基于半监督生成对抗网络的通信信号调制识别算法

针对小样本条件下通信信号识别混淆的问题,提出了一种基于半监督生成式对抗网络的调制识别算法.首先结合半监督学习思想利用少量标签数据和大量未标签数据训练网络;其次在输出层添加辅助分类器进行结果判定,针对性设计了目标函数和损失函数,以满足网络生成虚假数据和实现信号分类的目的;最后使用不同的激活函数并用反卷积和Dropout代替池化操作,有效降低了算法复杂度并加快网络收敛速度.仿真实验表明:该算法适应性强、计算量小,较传统算法识别准确率提升了6％ ～13％,有效实现了小样本条件下的调制样式识别.     

基于生成对抗网络的细胞形变动态分类

提出了一种基于生成对抗网络的细胞形变动态分类方法,以活细胞视频中的细胞形变动态为对象,引入分类器辅助的生成对抗网络结构同步训练生成对抗网络和分类网络,通过生成对抗网络产生的数据提高了原本分类网络分辨细胞形变动态的性能.首先,细胞动态图像被用于将活细胞视频中的时间维度进行压缩,使其从视频域映射到图像域以方便生成对抗网络的构建.其次,基于分类器辅助的生成对抗网络结构,将分类网络的分类信息作为辅助信息来改善生成对抗网络对多类样本的生成,同时生成网络生成的多类样本可以反过来优化分类网络对于细胞动态形变的分类性能.在构建的活细胞视频数据库上,可以验证提出方法能有效地捕获细胞视频中的空时细胞形变动态,并且其分类的性能优于其它主流方法.     

基于辅助分类生成对抗网络的纸币红外特征鉴伪算法

针对假币的特征未知以及样本数量不平衡的局限性问题,提出基于半监督辅助分类生成对抗网络的纸币红外特征鉴伪算法.辅助分类生成对抗模型可以扩充样本的数据集,经过半监督的方式训练得到分类器进行分类,实现对纸币红外特征的鉴伪.实验结果表明,该算法能提高假币鉴伪的准确率以及泛化能力.     

攻击标签信息的对抗分类算法

真实数据集中存在的对抗样本一方面易导致分类器取得较差分类结果，另一方面如果能够被合理利用，分类器的泛化能力将得到显著提高。针对现有大部分分类算法并没有利用对抗样本训练分类模型，提出一种攻击标签信息的对抗分类算法（ACA）。该方法从给定数据集中选取一定比例样本并攻击所选取的样本标签使之成为对抗样本，即将样本标签替换成其他不同类型的标签。利用支持向量机（support vector machine，SVM）训练包含对抗样本的数据集，计算生成的SVM输出误差对于输入样本的一阶梯度信息并嵌入到输入样本特征中以更新输入样本。再次利用SVM训练更新后的样本以生成对抗的SVM（A-SVM）。原理分析与实验结果表明，一阶梯度信息不仅提供了一种分类器输出与输入之间的正相关关系，而且可提高A-SVM的实际分类性能     

基于生成对抗网络的宫颈细胞图像数据增强

为了在数据集过小时更好的训练卷积神经网络,本文提出一种方法通过训练GAN(生成对抗网络)生成新的样本进行图像数据增强。扩充后的数据集应用于训练图像分类模型,得到了不错的效果。针对Herlev宫颈细胞数据集的二分类问题,本文首先使用原始训练集训练GAN,生成了大量高质量的高分辨率细胞图像,将每类训练集扩充到24 000例。然后使用扩充后的训练集进行分类网络训练,在Resnet迁移学习的验证集准确率高达97%,高于仿射变换扩充的数据集的训练结果93%,可见本文方法可以有效地实现图像的数据增强。本文方法也可用于其他领域的图像数据增强。     

基于生成式零样本学习的未知恶意流量分类方法

未知恶意流量是网络安全的重大安全挑战,对未知恶意流量的分类能够增强网络威胁识别能力,指导网络防御策略.未知恶意流量由于缺乏样本,无法满足现有的深度学习方法对大量数据的需要.本文提出了一种基于生成式零样本学习的未知恶意流量分类方法.从原始的网络流量中提取出关键的恶意流量信息并转化为二维图像,提出将恶意流量的属性信息作为辅助语义信息,利用条件生成对抗网络生成类别样本.同时,本文还添加了类级别的对比学习网络,使得生成的类别样本质量更高并且更具有类间区分度.实验结果表明,该方法在未知恶意流量分类问题上平均准确率能够达到90%以上,具有较高的应用价值.     

小样本数据生成及其在异常检测中的应用

在不平衡数据的应用中,少量的负样本(异常数据)往往是检测准确率低的重要原因,如在主机异常检测领域中,异常样本过少使得检测效果不佳.为解决这一问题,该文改进了深度卷积生成对抗网络,使其更易于收敛和生成样本.再通过将改进的深度卷积生成对抗网络用于入侵检测评测数据集ADFA-LD异常样本的训练,构造出更多的异常样本.最后,为验证生成样本的效果,以多种异常检测方法检测对上述增加样本后的平衡数据进行实验,实验结果发现新增加的异常样本能被全部检测出,而且已测出的异常样本无漏检,实现了高检测率和低误报率.对比实验表明该文提出的小样本数据生成方法能有效解决某些数据不平衡的应用问题.     

两阶段目标类指引的行人检测对抗补丁生成算法

针对缘于深度学习模型脆弱性的对抗样本攻击这一国内外热门研究课题，以无人驾驶等实际应用为背景，探讨了针对Yolo-v2行人检测系统的对抗攻击方法;基于Yolo-v2对行人目标的预测置信度和分类概率，提出基于两阶段目标类指引的行人检测对抗补丁生成算法。创新性地提出了目标类指引的攻击策略，通过先后实施目标类指引的对抗补丁生成和对抗补丁增强，有效引导了对抗补丁在训练生成过程中的收敛方向，以此逐步提升对抗补丁攻击行人检测系统的能力;在Inria数据集上实现了79个目标类指引的对抗补丁生成训练与测试。结果表明，算法以“teddy bear”为目标类生成了攻击效果最佳的对抗补丁，行人检测交并比(IOU)指标可达0.043 5，显著优于对照算法的0.244 8。     

基于SNGAN的黑盒恶意软件对抗样本生成方法

目前，为了应对数以百万计的Android恶意软件，基于机器学习的检测器被广泛应用，然而其普遍存在防对抗攻击能力差的问题，对恶意软件对抗样本生成方法的研究有助于促进恶意软件检测领域相关研究的发展.黑盒场景下的对抗样本生成技术更加符合现实环境，但相较于白盒场景效果不佳.针对这一问题，本文提出了一种基于SNGAN的黑盒恶意软件对抗样本生成方法，将图像领域的SNGAN方法迁移到恶意软件领域，通过生成器网络和替代检测器网络的迭代训练生成对抗样本，并通过谱归一化来稳定训练过程.该方法能够对已有的恶意软件添加扰动，达到欺骗机器学习检测器的效果.实验结果证明，该方法对多种机器学习分类器均可以有效规避检测，验证了方法的可行性和可迁移性.     

基于生成对抗网络的入侵检测类别不平衡问题数据增强方法

数据类别不平衡问题是制约机器学习技术在入侵检测领域应用效果的重要因素。当训练数据不均衡时,训练得到模型的分类结果往往倾向多数类,从而极大影响分类效果。针对基于机器学习算法进行入侵检测时训练样本不均衡以及由于数据隐私性导致训练样本不足和更新慢的问题,提出一种基于生成对抗网络和深度神经网络相结合的入侵数据增强方法,以实现样本集的类别均衡。通过NSL-KDD数据集对模型评估,本文所提方法不仅具有较高的准确率,而且对未知攻击和只有少数样本的攻击类型具有较高的检测率。     

形象、教师形象与教师形象学

提出了教师形象及教师形象学的基本概念,论述了建立都教师学的基本框架以及教师形象学的学科性质。     

基于被动太赫兹波图像的图像分割技术

研究被动太赫兹波图像的图像分割算法. 针对被动太赫兹波图像水平和竖直方向平滑程度不同的特点,提出了一种改进的高斯-拉普拉斯算子,不同于传统高斯-拉普拉斯算子各向同性的特点,改进的算子在水平和垂直方向上对边缘具有不同的检测尺度. 实验表明,利用该算子可以将被动太赫兹波图像中的人和隐匿物品自动分割,能够准确、快速地对可疑的隐匿物品进行定位,使被动太赫兹波成像技术满足实际应用的需求.      

一种基于图像集的复杂场景分类方法

保持局部图嵌入的流形鉴别分析方法将图像集所属子空间看作流形上的点,并使流形变换前后局部结构关系不变.然而在构造局部区域相似图矩阵时,用于描述节点局部区域范围的近邻节点个数会极大地影响算法的准确率,并会出现变换后流形的可分辨性相比变换前提升很小甚至更低的情况.针对该问题,提出了一种低秩描述下的Grassmannian流形鉴别分析方法.通过对图像集的低秩描述,流形变换中局部嵌入时仅保持同类别节点的最近邻局部结构以及所有节点间的相异类别信息,从而避免了对近邻节点个数的选择,并增强了变换后流形的可分辨性.由15类复杂自然场景和Caltech101图像数据集的实验结果表明,该方法是可行的,并且极大地提高了图像集分类的准确率.     

基于图像信息熵的四叉树检索算法

在基于内容的图像检索系统中,图像的抽象描述和特征提取是要解文提出了一种基于图像信息熵的四叉树索引结构及检索算法,可以利用较低维数的特征实现高速有效的图像检索.该方法适用于查准率要求不高情况下的相关图像检索或大型图像库的预检索.     

一种基于图像块分割的多聚焦图像融合方法

针对多聚焦图像，提出了一种基于图像块分割的图像融合方法，采用块区域局部对比度将多聚焦图像分割成三部分：聚焦清晰区域、聚焦模糊区域以及两者之间的边界区域，对于清晰区域和模糊区域，直接选取清晰块区域作为融合后相应块区域；对于边界区域，建立了基于对比度的像素选取方法进行融合处理，实验对比结果表明，该方法明显优于拉普拉斯金字塔融合算法和离散小波变换融合算法。     

基于图像形态学对光弹性图像的预处理

在讨论和分析图像形态学原理和几种基本运算的效果基础上,提出了将图像形态学技术应用到光弹应力分析中。利用VisualC 实现了必需的形态学算法,对采集到的光弹性图像进行去噪、骨架化等形态学预处理,较好地反映原光弹条纹图特征,得到了优质的条纹骨骼线,对干涉条纹的中心有较好的识别效果。确保光弹分析后续工作的进行。     

一种静止图像质量评价指标

介绍一种新的静止图像质量评价算法，其数学模型的建立依据为：图像总的失真主要由相关损失、对比度失真和亮度损失3方面造成。该方法性能高于常用的均方误差和峰值信噪比图像质量评价方法，且简单有效。用此法对静止图像压缩中解压图像的质量进行评价，其结果与人眼的感知评价保持较好的一致。     

图像处理技术中的图象硬拷贝输出

本文探讨了计算机图象处理过程中图象的打印机硬拷贝输出方法,通过C语言编制的软件,实现了实时输入图象在点阵式打印机上以3比特灰度级、多种不同尺寸、正反两个方向输出,获得了较好的打印效果。     

面向基于内容图像检索的图像感知Hash

提出一种建立在HSV空间颜色分类和形态特征基础上的图像Hash方法,用于图像检索.将图像尺寸规格化,并根据HSV空间中各分量的取值范围,将像素归为11类,在各类颜色成分中提取亮度、大小、形态等特征,加权得到Hash值以构成图像库的索引表,从而实现基于内容的图像检索(content-based image retrieval,CBIR).与其他方法相比,用该方法提取的图像特征除颜色外还包含形态特征,能较好地体现图像内容.实验结果表明,该方法具有良好的性能.     

基于图像拼接的可信图像修补方法

为了尽可能地恢复被损坏图像的原始场景,获得最真实的复原效果,针对大区域破损图像的修复,提出了一个基于移位参考图像的可信图像修补与基于图像本身的自修复算法相结合的图像修复方法。首先,受启于图像拼接技术,若存在可以利用的参考图像,便利用SIFT(scale invariant feature transform)算法和RANSAC(random sample consensus)算法将参考图像与目标图像进行配准并投影拼接至目标图像,完成目标图像的可信修补。然后对仍未修复的破损区域进行图像自修复,其中自修复部分采用Criminisi算法。所得到的图像修复结果真实性与可信度较高,与实际景象偏差较小,说明该方法合理可行。