摘要：为了更有效地对多标记图像进行分类,提出一个改进的卷积神经网络模型,通过融合多层次特征并利用空间金字塔池化来学习多标记图像中的多尺度特征,同时设计对抗网络生成新的样本辅助模型训练.首先,对传统卷积神经网络模型进行改进,利用空间金字塔池化层替换网络的最后一层,并将在ImageNet上预先训练好的参数传递给该模型;然后,通过将深层特征和浅层特征进行融合,使得模型对不同尺度的物体具有更好的识别能力;最后,设计了一个对抗网络生成带遮挡的样本,使模型对遮挡物体的识别也具有良好的鲁棒性.实验测试在2个基准数据集上进行,文中模型在Corel5K数据集上的平均查准率和平均查全率分别为0.457和0.427,mAP值达到0.442,而在PASCAL VOC 2012数据集上的mAP值则达到0.85.实验结果表明,与当前国际先进的模型相比,该模型具有更好的有效性和更强的鲁棒性.

摘要：识别多尺度目标和遮挡目标是目标检测中的重点和难点。为了检测不同大小的目标,目标检测器通常利用卷积神经网络(CNN)的多尺度特征图层次结构,然而这种自顶向下的结构由于底层特征图的卷积层较小,缺乏获取小目标特征所需的细节信息,这些目标检测器的性能受到了限制。为此,结合Faster R-CNN框架提出Collaborative R-CNN,设计了一种级联网络结构,可以融合多尺度特征图,以生成深度融合的特征信息来增强小目标所需的细节特征,从而提高检测小目标的能力。此外,由于使用RoIPooling过程中的量化会对小目标检测造成极大的限制,为进一步提高方法的鲁棒性,设计了多尺度RoIAlign来消除这种量化,并通过多尺度的池化来提高网络检测不同尺度目标的能力。最后,将对抗网络与所提出的级联网络相结合,生成包含遮挡目标的训练样本,可显著提高模型的分类能力和识别遮挡目标的鲁棒性。在PASCAL VOC 2012和PASCAL VOC 2007数据集上的实验结果表明,提出的方法优于许多先进的方法。

摘要：机器学习的不断发展对现代密码体制造成的威胁不断增大,如何将神经网络应用到密码学上的研究日益深入,而生成对抗网络的对抗学习机制与密码学中的对抗性质相符,因此,研究了对抗网络与密钥协商相结合的问题。作为初步的概念验证,直接采用神经网络代替通信双方和敌手,利用对抗学习机制为核心思想设计对抗网络下的密钥协商模型(key agreement based on adversarial network,KG-AN),并进行了密钥长度为16 bit和64 bit的训练。实验结果显示,通信双方的协商密钥误差分别在1.5%和2%左右,敌手的破译误差分别保持在95%和91%左右,初步实现了对抗网络下的密钥协商功能,验证了对抗网络应用到密钥协商的可行性。

摘要：传统方法在进行对抗网络图像聚焦形貌修复时,图像光影边缘修补效果不佳,图像去噪效果差,提出一种稀疏表示的对抗网络图像聚焦形貌修复方法。通过摄像机采集到基本的目标图像,利用计算机图像扫描程序对目标图像分别进行整体的与局部的图像扫描,采集需要修复的图像内部信息。使用图像融合法融合图像数据,提取特征点。通过预估字典矩阵确定字典类型,运用贪婪算法中的追踪匹配法,实现图像数据匹配与缺陷填补。使用平滑处理的方式改善线条与光影边缘部分,得到清晰的图像。实验结果表明,设计的图像聚焦形貌修复方法能够提高目标图像完整融合,提高图像修复清晰度,有效解决噪声问题。

摘要：为了减轻域偏差,提升算法的应用泛化能力,提出了一种基于跨域双分支对抗网络车辆重识别策略。首先充分挖掘源域的标记数据以适应目标域来缩小跨域偏差,并提出了一个名为双分支对抗网络的图像到图像的转换网络,从而有效保留来自源域的图像的属性。另外提出了一种结构注意力机制的特征学习模型,从而在抑制背景的同时提取显著特征。最后通过两个车辆重识别数据集试验结果证明提出的方法能够实现较高精度的车辆重识别效果,并且具有较好的泛化能力。

摘要：为解决边缘数据离群性问题,提出了一种基于类加权对抗网络的跨域旋转机械故障诊断方法。通过在源类别上附加类级权重,可以直观地表示源域和目标域之间的关系,有利于共享类别的条件对齐。进一步提出用于局部域自适应的类加权对抗网络,同时忽略源异常值,有效激励了正知识的转移,提升域自适应的效果。在CWRU数据集和一个列车转向架数据集上对该方法进行了实验,结果表明提出的方法可以有效地解决边缘数据离群性问题,提升知识迁移的效果从而提高故障诊断精度。

摘要：针对步态识别易受环境干扰等问题,本文以步态特征提取方法为研究重点,基于对抗学习网络框架提出了改进型姿态估计算法提取步态特征。该方法利用改进型残差网络获取由低层次到高层次的步态特征,随着网络层数的加深,对残差网络做出相应的调整,突出对局部细节特征信息的聚焦;同时设计了时序编码器,不仅提高了步态特征对于环境变化的泛化性,还减少了环境对特征提取的影响。最终在三种不同的实验模式下,基于CASIA数据集进行了大量的实验,识别精度均在83%以上,最终证明本文所提出的特征提取方法在复杂环境展现出良好的灵活性。

摘要：符号音乐的生成在人工智能领域中仍然是一个尚未解决的问题,面临着诸多挑战。经研究发现,现有的多音轨音乐生成方法在旋律、节奏及和谐度上均达不到市场所要求的效果,并且生成的音乐大多不符合基础的乐理知识。为了解决以上问题,提出一种新颖的基于Transformer的多音轨音乐生成对抗网络(Transformer-GAN),以乐理规则为指导来产生具有高音乐性的音乐作品。首先,采用Transformer的译码部分与在Transformer基础之上改编的Cross-TrackTransformer(CT-Transformer)分别对单音轨内部及多音轨之间的信息进行学习;然后,使用乐理规则和交叉熵损失相结合的方法引导生成网络的训练,并在训练鉴别网络的同时优化精心设计的目标损失函数;最后,生成具有旋律性、节奏性及和谐性的多音轨音乐作品。实验结果表明,与其他多乐器音乐生成模型相比,在钢琴轨、吉他轨及贝斯轨上,Transformer-GAN的预测精确度(PA)最低分别提升了12%、11%及22%,序列相似度(SS)最低分别提升了13%、6%及10%,休止符指标最低分别提升了8%、4%及17%。由此可见,Transformer-GAN在加入了CTTransformer及音乐规则奖励模块之后能有效提升音乐的PA、SS等指标,使生成的音乐质量整体上有较大的提升。

摘要：以往的虚拟修复方法在不伤害壁画本体的前提下取得了令人瞩目的结果,但存在已知破损区域位置的假设,而现实中破损区域是未知的且难以准确获取。对于含有复杂结构的破损区域,现有图像修复方法会产生严重的伪影失真。为解决这个问题,提出了一种基于注意力协同调制对抗网络的古代壁画图像盲修复模型。该模型包括破损检测和孔洞修复2个阶段,在破损检测阶段,设计了多路径注意力模块,联合区域候选网络和预测分支模块,估计破损区域的位置掩模;在孔洞修复阶段,采用了融入门控卷积的协同调制生成对抗网络修复破损区域。在古代壁画数据集上进行实验,并与最新的4种方法进行了比较,AP值比性能第二的破损检测模型提高了15%,FID值比性能第二的孔洞修复模型降低了4.6%。实验结果证明:所提方法改善了壁画图像修复结果,在定性和定量评估上超过现有流行方法,能够准确检测古代壁画破损区域的位置掩模,生成高逼真的壁画图像修复结果。

摘要：针对当前网络安全领域知识获取中所依赖的流水线模式存在实体识别错误的传播,未考虑实体识别与关系抽取任务间的联系,以及模型训练缺乏标签语料的问题,提出一种融合对抗主动学习的端到端网络安全知识三元组抽取方法。首先,将实体识别与关系抽取通过联合标注策略建模为序列标注任务;然后,设计融合动态注意力机制的Bi LSTM-LSTM模型实现实体与关系的联合抽取,并形成三元组;最后,基于对抗网络训练一个判别器模型,增量地筛选出高质量的待标注数据进行标注,并通过迭代训练不断提升联合抽取模型的性能。通过实验表明,所提方案中实体-关系联合抽取模型优于现有的网络安全知识抽取方案,并验证了对抗主动学习方法的有效性。