深度神经网络在高铁运行环境识别中的鲁棒性验证

改进了DeepTRE的实现,在保留DeepTRE验证能力的前提下大幅降低了DeepTRE的空间复杂度,以适应大规模数据集场景。在高铁运行环境识别场景中评估了改进后的DeepTRE,并与其他主流验证工具DLV和SafeCV对比。实验结果表明,改进后的DeepTRE工具的显存占用显著低于原DeepTRE工具,相较于其他神经网络验证工具,改进后的DeepTRE工具在具有较快验证速度的前提下拥有更优异的验证效果。     

针对车载环境感知系统的对抗样本生成方法

针对车载环境感知场景中的目标检测系统,提出了一种针对目标检测器的对抗样本生成方法。该方法能够实现对目标检测器的白盒对抗攻击,包括目标隐身攻击和目标定向攻击。在Rail数据集和Cityscapes数据集中进行测试,测试结果验证了所提方法对YOLO目标检测器对抗攻击的有效性。     

基于联邦学习的多源异构网络无数据融合方法

在联合作战体系中,数据作为基础性战略资源发挥着重要的底层支撑作用,数据妥善管理和高效利用是推动作战能力整体跃迁和作战样式深度变革的重要动力。为实现不同作战系统间信息的互联互通,提出 一种基于联邦学习的多源异构网络无数据融合方法。从多源数据融合面临的安全性和异构性问题出发,利用条件生成对抗网络提取本地知识和全局分布,集成数据信息;结合局部教师模型-全局模型架构,以无数据知识蒸馏的方式对局部模型知识进行迁移,融合异构网络,细化全局模型,实现不同系统间安全、高质量的信息交互,为智能化指挥信息系统建设提供技术支撑。实验结果表明:该方法在结构化数据和图像数据上具有可行性,整体准确率可达到80%以上。     

汉魏六朝墓志构件讹混举隅研究

汉魏六朝墓志文字材料真实,字形丰富,其构件讹混现象十分普遍,既有规律性,又有特殊性,有必要进行归纳考察,以便为碑刻异体字研究、汉字构形研究、古籍整理和汉字发展史等研究提供有益帮助.     

基于生成对抗网络的页岩三维数字岩芯构建

页岩油气藏孔隙结构复杂,岩芯获取困难,准确表征页岩储层孔隙结构是研究页岩储层内流体渗流规律的关键。基于真实页岩岩芯的三维聚焦离子束扫描图像,对原始生成对抗网络模型的结构重新设计,同时,为了保证重建结果可以充分反映页岩岩芯的孔隙结构信息,增大了训练样本的尺寸,以此训练生成模型,进而生成页岩三维数字岩芯,对比分析了重建数字岩芯和原始岩芯的孔隙度,并基于重建数字岩芯提取了孔隙网络模型,分析了页岩孔隙结构性质。结果显示,重建岩芯的孔隙度、孔隙空间结构、连通性以及孔隙喉道的配位关系与原始岩芯具有很高的一致性,由此验证了生成模型可以实现三维页岩数字岩芯的构建。最后,构建了多个页岩数字岩芯,计算了多个孔隙结构参数的均值及变化区间,证明了生成的数字岩芯具有稳定的孔隙空间特征,训练好的生成模型具有良好的稳定性。     

基于多尺度密集特征融合的生成式对抗除雾网络

在真实雾天场景下,针对除雾网络无法去除远处雾气、天空区域容易出现噪声的问题,提出了一种基于多尺度密集特征融合的生成式对抗除雾网络,并采用制作的合成雾天数据集进行对抗训练.首先,对除雾网络进行设计,构建了网络模型;其次,从合成晴朗天气图像中利用深度标签生成逼真的雾天数据集,以适用于真实雾天除雾领域;最后,在真实雾天数据集上测试,选取近几年具有代表性的6种基于深度学习的除雾网络进行主观视觉效果,并借助除雾领域常用的无参考图像质量评价指标进行客观分析.研究结果表明:提出的除雾网络在真实场景下的除雾效果较其他网络有显著提升,主观视觉效果明显优于对比的除雾网络,在无参评价指标上综合表现优于其他除雾网络.     

基于生成对抗网络的防空体系态势辅助分析

针对当前从体系视角对防空体系进行态势分析的模型较为缺乏, 且模型结果不易于指挥员分析理解的问题, 提出了基于生成对抗网络的防空体系态势辅助分析模型。首先, 通过图形化的方法对防空体系态势信息以及作战能力进行描述, 便于人类指挥员更好的理解。然后, 利用生成对抗网络模拟人类指挥员态势分析的过程, 从浅层态势特征推理得到防空体系能力图。最后, 利用多个指标对各类模型的结果进行对比。实验结果表明, 所提模型可以从体系视角进行分析, 得到防空体系能力图, 生成图像的准确率较其他模型至少提高34.1%。     

谈高等数学教学中例题的选取

提高例题教学的效果是提高课堂教学质量的重要途径,文章结合高等数学课堂教学实际探讨在选取例题时应遵循的原则．教师在教学中注重例题的选取不仅可以优化课堂教学效果,帮助学生掌握数学基础知识,形成数学基本技能,还有助于对数学思维、数学方法的掌握和运用,从而进一步培养学生的创新意识和创新能力．     

基于生成对抗网络的低分化宫颈癌病理图像分类

使用生成对抗网络(GAN)扩充宫颈癌病理图像的数据集以提高计算机辅助诊断的准确率.首先,使用GAN进行细胞质部分图像生成;其次,使用两次k-means聚类对生成图像进行筛选;最后,使用Inception-V3模型对数据集进行分类训练.结果表明,在测试集相同的情况下,该方法可以将总体分类准确率提升约2.5%,尤其对低分化宫颈癌病理图像有显著效果.通过GAN解决了组织病理学图像无方向性、内容复杂、前景目标规则性差等问题,证明了该方法的有效性及发展潜力.     

生成式对抗网络的应用综述

生成式对抗网络(GAN)是一种优秀的生成式模型,能够不依赖任何先验假设,学习到高维复杂的数据分布。这一强大的性能使得它成为近年来研究的热点,并在诸多应用领域取得了显著的研究成果。首先介绍了生成式对抗网络的基本原理,各种目标函数以及常用的模型结构。然后,详细分析了生成式对抗网络在条件限制下生成图片的各种演进方法。此外,介绍了生成式对抗网络在不同领域的应用,包括高分辨率图像生成、小目标检测、非图像数据生成、医学图像分割等方面的最新研究进展。最后,总结了生成式对抗网络训练过程中的优化技巧。旨在通俗地阐明GAN的基础理论以及发展历程,并从应用角度对未来工作进行了展望。