摘要：针对铁路钢轨病害检测问题,提出一种少样本学习的钢轨表面缺陷检测方法。首先,设计样本随机组合策略,根据少量钢轨图像快速构建钢轨表面缺陷数据集;然后,改进深度卷积神经网络的分类损失函数,降低样本数量不平衡对模型分类性能的影响;最后,提出基于多层级特征融合的钢轨表面缺陷检测网络,并利用上述数据集和改进的分类损失函数进行训练,实现少样本条件下端到端的钢轨表面缺陷检测。试验结果表明:该方法在2种类型的钢轨表面缺陷数据集上均取得最优性能,并在实际线路检测任务中,检测率达到100%,具有较高的实用价值。

摘要：少样本学习旨在提高模型泛化能力,使用少量样本完成对新类别的分类,显著降低深度学习中样本的搜集标注成本和模型的训练成本.目前大多数基于度量学习的少样本学习方法关注模型对某一度量空间的适应,而很少关注提高样本特征的特异性表达.当样本数量较少时,充分挖掘样本中的信息变得更加重要.基于不同特征图对同一类别的表征能力不同,提出一种通道自注意力的方法,将更具类别表现力的特征通道赋予更大的权重,完成特征图平衡,以提高样本特征表示的可鉴别性.为充分挖掘容易获取样本的更多信息,提出“空间原型”的概念.同时,受自编码器思想的启发,设计一种利用全体样本信息校正类别原型的方法来提高类别原型的准确性.作为一种无参数的增强型特征提取器,所提通道自注意力方法能有效避免少样本学习中广泛存在的模型迁移能力弱问题并且兼容于多种现有少样本学习方法,进一步提高其性能,展现出较好的泛化能力.将两种方法用于原型网络,所提方法在两个少样本分类主流数据集miniImageNet和CUB的3种分类场景下相对原方法均带来较大性能提升.特别地,当训练集和测试集领域跨度较大时,所提方法相对原方法可获得10.23%的绝对性能提升和17.04%的相对性能提升,这充分展现出所提方法的有效性.

摘要：近年来,深度学习在图像隐写分析任务中表现出了优越的性能.目前,大多数基于深度学习的图像隐写分析模型为专用型隐写分析模型,只适用于特定的某种隐写术.使用专用隐写分析模型对其他隐写算法的隐写图像进行检测,则需要该隐写算法的大量载密图像作为数据集对模型进行重新训练.但在实际的通用隐写分析任务中,隐写算法的大量载密图像数据集是难以得到的.如何在极少隐写图像样本的情况下训练通用隐写分析模型是一个极大的挑战.对此,受少样本学习领域研究成果的启发,提出了基于转导传播网络的通用隐写分析方法.首先,在已有的少样本学习分类框架上改进了特征提取部分,设计了多尺度特征融合网络,使少样本分类模型能够提取到更多的隐写分析特征,使其可用于基于秘密噪声残差等弱信息的分类任务;其次,针对少样本隐写分析模型难收敛的问题,提出了预训练初始化的方式得到具有先验知识的初始模型;然后,分别训练了频域和空域的少样本通用隐写分析模型,通过自测和交叉测试,结果表明,检测平均准确率在80%以上;接着,在此基础上,采用数据集增强的方式重新训练了频域、空域少样本通用隐写分析模型,使少样本通用隐写分析模型检测准确率与之前相比提高到87%以上;最后,将得到的少样本通用隐写分析模型分别与现有的频域和空域隐写分析模型的检测性能进行比较,结果显示,空域上少样本通用隐写分析模型在常用的少样本环境下的检测准确率稍低于SRNet和ZhuNet,频域上少样本通用隐写分析模型在常见的少样本环境下的检测准确率已超越现有的频域隐写分析模型.实验结果表明,基于少样本学习的通用隐写分析方法对未知隐写算法的检测具有高效性和鲁棒性.

摘要：手写字体具有一定的亲和度,尤其在书籍装帧设计中更具人性化和表达力,但手工设计字体流程烦琐且专业程度要求高。通过基于人工智能的手写字体生成算法帮助设计是解决这一问题的有效途径。本研究采用少样本字体生成网络,其中在特征提取方面采用了多子编码器提取了多个特征,可更好地捕捉不同的局部概念;在样本训练方面采用端到端的训练方法,可以显著减少训练时间,提高字体生成效率。采用定性与定量分析相结合的方式,对多种字体生成方法进行了深入比较。相较于其他方法,本研究所提出方法的FID与LPIPS值更低,这充分证明了本研究方法在生成效果上的优越性,生成的字体更加清晰且高度逼真。该方法为书籍装帧设计提供了更快、更有效的解决方案,简化了字体设计的烦琐过程,提升了设计效率。未来的研究可进一步优化生成字体的质量和多样性,以满足不同书籍装帧设计的需求。

摘要：针对深度学习中遇到数据样本不足,数据获取难度大的问题,提出一种基于信息对齐的半监督少样本学习方法。将支持集和查询集输入到特征提取网络得到特征向量,通过类原型计算查询集与支持集的每个局部区域对的距离用于信息对齐;采用注意力机制得到重新加权后的联合关系矩阵,利用关系模块将联合关系矩阵映射成类别的相似度分数;采用伪标签的半监督训练方法,辅助模型训练。理论和实验分析结果表明,与主流少样本学习方法相比,该方法具有更强的区分差异性的能力和更好的泛化能力。

摘要：针对电厂高空作业人员安全带佩戴检测问题,现有研究大多利用深度检测模型直接检测,不仅需要大量样本训练模型,而且由于高空作业背景杂乱、人员目标小,导致不易检测等。为此,提出一种基于目标检测和少样本细粒度分类的两阶段检测方法:首先利用YOLOv5检测视频图像中的高空作业人员,再用少样本细粒度分类方法识别其是否佩戴安全带。针对佩戴和不佩戴安全带人员的细微差别,设计了一种基于局部描述符的少样本度量学习模型,在公用数据集预训练模型基础上,利用少量训练样本对模型微调,用于安全带佩戴识别。实验结果表明,在支持集图像数为60时,识别精度达到了97.86%。所提方法可实现少样本情况下对高空作业人员安全带佩戴情况的精确检测。

摘要：针对多域少样本文本摘要任务中迁移学习面临的诸多挑战,尤其是源域数据的多样性以及目标域数据的数据稀缺性问题,提出了一种创新的学习方法,名为元适配器整合学习方法(meta-adapter integration learning,MAIL)。MAIL使用基于Transformer的预训练模型作为基础模型,融合适配器模块限制模型参数及层数,并采用元学习方法微调适配器。此外,为了增强在不同领域间的迁移和泛化能力,设计了一种元适配器整合算法,旨在最大化利用多域信息,增强模型跨领域泛化能力。实验结果显示,MAIL在标准文本生成评价指标上超越现有主流模型,并能有效应对跨领域迁移中常见的灾难性遗忘、任务干扰和训练不稳定等问题。

摘要：事件检测旨在识别非结构化文本中的事件触发词,并将其分类为预定义的事件类别,可用于知识图谱构建及舆情监控等.然而,其中的数据稀疏和不平衡问题严重影响了事件检测系统的性能和可用性.现有大多数方法没有很好地解决这一问题,这源于其将不同类别的事件独立看待,并通过分类器或空间距离对触发词进行识别和分类.尽管有研究考虑事件大类下子类的事件元素存在关联性,采用多任务学习进行互增强,但忽略了不同类别事件触发词之间的共享属性.已有相关建模事件类别关系的工作需要大量的规则设计和数据标注,导致作用域局限,泛化性不强.因此,提出一种基于元属性的事件检测方法.其旨在学习不同类别样本中包含的共享内在信息,包括:(1)构造触发词的特殊符号表示并通过表示向量的映射来提取触发词的类别无关语义;(2)拼接触发词表示,类别的样本语义表示和类别的标签语义表示,输入一个可训练的相似度度量层,从而建模关于触发词和事件类别的公用相似度度量.通过学习以上两种信息以缓解数据稀疏和不平衡的影响.此外,将样本的类别无关语义集成到分类方法中,并构建完整的融合模型.在ACE2005和MAVEN数据集上通过不同程度稀疏和不平衡情景下的实验证明所提出方法的有效性,并建立传统和少样本设置之间的联系.

摘要：对于多类别的细粒度情感分类任务,目前主流的少样本学习方法不能取得较好的性能。针对这一问题,提出一种基于联合学习的少样本多类别情感分类方法。采用基于替换词检测任务的少样本学习方式,将回归和分类的替换词检测模板以及标签描述词同时添加至输入语句,从而将细粒度情感分类任务同时建模为分类问题和回归问题。在此基础上,设计了不同的融合方法进行联合学习。实验结果表明,与主流少样本学习方法相比,该方法在F1-Score和正确率上都取得更优的结果。

摘要：目前机器学习技术已被广泛应用于工业智能故障诊断中,但其成功应用的前提条件是能够获取到充足的含标签故障数据以对机器学习模型进行训练.实际工业场景中,设备常运行于正常状态,故障数据的获取与标注成本巨大,无法达到模型训练的需求.现有少样本诊断方法通常依赖于额外的有标签数据,无法克服工业场景下的数据采集与标注局限.对此,挖掘关键时序依赖特征以及专家先验知识与故障诊断任务之间的内在关联,提出一种知识自监督深度表征学习方法以实现少样本故障诊断.该方法设计了一个掩码信号重构与先验特征预测多任务联合的模型预训练策略,利用与目标设备类似设备积累的海量历史无标签数据对工业智能故障诊断模型中的特征提取器模型进行预训练,使得模型在无需额外标注数据的前提下,提取具有专家先验知识引导的时序变化模式,从而获取高泛化故障表征能力.通过上述基于知识自监督表征的预训练方法,在诊断过程中仅需利用目标设备的少量有标签故障样本对模型的全局参数进行微调,从而克服模型对有标签样本的依赖性难题.最后,通过一个跨数据集的故障诊断实验来模拟跨设备的少样本故障诊断场景,验证所提出方法在少样本场景下的有效性.