率、召回率和F1分数这4个性能指标验证了该文所提模型的有效性和稳定性。     

EPON:下一代接入网的最佳选择

EPON技术具有大带宽、高性价比、结构简单和一定服务质量保证等特点,被业界普遍看好,成为 下一代接入网的最佳候选技术.本文主要介绍了EPON的工作原理、分层结构、接入控制和组帧方式,最后给出 了实现EPON的关键技术和难点以及EPON的发展近况.     

基于改进生成对抗网络的低剂量CT去噪算法

针对低剂量计算机断层扫描(computerized tomography,CT)在图像采集过程中引入较多噪声,造成图像质量严重下降的问题, 提出一种基于残差注意力机制与复合感知损失的低剂量CT去噪算法。在该算法中,利用生 成对抗网络完成对低剂量CT图像的去噪,在网络框架中引入多尺度特征提取及残差注意力 模块,以融合图像中不同尺度的信息,提高网络对噪声特征的区分能力,避免在去噪过程中 丢失图像细节信息。同时采用复合感知损失函数,以加快网络收敛速度,促使去噪图像在感 知上与原图像更接近。实验结果表明:与现有的算法相比,所提算法能够有效抑制低剂量 CT图像中的噪声,并恢复更多的纹理细节;对比低剂量CT图像,所提算法处理后的CT 图像峰值信噪比(peak signal-to-noise ratio,PSNR) 值提高了31.72%, 结构相似性(structural similarity,SSIM)值提高了13.15%,可以满足更高的医学影像诊断要求 。     

基于半正定松弛的MIMO盲检测

为解决MIMO系统盲检测问题,该文以最大似然序列检测为估计准则,通过推导建立了一种新的半正定松弛(SemiDefinite Relaxation, SDR)求解模型,使得到的松弛解的秩等于发送天线数。为了解决了松弛解秩大于1时估计原始发送序列的难题,该文提出一种特征向量近似法和随机法相结合的方法。通过限定目标函数的取值上限,使算法能够根据目标函数值自适应判断求解发送序列个数,从而减少每次求解的约束个数和SDR的求解次数,分析表明算法的计算复杂度与发送天线数成线性关系。最后,通过仿真表明所提算法能够在与秩1的算法性能保持相当的条件下减少计算时间,并验证了算法计算复杂度与发送天线数成线性关系。     

Deep learning approach for investigation of temporal radio frequency signatures of drones

The omnipresence of drones in the civilian air space has led to their malicious usage raising high alert security issues. In this paper, a deep learning approach to detect and identify drones and to determine their flight modes from the remotely sensed radio frequency (RF) signatures is presented. This work intends to detect the presence of drones using two-class classification, the presence along with identification of their make using four-class classification. And this is further extended to the determination of their flight modes using ten-class classification. It employs the proposed architectures of prominent deep learning classifiers, namely, autoencoder (AE), long short-term memory (LSTM), convolutional neural network (CNN), and CNN-LSTM hybrid model. To procure the relevant information from 227 RF signatures having 100 fragments each, the seven significant temporal statistical features, namely, maxima, minima, mean, variance, skewness, kurtosis, and root mean square, are extracted. In a two-class classification scenario, all considered classifiers perform near to idle, whereas in a four-class classification scenario, CNN performs best, followed by AE, CNN-LSTM, and LSTM, respectively. Moreover, in a ten-class classification scenario, AE far outperforms CNN, followed by LSTM and CNN-LSTM, respectively. The best performance in terms of accuracy and classification time confirms the feasibility of the proposed AE classifier for the three considered drone operations.     

基于生成对抗网络和线上难例挖掘的SAR图像舰船目标检测

基于深度学习的SAR图像舰船目标检测算法对图像的数量和质量有很高的要求,而收集大体量的舰船SAR图像并制作相应的标签需要消耗大量的人力物力和财力。该文在现有SAR图像舰船目标检测数据集(SSDD)的基础上,针对目前检测算法对数据集利用不充分的问题,提出基于生成对抗网络(GAN)和线上难例挖掘(OHEM)的SAR图像舰船目标检测方法。利用空间变换网络在特征图上进行变换,生成不同尺寸和旋转角度的舰船样本的特征图,从而提高检测器对不同尺寸、旋转角度的舰船目标的适应性。利用OHEM在后向传播过程中发掘并充分利用难例样本,去掉检测算法中对样本正负比例的限制,提高对样本的利用率。通过在SSDD数据集上的实验证明以上两点改进对检测算法性能分别提升了1.3%和1.0%,二者结合提高了2.1%。以上两种方法不依赖于具体的检测算法,且只在训练时增加步骤,在测试时候不增加计算量,具有很强的通用性和实用性。

     

基于深度学习的配电网无线通信入侵检测系统

在采用无线通信接入的配电网中,入侵检测系统（IDS）通过分析通信网中传输数据来判断入侵事件.为提高检测的准确性,本文将深度学习理论应用于IDS,提出了一种面向配电网无线通信网络新型入侵检测系统,由带有门控循环单元、多层感知器和Softmax的循环神经网络组成.攻击测试基准实验结果表明IDS防御的有效性,在KDD99测试数据集上,其误报率为0.06%,总检出率为96.43%;在NSL-KDD测试数据集上,其误报率低至0.86%,总检出率则为99.33%.