基于改进DCGAN轮胎缺陷图像生成方法

针对深度卷积生成对抗网络的数据扩充方法存在生成图像质量差、模型框架不稳定、模型收敛速度慢等问题，提出一种改进DCGAN轮胎缺陷图像生成模型。将残差网络和注意力机制嵌入到DCGAN模型中，提升模型特征的提取能力；同时摒弃DCGAN损失函数JS散度，使用带有梯度惩罚项的Wasserstein距离，提高模型训练的稳定性。实验结果表明，使用给定模型生成的轮胎缺陷图像质量优于使用DCGAN，WGAN，CGAN与SAGAN所生成图像，其平均FID值可以达到116.28，最小FID值可以达到84.94。所提出的模型可以稳定生成质量更好的轮胎缺陷图像，为轮胎缺陷样本数据集的扩充提供了一种有效途径，有助于有效解决深度学习在缺陷检测领域发展所面临的小样本问题。     

稳定增强生成对抗网络在壁画的超分辨率重建

针对古代壁画分辨率低、纹理细节模糊不清导致壁画观赏性不足和研究价值不高的问题，提出了一种稳定增强生成对抗网络的超分辨率重建算法（stable enhanced super-resolution generative adversarial networks, SESRGAN）。以生成对抗网络为基础框架，生成网络采用密集残差块提取壁画特征，使用VGG（visual geometry group）网络作为判别网络的基本框架判断输入壁画的真假，引入感知损失、内容损失和惩罚损失三个损失共同优化模型。实验结果表明，与其他相关的超分辨率算法进行比较，峰值信噪比平均提高了0.4~2.62 dB，结构相似性提高了0.013~0.027，主观感知评估也有提高。     

基于随机梯度上升和球面投影的通用对抗攻击方法

在面向样本集的通用对抗攻击中，导致多数样本输出错误的通用扰动设计是研究关键.本文以典型卷积神经网络为研究对象，对现有通用扰动生成算法进行总结，提出采用批量随机梯度上升训练策略和球面投影搜索策略相结合的通用扰动生成算法.算法的每次迭代计算，首先从样本集中抽取小批量样本，采用随机梯度上升策略计算出使损失函数值下降的通用对抗扰动，然后将通用扰动投影到半径为ε的高维球面上，从而缩小通用扰动的搜索空间.算法还引入了正则化技术以改善通用扰动的生成质量.实验结果证明该算法与基线算法对比，攻击成功率显著提升，通用扰动的求解效率提高约30倍.     

深度学习研究及军事应用综述

深度学习作为当前人工智能领域的研究热点之一,已经受到广泛关注.借助于强大的特征表示和学习能力,深度学习日益成为军事领域智能化发展的技术基础.首先结合深度学习的最新发展,指出深度学习的快速发展得益于理论的突破、计算机运算能力的显著提高和开源软件的广泛流行,着重梳理了目前主要的深度学习硬件平台和编程框架,并总结了各自的特点...