基于区域生成网络结构的多层特征融合目标检测算法

现有深度学习目标检测算法往往只利用了卷积神经网络(convolutional neural network,CNN)提取的深层特征进行判别,对浅层特征利用不足。为了利用浅层的细节信息来提高最终所提取的特征层信息的丰富性,提出了一种基于区域生成网络(region proposal network,RPN)结构的多层特征融合目标检测算法,该算法通过深度卷积网络获取不同层次的特征,并将浅层特征与深层次特征进行融合来获得更加丰富的提取特征,以提升检测模型的性能。以Image Net上的公开数据voc2007为实验对象,以Faster RCNN为基础的检测框架进行改进,最终改进后的平均精度均值(mean average precision,mAP)相比于Faster RCNN有所提升,表明研究结果提升了目标检测模型的准确度。     

拆分降尺度卷积神经网络入侵检测方法

针对卷积神经网络(convolutional neural network, CNN)模型待训参数量过大、多层网络导致特征和梯度消失等问题,提出一种基于拆分层和Inception-ResNet的卷积神经网络模型用于入侵检测。首先将网络流量数据转化为具有空间相关性的图像以适用于卷积神经网络的输入;然后使用Inception-ResNet卷积层增加网络深度,减少模型训练参数数量以及消除梯度消失问题,拆分层在降低图像尺度时基本保持图像原有分类特征;最后采用NSL-KDD数据集对改进模型进行训练和测试。测试结果表明：改进模型相对于Inception-ResNet模型具有更高的检测准确率和少数类样本召回率以及更好的训练时间性能。     

基于卷积神经网络的烟雾检测

针对已提出的很多烟雾检测方法中都是基于手工制作的特征或者使用原始图片直接作为神经网络的输入,减少了深度学习的鲁棒性。为解决这些问题,提出一种基于卷积神经网络(convolutional neural network,CNN)的烟雾检测方法。使用图片归一化方式消除光照的影响,利用烟雾颜色检测烟雾候选区域,CNN自动提取烟雾候选区域的特征,进行烟雾识别,根据分类结果得到报警信号。针对烟雾产生初期烟雾区域相对较小的问题,利用扩大候选区域的策略提高烟雾检测的及时性。由于训练数据少或不平衡引起的过度拟合,使用数据增强技术从原始数据集生成更多训练样本解决该问题。实验结果表明,该方法能有效地检测烟雾,且具有更高的准确率和更好的鲁棒性。     

基于改进深度卷积生成对抗网络的入侵检测方法研究

针对入侵检测系统因采用的网络攻击样本具有不平衡性而导致检测结果出现较大偏差的问题,文章提出一种将改进后的深度卷积生成对抗网络(DCGAN)与深度神经网络(DNN)相结合的入侵检测模型(DCGAN-DNN),深度卷积生成对抗网络能够通过学习已知攻击样本数据的内在特征分布生成新的攻击样本,并对深度卷积生成对抗网络中生成网络所用的线性整流(ReLU)激活函数作出改进,改善了均值偏移和神经元坏死的问题,提升了训练稳定性。使用CIC-IDS-2017数据集作为实验样本对模型进行评估,与传统的过采样方法相比DCGAN-DNN入侵检测模型对于未知攻击和少数攻击类型具有较高检测率。     

基于双注意力深度学习的在线资源推荐

为了提高在线资源推荐的性能，采用深度学习卷积神经网络(Convolutional neural network, CNN)进行资源推荐，同时对资源-用户特征进行双注意力机制特征提取，以进一步提高推荐精准度。对资源-用户特征进行编码并初始化，分别进行通道注意力机制运算和空间注意力机制运算。将两个注意力机制的运算结果加权求和得到新的用户-资源特征。建立基于CNN的在线资源推荐模型，并以资源和用户的最小特征差作为损失函数进行迭代优化，从而求解出CNN网络参数。通过双注意力机制的用户-资源特征输入到CNN模型，并执行训练以获得符合用户需求的推荐结果。试验结果表明，通过合理设置双注意力机制通道数及卷积核尺寸等参数，可以有效提高双注意力CNN的推荐性能。与常用资源推荐算法相比，所提算法在推荐准确度及稳定性方面均具有一定的提升。     

基于改进深度置信网络的木板表面缺陷检测模型

为了提高木板表面缺陷检测精度,采用连续型深度置信网络(DBN)建立木板表面缺陷检测模型。首先,对待检测的木板图片进行关键特征提取,并建立DBN检测模型。然后,将木板图片特征输入DBN的多个受限玻尔兹曼机(RBM)层进行深度训练,从而利用DBN的深度优势来获得木板表面缺陷检测结果。最后,引入人工蜂群(ABC)算法对DBN的权重参数进行优化从而缩短训练时间。实例测试实验结果表明：选择学习速率为0.075时,ABC-DBN算法在划痕、刮痕、裂缝、崩缺4类样本集中的均方根误差(RMSE)均值性能更优。采用卷积神经网络(CNN)、快速区域卷积神经网络(Faster R-CNN)、自适应增强卷积神经网络(AdaBoost-CNN)和ABC-DBN算法分别进行检测准确率对比实验。结果显示,ABC-DBN算法检测准确率RMSE为5.067×10^-2,是最优结果,Adaboost-CNN算法次之,CNN算法最差。     

基于全变差模型与卷积神经网络的模糊图像恢复

为了提高模糊图像恢复性能,采用全变差(TV)正则模型进行粗粒度去模糊,运用卷积神经网络(CNN)算法进行模糊图像的像素恢复。首先,根据图像包含的噪声类型选择合适的TV模型,并针对每个像素点进行原始图像和模糊图像的TV正则最小值求解,以实现图像去模糊操作。然后,建立CNN图像恢复优化模型,将经过TV正则化后的分块图像样本作为CNN输入,结合图像信噪比(SNR)增益阈值,通过训练获得图像恢复结果。实验结果表明,采用TV正则策略及CNN的卷积优化,能够满足不同图像模糊核类别和尺寸,以及不同噪声的图像恢复需求,有效提高模糊图像的复原性能。分别采用R-L算法、反向传播神经网络(BPNN)、生成对抗网络(GAN)和TV-CNN算法对5类图像样本集进行性能仿真。通过合理设置卷积核尺寸,相比于其他模糊图像恢复算法,TV-CNN算法能够获得更优的图像恢复质量,且能够有效应对不同模糊核尺寸和不同等级噪声所带来的图像恢复难的问题。     

基于卷积神经网络的车辆和行人检测算法

针对传统的车辆和行人检测算法在提取特征时鲁棒性较差的问题,提出一种基于深度学习的车辆和行人检测算法。该算法利用更快速的区域卷积神经网络(Faster RCNN)开源框架和Squeezenet网络,通过在线负样本学习(OHEM)算法和可变的非极大值抑制(Soft-NMS)算法来改进算法的检测精度。首先采用Squeezenet网络框架对图片提取特征,然后通过区域提取网络算法(RPN)获取图片中待检测的区域,最后在检测阶段加入OHEM算法对疑难样本进行重新学习和Soft-NMS抑制重叠矩形框,从而得到目标的得分和边界框。结果表明,基于卷积神经网络的车辆和行人检测算法能够获得较好的检测效果。     

基于CNN和LSTM的图像隐写分析

为了进一步降低隐写分析算法的检测错误率，文章提出一种基于卷积神经网络(convolutional neural network, CNN)和长短期记忆网络(long short-term memory, LSTM)的隐写分析算法。该算法利用CNN捕获载体图像的结构特征，同时利用LSTM捕获图像的前后时序特征。为了验证混合神经网络的有效性，该算法以XuNet和SRNet为基准隐写分析网络，探讨CNN与LSTM的有效组合方式。实验结果表明，所提方法可以有效提高隐写分析算法的检测能力。     

一种优化FCN的视频异常行为检测定位方法

在视频异常行为检测过程中,为了提取出可分辨性更好的特征,同时兼顾运行速度,提出一种基于优化的全卷积网络(full convolution network,FCN)的异常行为检测与定位方法.对FCN进行优化,使用卷积神经网络(convolution neural network,CNN)的数个初始卷积层和一个额外卷积层,...     

基于深度学习的网络攻击检测

针对现有的网络攻击检测方法检测精度不高的问题,提出一种基于并行卷积神经网络的在线网络安全攻击检测方法.该并行的深度卷积神经网络一共包含2个深度卷积神经网络用于提取特征:CNN1和CNN2,然后通过全连接层两个特征提取层,并通过软最大化操作将网络攻击的检测转换为攻击的分类模型.采用KDD Cup99作为仿真数据集,并采用训练数据来对深度模型进行训练,当模型的训练误差小于一定阈值时,采用测试数据进行测试.结果表明:将本文所提方法与文献[8]以及文献[9]所提的卷积神经网络进行比较,其结果表明了所提方法不仅具有较高的检测准确率而且具有较低的误报率上.     

基于AMCNN-LSTM的电力无线接入专网异常流量检测

为了减轻电力无线专网系统因网络业务增多而带来的网络攻击以及异常流量入侵的安全事故隐患,提出了一种基于注意力机制的卷积-长短期记忆网络(convolution-long short-term memory network based on attention mecha-nism,AMCNN-LSTM)模型.该模型为避免序列特征稀疏分布的问题,采用卷积神经网络(convolutional neural net-work,CNN)提取时间序列数据特征并转化为维度固定的稠密向量;为防止记忆丢失和梯度分散问题,使用融合注意力机制的CNN单元来捕捉重要的时间序列细粒度特征;将CNN提取局部特征与长短期记忆网络(long short-term memory network,LSTM)提取序列特征的优势相结合,对电力接入专网流量数据进行异常检测.通过在电力网真实数据集上实验表明,基于注意力机制的算法能够在150轮次迭代下达到89.14％的召回率及89.67％的综合F-meas-ure得分.所提出的模型能够及时、准确地检测电力网络异常流量,有效提高检测效率及准确度.     

轻量级卷积神经网络架构在入侵检测上的应用

针对当前卷积神经网络在入侵检测领域的效率低,误报率高等问题,提出一种新型的轻量级卷积神经网络.通过将SqueezeNet网络模型中Fire模块中的3×3卷积核替换成一组深度可分离的3×1与1×3的卷积核,并构建SpeedNet网络结构,替换模型卷积获得变形结构.实验结果表明,与传统的CNN网络架构相比,不降低精确度的情况下,提高了检测效率.     

基于Faster R-CNN模型的火焰检测

常规的火焰检测一般是提取火焰的静态或动态特征,然后进行火焰的判别.但是传统特征无法全面描述火焰特性,会导致识别的准确率降低.本文提出一种基于Faster R-CNN模型的火焰检测算法.首先利用候选区域生成网络(Region Proposal Network,RPN)提取火焰候选区域,然后对候选区域进行卷积及池化操作,提取火焰特征,最后利用联合训练的快速区域卷积神经网络(Fast R-CNN)进行火焰识别.实验结果表明该方法能够自动提取火焰特征,有效提高复杂背景下的火焰识别的准确率,具有良好的泛化能力和鲁棒性.     

一种基于少样本且不均衡的网络攻击流量检测系统

为解决网络攻击流量检测中使用的有监督学习方法严重依赖标签数据规模的问题,针对一种少样本且不均衡的攻击流量检测场景,即训练数据仅包含少量蜜罐捕获的攻击流量且无正常流量,设计了一个攻击流量检测系统,并构建了基于孪生网络和深度学习卷积神经网络(CNN)的网络攻击流量检测模型(CNN-Siamese),以实现少样本且不均衡的攻...     

基于GoogLeNet和双层GRU的图像描述

针对基于卷积神经网络(convolutional neural network,CNN)和长短期记忆网络(long short-term memory,LSTM)的方法存在计算复杂度高、收敛速度慢、训练时间长等问题,本文提出基于GoogLeNet和双层GRU的图像描述模型,在训练阶段采用适应性动量估计法(adaptiv...     

基于深度学习的交通拥堵检测

针对交通拥堵检测,提出一种利用深度学习中卷积神经网络(convolutional neural network, CNN)对交通拥堵图像进行检测的方法。首先,使用基于TensorFlow框架设计了含有三层卷积层的神经网络分类模型。其次,利用道路拥堵与非拥堵图片对分类模型进行训练,并进行评估。最后,利用训练完成的模型进行道路拥堵检测,与多种深度学习分类模型分类方法进行对比实验,表明该卷积神经网络模型能够更有效地进行拥堵检测,检测准确率达到了98.1%。     

基于胶囊神经网络的合成孔径雷达图像分类方法

针对合成孔径雷达(synthetic aperture radar,SAR)图像的目标分类,传统的卷积神经网络(convolutional neural network,CNN)需要大量的数据样本进行训练,无法在小样本条件下进行,其应用受到限制。提出将胶囊神经网络(capsule network,Capsnet)算法用于SAR雷达图像的分类,针对小样本SAR数据集对Capsnet结构进行轻量化设计,并在MSTAR数据集上验证了该算法的有效性。结果表明,与CNN相比,基于Capsnet的SAR目标分类抗过拟合性强,泛化效果较好,具有更高的准确性,能够很好地实现SAR图像样本的分类。     

基于卷积神经网络的车载网络入侵检测方法

汽车控制器局域网(controller area network, CAN)由于缺乏安全保护机制,容易受到外部恶意网络攻击。针对该问题,通过分析拒绝服务(denial of service, DoS)攻击数据集和模糊(fuzzy)攻击数据集,提出一种基于卷积神经网络(convolutional neural networks, CNN)的CAN总线网络入侵检测算法。本算法利用CAN总线正常状态下与受攻击状态下帧的标识符(identifier, ID)序列之间稳定性差异,首先将CAN ID序列通过格拉姆和角场(gramian angular summation field, GASF)转换为图片,然后采用简化的VGG(visual geometry group,视觉几何团队)网络对这些图片进行特征提取并分类,对含有入侵行为的帧序列进行检测。试验结果显示,本研究提出的CAN入侵检测方法在拒绝服务攻击数据集上的精准率为100%,在模糊攻击数据集上的精准率为99.90%,表明本方法具有很好的检测性能,能够满足实际工程的需求。本研究可为网联车辆的网络安全防护提供参考。     

基于CSP与卷积神经网络算法的多类运动想象脑电信号分类

针对直接利用卷积神经网络(convolutional neural network,CNN)算法对多类运动想象脑电信号分类识别时,因样本量比较少,难以充分训练权值,导致分类效果较差的问题,结合一对多CSP算法与CNN算法对多类运动想象脑电信号进行特征提取与分类。首先,利用CSP算法对多类运动想象脑电信号进行特征提取,形成一维特征数据,作为CNN的输入样本;其次,对传统二维输入样本的CNN结构进行改造,使其适应一维数据的输入样本,对输入样本进行再次特征提取并分类;最后,使用BCI2005desc—Ⅲa的K3b数据进行算法验证;并对不同参数值的确定进行了讨论。算法验证结果表明,单独利用一对多CSP算法得到的分类正确率73%,单独使用CNN算法得到正确率为75%,新算法取得了91.46%的正确率,相比两种原始方法有较大提升。