检索结果-南通市图书馆

信息网络安全 2024年第3期24卷 462-472页

作者：张强何俊江李汶珊李涛四川大学网络空间安全学院成都610065 成都信息工程大学网络空间安全学院成都610225

网络异常流量识别是目前网络安全的重要任务之一。然而传统流量分类模型是依据流量数据训练得到,由于大部分流量数据分布不均导致分类边界模糊,极大限制了模型的分类性能。为解决上述问题,文章提出一种基于深度度量学习的异常流量检测... 详细信息

网络异常流量识别是目前网络安全的重要任务之一。然而传统流量分类模型是依据流量数据训练得到,由于大部分流量数据分布不均导致分类边界模糊,极大限制了模型的分类性能。为解决上述问题,文章提出一种基于深度度量学习的异常流量检测方法。首先,与传统深度度量学习每个类别单一代理的算法不同,文章设计双代理机制,通过目标代理指引更新代理的优化方向,提升模型的训练效率,增强同类别流量数据的聚集能力和不同类别流量数据的分离能力,实现最小化类内距离和最大化类间距离,使数据的分类边界更清晰;然后,搭建基于1D-CNN和Bi-LSTM的神经网络,分别从空间和时间的角度高效提取流量特征。实验结果表明,NSL-KDD流量数据经过模型处理,其类内距离显著减小并且类间距离显著增大,类内距离相比原始类内距离减小了73.5%,类间距离相比原始类间距离增加了52.7%,且将文章搭建的神经网络比广泛使用的深度残差网络训练时间更短、效果更好。将文章所提模型应用在流量分类任务中,在NSL-KDD和CICIDS2017数据集上,相比传统的流量分类算法,其分类效果更好。

关键词：深度度量学习异常流量检测流量数据分布神经网络

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于深度度量学习的零样本图像分类

基于深度度量学习的零样本图像分类

作者：汪海天津大学

学位级别：硕士

随着深度学习在计算机视觉中取得的成功,其被广泛的应用于图像分类算法中。大多算法依赖于数量庞大的带标注训练数据,然而有的数据样本很难获得并且样本的标注也需要花费大量资源。因此为每一个待识别类收集足够多的样本并且给予样本充... 详细信息

随着深度学习在计算机视觉中取得的成功,其被广泛的应用于图像分类算法中。大多算法依赖于数量庞大的带标注训练数据,然而有的数据样本很难获得并且样本的标注也需要花费大量资源。因此为每一个待识别类收集足够多的样本并且给予样本充足的标注信息成为基于深度学习分类算法的难题。为解决这一问题,研究者们提出了零样本学习（Zero-Shot Learning）技术,这种方法借助样本的语义信息完成训练,例如标签类名的词向量或属性信息等。通过对可见类和未见类共享语义信息,零样本学习技术构建一个用以对齐语义信息与视觉信息分布的模型,达到从可见类到未见类的知识迁移。因此在分布对齐过程中,视觉特征和语义特征相似度的度量是零样本学习中的一个重要研究问题。为此,本文从深度度量学习的角度审视了零样本学习问题,设计了一种统一的学习模式。该模式首先将视觉特征和语义特征嵌入到一个共同空间（视觉空间或者公共空间）,然后通过深度度量网络重建一个更具分辨性的度量空间,并且通过关注不同模态的负样本,进行两种模态的分布对齐,并在该空间实现最终分类。具体地,针对深度度量网络及其损失函数的特点分别提出两种深度度量学习的零样本方法。首先提出一种利用双三元组网络挖掘数据分布特征的方法。首先双三元组度量学习网络使用属性引导的三元组网络训练属性特征作负样本的三元组;其次使用视觉引导的三元组网络训练视觉特征作负样本的三元组;最后提出一种高效的难分辨三元组挖掘策略来提高训练效率和性能。然后还提出一种利用跨模态N-pairs网络在两种模态上进行高效信息交互的方法。跨模态N-pairs度量学习网络主要包括两部分:属性模态的N-pairs网络训练包含若干个属性模态负样本的N-pairs;视觉模态的N-pairs网络训练包含若干个视觉模态负样本的N-pairs。在此基础上引入一种难分辨正样本挖掘的多类Npairs策略,来提升跨模态N-pairs度量学习网络的分类准确度并且节约训练开销。通过实验,最后以上两种算法在Aw A、CUB和a PY三个基准数据集上进行了大量的实验,来验证各部分对模型的影响,并对比了其他算法来证明其有效性和先进性。

关键词：零样本学习深度度量学习图像分类三元组损失多元组损失

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于改进深度度量学习算法的表面缺陷检测

计算机与现代化 2021年第6期 61-68页

作者：王伟余厚云南京航空航天大学机电学院江苏南京210016 南京航空航天大学无锡研究院江苏无锡214187

为了解决小批量、多品种工业产品的表面质量检测问题,提出一种基于改进深度度量学习的缺陷检测算法。该算法对VGG16网络模型做改进,更有利于原始图像的隐空间映射。针对产品表面缺陷检测的任务,提出条件三元组损失函数以加强神经网络的... 详细信息

为了解决小批量、多品种工业产品的表面质量检测问题,提出一种基于改进深度度量学习的缺陷检测算法。该算法对VGG16网络模型做改进,更有利于原始图像的隐空间映射。针对产品表面缺陷检测的任务,提出条件三元组损失函数以加强神经网络的拟合能力。同时,在隐空间中进行缺陷判定时,抛弃原始度量学习中基于KNN算法的归类方法,提出基于高斯分布概率的归类模型。在检测新类型产品时,在已训练好的网络模型的基础上,使用新产品的图像数据作为输入对网络进行微调。利用该算法在纽扣缺陷数据集上经K-Fold交叉验证,在只需50个无缺陷样本和50个有缺陷样本的小样本情况下,该算法在不同的查询集上的检测准确率均在90%以上,最高可达99.89%,与传统深度度量学习算法相比,检测准确率提升10%以上。实验结果表明,改进深度度量学习算法可以很好地解决小批量、多品种工业产品的表面缺陷检测问题。

关键词：表面质量视觉检测神经网络深度度量学习小样本学习条件三元组损失高斯分布

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于深度度量学习的电机故障诊断

测控技术 2020年第7期39卷 30-37页

作者：张永宏王逸飞赵晓平吴家新王丽华南京信息工程大学自动化学院江苏南京210044 南京信息工程大学计算机与软件学院江苏南京210044 南京信息工程大学江苏省网络监控中心江苏南京210044

深度学习以其强大的自适应特征提取和分类能力在机械大数据处理方面取得了丰硕的成果,由于电机结构的复杂性,其信号表现出的非平稳、非线性和复杂多样等特点,使得传统分类方法中的Softmax分类器+交叉熵损失函数对电机故障诊断力不从心... 详细信息

深度学习以其强大的自适应特征提取和分类能力在机械大数据处理方面取得了丰硕的成果,由于电机结构的复杂性,其信号表现出的非平稳、非线性和复杂多样等特点,使得传统分类方法中的Softmax分类器+交叉熵损失函数对电机故障诊断力不从心。根据电机信号非平稳、数据量大等特点,结合短时傅里叶变换(STFT)与深度学习中的卷积神经网络(CNN)算法和Triplet Loss三元组思想,提出了深度度量学习电机故障诊断方法。该方法能将电机故障信号转换成时频谱图,同时构建CNN,将预处理后的样本用于CNN的训练,采用Triplet Loss作为损失函数度量故障数据高维特征间的距离,并结合标签有监督地微调整个网络,从而实现准确的电机故障诊断。实验表明该方法在处理复杂数据时能够度量特征在高维空间中的距离,高效完成故障诊断任务,弥补了交叉熵函数的不足。

关键词：电机深度度量学习短时傅里叶变换卷积神经网络

面向大规模图像检索的深度度量方法的研究与实现

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

面向大规模图像检索的深度度量方法的研究与实现

作者：李长顺东南大学

学位级别：硕士

随着互联网上的图像数据井喷式增长,如何准确、快速地从海量的图像数据中检索出用户感兴趣的图像,成了计算机视觉领域中的一个研究热点。近年来,深度度量方法在图像检索任务中取得了很好的效果,但仍存在着特征辨别能力不够、训练阶段收... 详细信息

随着互联网上的图像数据井喷式增长,如何准确、快速地从海量的图像数据中检索出用户感兴趣的图像,成了计算机视觉领域中的一个研究热点。近年来,深度度量方法在图像检索任务中取得了很好的效果,但仍存在着特征辨别能力不够、训练阶段收敛困难、耗时较长等问题。本文基于深度度量方法的图像检索算法的框架,从特征提取模型和损失函数两个角度出发,研究图像检索算法。特征提取算法所提取到的图像特征是否具有足够的表征能力直接决定了检索的准确率。本文设计了基于残差网络的深度特征提取网络,并针对图像检索任务对网络结构进行了若干改进,包括:缩小最后一层卷积的步长、堆叠不同层的特征、融合全局均值池化及全局最大值池化、特征降维等,使网络具有更强的特征表达能力,进而提升检索的准确率。度量学习中广泛使用的基于对的损失函数,需要构建大量的样本对,导致训练时运算量大且收敛困难。本文设计了基于聚类的三元组损失函数,根据类内样本的分散程度,动态分配1～2个聚类中心,再以(锚点,正样本,负聚类中心)的形式构建三元组,在减少训练阶段的运算量的同时,提升模型的特征辨别能力。此外,本文还设计了存储聚类中心的跨批次难例挖掘策略,使模型能感知到训练集中所有类别在嵌入空间的全局分布,进一步提升了检索的准确率。本文的最后,针对图像检索的不同应用场景,设计了两种检索优化策略。针对速度优先的图像检索任务,设计了基于聚类的检索加速策略,使用聚类算法,对图像库进行聚类,减少库中特征向量数目,进而加快检索速度。针对检索准确率优先的图像检索任务,设计了基于测试时增强的检索优化策略,借助水平翻转、旋转、亮度调整等增强方式,缓解待查询图像与图像库中图像之间的差别,进而提升检索准确率。本文在CUB200-2011、In-Shop、Consumer-to-Shop、SOP四个公开的图像检索数据集上进行了实验。实验结果表明,本文的特征提取模型能够从图像中提取出具有良好的不变性、区分性和抽象性的特征,非常适用于图像检索;本文的基于聚类的三元组损失及跨批次难例挖掘能够使特征提取模型学习到更好的特征嵌入能力,取得了领先于现有方法的检索效果。此外,本文设计的基于聚类的检索加速能在损失少量检索准确率的情况下大幅加快检索速度,而基于测试时增强的检索优化可以有效地提升检索的准确率。

关键词：图像检索深度度量学习卷积神经网络三元组损失

基于深度度量网络的Few-shot图像分类方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度度量网络的Few-shot图像分类方法研究

作者：燕锦涛兰州理工大学

学位级别：硕士

图像分类是计算机视觉领域中一个基础且重要的任务,现有的深度学习方法能有效提取图像的抽象特征,所以基于深度学习的大样本图像分类方法在样本量充足的条件下分类效果十分显著。但是小样本图像分类中每个任务只包含少量被标记的样本,... 详细信息

图像分类是计算机视觉领域中一个基础且重要的任务,现有的深度学习方法能有效提取图像的抽象特征,所以基于深度学习的大样本图像分类方法在样本量充足的条件下分类效果十分显著。但是小样本图像分类中每个任务只包含少量被标记的样本,导致大样本图像分类方法无法适用于小样本图像分类。现有的小样本学习(Few-shot Learning)通过深度度量学习、数据增强和迁移学习等方法来缓解样本量不足的影响,其中深度度量学习简单且有效,在很多Few-shot图像分类任务中取得了优异的性能。但是目前基于深度度量学习的方法仍然存在度量偏差、对带有噪声图像的分类效果较差以及同类特征不聚合的问题。针对上述问题,本文研究了基于深度度量学习的Few-shot图像分类方法,并完成了以下三个工作:1.提出了一种面向Few-shot图像分类的双向度量网络(FEAT-DS)。现有的Few-shot图像分类方法只考虑了查询样本到类原型的距离,并未考虑类原型到查询样本的距离,这就使得模型产生较大的度量偏差。基于此,本文设计了一种新的面向Few-shot图像分类的双向度量网络。具体的,在Few-shot自适应嵌入转换器的基础上,通过计算查询样本和类原型之间的相互距离,构建了双向度量计算方法,从而缓解了计算中存在的度量偏差问题。仿真实验结果表明,在不增加任何计算成本的情况下,该方法可以更精确地计算查询样本和类原型之间的距离,从而更准确地识别查询样本类别。2.提出了一种面向Few-shot图像分类的抗噪声关系网络(AN-RN)。现有的Few-shot图像分类方法过多地关注对干净图像的分类精度,却忽略了对带有噪声图像的分类精度。基于此,本文在关系网络的基础上,提出了一种新的抗噪声关系网络。具体的,通过自动编码器对样本进行重构,缓解图像噪声对模型的影响,并构建了抗噪声关系网络损失函数,增强了模型的鲁棒性。仿真实验结果表明,该方法在图像无噪声和有噪声的情况下都获得了较好的性能,并且相比于关系网络,随着噪声强度的增加,该方法的优势更加明显。3.提出了一种面向Few-shot图像分类的近邻度量原型网络(NN-Proto Net)。现有的大部分Few-shot图像分类方法只考虑查询样本和支持样本之间的距离,并没有约束支持集中同类样本之间的距离,这就导致样本特征之间比较分散。基于此,本文提出了一种新的Few-shot图像分类方法近邻度量原型网络。具体的,在计算每个类别的原型之后,通过近邻成分分析进一步聚合支持集中同类样本之间的特征,使得同一类别的图像特征距离更近,不同类别的图像特征距离更远。仿真实验结果表明,在多个Few-shot数据集中,NN-Proto Net对查询图像的分类精度优于对比的Few-shot图像分类方法。

关键词： Few-shot学习深度度量学习图像分类关系网络原型网络

基于深度度量TripleNet-PSO方法的非显著目标检测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度度量TripleNet-PSO方法的非显著目标检测

作者：宋欣欣山东工商学院

学位级别：硕士

目标检测是计算机视觉领域主要研究热点之一,吸引着相关领域研究者的广泛关注,取得了大量卓有成效的研究和应用成果。然而在现实应用中,存在待检测目标与背景区域不能完全区分,目标显著性弱、边缘模糊、尺度形态颜色差异较大等诸多问题... 详细信息

目标检测是计算机视觉领域主要研究热点之一,吸引着相关领域研究者的广泛关注,取得了大量卓有成效的研究和应用成果。然而在现实应用中,存在待检测目标与背景区域不能完全区分,目标显著性弱、边缘模糊、尺度形态颜色差异较大等诸多问题。对诸如此类非显著性目标检测的研究依然是个挑战。现有目标检测算法通常对目标区域与背景区域间的差异较为敏感,并对候选区域存在依赖,当检测目标边缘模糊,与背景区域存在交叉时,很难满足检测需求。针对边缘模糊的非显著性目标定位难题,本文提出基于深度度量的随机搜索方法。首先在图像中随机生成候选区域,制定相关编码机制将每个候选区域视作一个Agent,通过构造并训练一个深度度量网络来衡量目标示例与Agent之间的相似程度。采用PSO方法思想,驱动Agent进行目标搜索。该方法不依赖候选区域的选择,在非显著目标检测中,检测召回率较现有检测方法有显著提升,且检测结果可靠有效。由于在传统PSO算法中,种群只有一个最优个体,而在实际应用中,待检测个体往往不唯一。在此基础上,进一步提出基于深度度量的自适应目标检测方法,对传统PSO算法进行改进,建立外部记忆空间,存储目标区域,采用动态聚类策略对外部记忆空间进行聚类,确定目标位置信息,完成目标检测。本文主要研究内容和贡献包括:(1)提出三元深度度量网络模型(Triple-Deep Measure Net,TDMN),模型输入为一组由正负样本与锚点组成的三元组,输出正负样本间距离值。设计两个子网络分别实现输入样本的特征提取与关系学习,并给出相应学习和训练方法。TDMN网络能够计算目标示例与输入样本间的度量值,解决在目标检测过程中,目标与候选区域间度量困难的问题。(2)提出TDMN-PSO目标检测方法,在待检测图片中随机生成候选区域,设计相应编码机制,视每个候选区域为一个Agent,引入PSO思想,在每一次迭代搜索过程中,利用TDMN计算个体、群体最优,驱动Agent向目标区域逼近。该方法采用随机搜索策略,面向待检测样本整体进行目标检测,规避了现有检测方法由于对候选区域的依赖,导致对非显著目标的漏检、误检问题。(3)提出TDMN-AMPSO自适应目标检测,优化TDMN-PSO方法使其在多目标检测中具有更好的检测效果。对传统PSO算法进行改进,提出AMPSO算法,生成外部记忆空间,用来记录优质粒子的搜索轨迹。AMPSO方法可以帮助粒子跳出局部最优状态,扩大粒子搜索视野。(4)改进Agnes聚类方法,提出AMAgnes动态聚类,不需要指定聚类簇数量,使用TDMN度量值约束聚类状态,通过评价指标确定聚类状态稳定点,完成对外部记忆空间的动态聚类,实现目标检测。将本文方法应用于遥感图像、医学影像等边缘不清晰的非显著性目标数据集中,经实验验证表明,本文方法在不依赖候选区域的前提下,检测召回率和检测精度均有不同程度的提高和改善,具有很强的现实意义。

关键词：目标检测粒子群优化深度度量学习 Agnes聚类

基于深度特征及度量学习的可见光-红外行人重识别方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度特征及度量学习的可见光-红外行人重识别方法研究

作者：蔡鑫山东师范大学

学位级别：硕士

随着智能监控视频的普及,行人重识别研究受到越来越多的关注。其中,可见光领域的行人重识别是主要的研究方向之一,但光线昏暗或深夜等环境条件会影响其研究成果在现实场景中的应用。针对这一问题,考虑到双模态相机应用越来越多,本文关... 详细信息

随着智能监控视频的普及,行人重识别研究受到越来越多的关注。其中,可见光领域的行人重识别是主要的研究方向之一,但光线昏暗或深夜等环境条件会影响其研究成果在现实场景中的应用。针对这一问题,考虑到双模态相机应用越来越多,本文关注可见光-红外行人重识别,即在红外(可见光)模态下识别可见光(红外)行人图片。由于可见光相机和红外相机反射光谱不同而造成的跨模态差异和由于相机视角不同、行人姿势变化、背景复杂、光照等因素造成的类内变化使得可见光-红外行人重识别任务更具挑战性,为此,本文基于深度特征及度量学习提出了两个方法,其主要研究内容如下:1、提出了一种基于对抗双路多阶段融合网络的可见光-红外行人重识别方法(Adversarial Dual-path Multi-stage Fusion network,ADMF)。该方法的网络框架分为两部分,双路多阶段融合网络和模态分类器。双路多阶段融合网络生成图片的多阶段融合特征表示,模态分类器判断输入的特征表示来自哪一个模态。该方法借鉴了生成对抗网络的思想,通过极小极大博弈联合优化这两部分。我们同时设计了一个新的双模态约束损失(Dualmodality Constraint Loss,DCL)引导双路网络的训练,以解决跨模态和模态内的类内变化问题。2、提出了一种基于双模态难挖掘三元组-中心损失的可见光-红外行人重识别方法(Dual-modality hard mining triplet-center loss,DTCL)。DTCL为每一个类别分别学习一个可见光模态中心和一个红外模态中心,然后为每一个样本在线挑选新的跨模态三元组和模态内三元组。DTCL通过拉近样本与其同类中心间的距离,推远样本与不同类中心间的距离来监督网络学习模态不变信息,实现行人的可靠分类。除此之外,我们应用一个双流局部特征学习网络(Dual-path part-based feature learning network,DPFLN)来学习行人的局部特征表示。我们在两个常用的数据集RegDB和SYSU-MM01上进行了大量的实验,获得了比当前的先进方法更好的性能,验证了我们提出的方法的有效性。

关键词：可见光-红外行人重识别深度特征学习深度度量学习对抗学习

基于深度度量和类别级语义哈希的遥感图像检索研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度度量和类别级语义哈希的遥感图像检索研究

作者：邵丽媛华中科技大学

学位级别：硕士

随着遥感卫星技术的不断发展,社会进入了遥感大数据时代。高维数据的存储和检索成为海量遥感数据应用的瓶颈,如何实现对大规模遥感图像的准确、快速搜索,在灾难预警、农业检测、城市规划等遥感应用领域具有重要意义。哈希方法作为一种... 详细信息

随着遥感卫星技术的不断发展,社会进入了遥感大数据时代。高维数据的存储和检索成为海量遥感数据应用的瓶颈,如何实现对大规模遥感图像的准确、快速搜索,在灾难预警、农业检测、城市规划等遥感应用领域具有重要意义。哈希方法作为一种高效的索引方式,为每幅图像生成较短的二进制序列表示,大幅度地提高了检索效率,同时减少了内存消耗。然而传统的哈希方法依赖人工设计的特征描述符作为哈希编码的输入,人工提取的低层视觉特征难以表达遥感图像复杂的视觉信息,从而制约了哈希检索性能的提升。随着深度学习的发展,深度卷积神经网络能够自动提取图像更抽象的深层次特征,学习到的特征具有更强的判别能力,因此人们提出融合深度学习和哈希学习的方法——深度哈希方法,在检索任务中取得了良好的表现。但是,由于遥感图像自身存在背景复杂性、目标多样性等特点,使得语义相似性保持的遥感图像深度哈希检索研究仍是遥感检索领域一项具有很大挑战的任务。本文的主要研究工作包括:针对哈希映射过程中会不可避免地丢失部分特征信息的问题,本文提出一种简单有效的深度度量和类别级语义哈希网络模型DMCH,该模型主要分为深度特征提取和哈希学习两个部分。首先使用在Image Net数据集上预训练的Inception Net网络作为特征提取器,提取遥感图像更抽象的深层次特征作为图像中间表示,大大减少了训练时间,也弥补了遥感图像数据集带标签样本数量少的缺陷。在哈希学习阶段,本文挑选有效的三元组特征集合学习语义相似性保持的汉明度量空间,并添加类别级分类损失、理想哈希码约束来增强相似哈希码之间的潜在关联性,生成简洁有效、判别能力更强的哈希码,从而提升检索性能。针对使用汉明距离度量哈希码相似性粒度较大问题,本文引入两种重排算法对模型DMCH的检索结果进行细粒度重新排序,分别是基于近邻重要比特的加权汉明距离重排算法和由粗到细的哈希重排算法。基于近邻重要比特的加权汉明距离重排算法根据检索返回图像中每一位哈希码的差异性分布来区分不同比特位的相对重要性,增加主要比特位的权重,减小次要比特位的权重;由粗到细的哈希重排算法则是通过比较松弛前更细节的实值特征向量对相似度重新排序,更适用于区分具有相同哈希码图像之间的相似性。最后,本文在三个公开的标准光学遥感数据集上验证了模型的有效性,并设置一系列对比实验,实验结果验证本文提出的深度度量和类别级语义哈希网络模型对遥感图像哈希检索性能有较好的提升作用。与目前较先进的哈希方法相比,本文提出的模型在三个数据集上的检索准确率分别提升了1.13%、2.89%和3.36%。此外,两种重排算法通过对本文提出模型的检索结果进行细粒度优化,分别进一步提高了0.57%、0.2%、1.28%,0.98%、0.6%、2.35%,其中由粗到细的哈希重排算法对本文提出模型的检索性能提升效果更明显。综上所述,本文提出的深度度量和类别级语义哈希网络模型以及哈希重排算法对于语义相似性保持的遥感图像深度哈希检索研究具有一定的理论及应用价值。

关键词：遥感图像检索哈希学习卷积神经网络深度度量学习语义相似性保持