检索结果-南通市图书馆

中国图象图形学报 2024年第12期29卷 3670-3683页

作者：万鹏胡聪吴小俊江南大学人工智能与计算机学院无锡214122

目的对抗样本对深度神经网络(deep neural network,DNN)的安全性构成了重大威胁,此现象引起了广泛的关注。当前许多黑盒对抗攻击方法普遍存在一个问题:它们仅在空间域或频率域单一域中进行对抗攻击,生成的对抗样本无法充分利用目标模... 详细信息

目的对抗样本对深度神经网络(deep neural network,DNN)的安全性构成了重大威胁,此现象引起了广泛的关注。当前许多黑盒对抗攻击方法普遍存在一个问题:它们仅在空间域或频率域单一域中进行对抗攻击,生成的对抗样本无法充分利用目标模型在其他域中的潜在脆弱性,导致对抗样本的迁移性不佳。为此,提出一种多域特征混合增强对抗样本迁移性方法(multiple domain feature mixup,MDFM),以提高对抗样本在黑盒场景下的攻击成功率。方法使用离散余弦变换将图像从空间域变换到频率域,存储原始图像的清洁频率域特征。然后利用逆离散余弦变换将图像转换回空间域。之后利用替代模型提取图像的清洁空间域特征。在生成对抗样本的过程中,通过在频率域和空间域中进行特征混合,最终生成迁移性更好的对抗样本。结果在CIFAR-10和ImageNet数据集上进行了广泛实验,并对比了多种不同的攻击方法。在CIFAR-10数据集上,对不同模型的平均攻击成功率达到了89.8%。在ImageNet数据集上,分别使用ResNet-50和Inception-v3作为替代模型时,在不同的DNN模型上的平均攻击成功率达到75.9%和40.6%;当分别使用ResNet-50和adv-ResNet-50作为替代模型并在基于Transformer的模型上进行测试时,平均攻击成功率为32.3%和59.4%,超越了目前先进的黑盒对抗攻击方法。结论多域特征混合增强对抗样本迁移性方法通过在空间域和频率域上进行特征混合,促使对抗样本利用多域中广泛的特征来克服清洁特征带来的干扰,从而提高对抗样本的迁移性。本文的代码可以在https://***/linghuchong111da/MDFM获取。

关键词：对抗样本频率域特征混合黑盒对抗攻击深度神经网络(DNN)

来源：

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

结合对抗训练和特征混合的孪生网络防御模型

引用

计算机应用研究 2024年第3期41卷 905-910页

作者：张新君程雨晴辽宁工程技术大学电子与信息工程学院辽宁葫芦岛125105

神经网络模型容易受到对抗样本攻击。针对当前防御方法侧重改进模型结构或模型仅使用对抗训练方法导致防御类型单一且损害模型分类能力、效率低下的问题,提出结合对抗训练和特征混合训练孪生神经网络模型(SS-ResNet18)的方法。该方法通... 详细信息

神经网络模型容易受到对抗样本攻击。针对当前防御方法侧重改进模型结构或模型仅使用对抗训练方法导致防御类型单一且损害模型分类能力、效率低下的问题,提出结合对抗训练和特征混合训练孪生神经网络模型(SS-ResNet18)的方法。该方法通过线性插值混合训练集样本数据,使用残差注意力模块搭建孪生网络模型,将PGD对抗样本和正常样本输入不同分支网络进行训练。在特征空间互换相邻样本部分输入特征以增强网络抗干扰能力,结合对抗损失和分类损失作为网络整体损失函数并对其进行标签平滑。在CIFAR-10和SVHN数据集上进行实验,该方法在白盒攻击下表现出优异的防御性能,黑盒攻击下模型对PGD、JSMA等对抗样本的防御成功率均在80%以上;同时,SS-ResNet18模型时间花销仅为子空间对抗训练方法的二分之一。实验结果表明,SS-ResNet18模型能防御多种对抗样本攻击,与现有防御方法相比,其鲁棒性强且训练耗时较短。

关键词：孪生神经网络图像分类对抗样本对抗训练注意力机制特征混合

来源：

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

基于特征融合和增强的单阶段目标检测算法

基于特征融合和增强的单阶段目标检测算法

引用

作者：宋雅麟天津大学

学位级别：硕士

目标检测是计算机视觉中的一个主要研究方向,并且有很多实际的应用,比如无人驾驶、智能医疗等。传统的目标检测算法主要基于手工提取的特征以及可训练的浅层结构。近些年来,随着深度学习技术的快速发展,越来越多的研究人员趋向于用深度... 详细信息

目标检测是计算机视觉中的一个主要研究方向,并且有很多实际的应用,比如无人驾驶、智能医疗等。传统的目标检测算法主要基于手工提取的特征以及可训练的浅层结构。近些年来,随着深度学习技术的快速发展,越来越多的研究人员趋向于用深度学习的方法解决计算机视觉任务。由于深度学习能够提取出更深层次、更高语义级别、更加鲁棒的特征,基于深度学习的目标检测算法在该领域取得了突破性进展。但许多复杂的应用场景既对目标检测系统的精确性有较高要求,又要求系统有实时性的检测速度,因此如何进一步提升目标检测算法的精度和速度仍是研究人员重点关注的问题。针对目标检测与图像分类任务的差别,以及大多数目标检测器过于依赖分类基础网络的问题,本文提出了一种针对目标检测任务的基础网络,称为检测网络DNet。在网络的初始部分使用小尺寸卷积核提取图像细节特征。为了增强神经网络模型对不同尺度目标的检测能力,提出了特征混合模块来融合来自不同深度卷积层的特征。为了平衡神经网络在目标的定位和分类这两个子任务上的能力,引入了混合下采样模块,使网络中下采样后的特征更具有鲁棒性。在PASCAL VOC数据集上的实验结果证明了DNet相比其它基础网络实现了检测精度和效率的良好平衡。为了解决目标检测器SSD对小目标检测精度较差的问题,使用Pixel Shuffle上采样的方式对深层特征图进行上采样操作,并与浅层特征相结合,在增强了浅层特征的同时几乎不增加网络的参数。在网络训练时利用标签信息引入位置增强模块,由于该模块只在训练时存在,该方法实现了在提升精度的同时完全不影响测试速度。在PASCAL VOC数据集上的实验表明,本文提出的上述改进方法能够在提升检测精度的同时不降低检测速度。

关键词：图像处理目标检测深度学习基础网络特征混合特征增强

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于特征增强的长尾分布图像分类算法研究

基于特征增强的长尾分布图像分类算法研究

引用

作者：王世玉广州大学

学位级别：硕士

随着深度学习的迅速发展,平衡数据集上的图像分类也取得了显著的进展。然而,现实世界中采集的图像数据往往呈现长尾分布,即不同类别之间的样本数量极不平衡,其中多数类别(尾部类)的样本较少,而少数类别(头部类)的样本较多。传统的图像... 详细信息

随着深度学习的迅速发展,平衡数据集上的图像分类也取得了显著的进展。然而,现实世界中采集的图像数据往往呈现长尾分布,即不同类别之间的样本数量极不平衡,其中多数类别(尾部类)的样本较少,而少数类别(头部类)的样本较多。传统的图像分类方法通常在平衡数据集上进行有效训练,因此当这些方法应用于长尾分布的数据集时,无法发挥良好的性能,其训练结果也呈现长尾分布,即头部类别的识别准确率较高,尾部类别的识别准确率较低。目前有许多针对长尾分布数据集的图像分类方法,但是往往在提升尾部类精度的同时会降低头部类的精度。针对于此问题,本文从特征混合和特征变换两个层面,提出了两种基于特征增强的长尾分布图像分类方法,在不降低头部类精度的同时提高尾部类精度。具体工作如下:(1)提出了基于特征混合的长尾图像分类方法(FMixup)。Mixup是一种解决图像分类问题的正则化策略,主要原理是将样本和标签进行随机混合,从而增广出临近分布的样本和标签参与模型训练。然而,基于Mixup策略的方法,仅对输入样本的原始表征进行混合,在应用于长尾分布的数据集时容易扭曲嵌入空间,影响训练模型对长尾数据的识别准确率。针对此问题,本文提供了一种基于特征混合的长尾图像分类方法。首先,对训练样本在嵌入空间特征层进行混合,有效的减小嵌入空间的扭曲。其次,为了进一步提高模型对尾部类的识别性能,设计了合理的标签混合比例,使尾部类可以更多的参与训练。最后,在CIFAT-10/100-LT,Image Net-LT等数据集上进行了实验,结果表明本方法在不降低头部类精度的情况下提高尾部类精度,从而提高模型整体性能。(2)提出了基于自适应隐式语义增强的长尾图像分类方法(AISA)。隐式语义数据增强方法(ISDA)在图像分类任务中可以提高模型的泛化性,该方法的主要思想是通过从训练过程中计算的协方差矩阵来生成增强样本参与模型训练。然而,由于长尾分布的极度不平衡,导致尾部类的协方差矩阵匮乏,不能获得充足的增强样本。针对此问题,本文提供了一种基于自适应隐式语义增强的长尾图像分类方法。首先,根据标签频率得到一个自适应的增强系数,对尾部类的协方差矩阵进行自适应增强,从而减小尾部类不能获得充足增强样本的问题。其次,设计了基于自适应的重加权方法,可以有效的矫正有偏的分类器,使模型的识别性能进一步提高。为了验证方法的有效性,在CIFAR-10/100-LT,Image Net-LT等数据集上进行了充分的实验。实验结果表明,该方法可以使尾部类获得更丰富的增强样本,从而提高模型对尾部类的识别性能。总体上优于最先进的同类算法。

关键词：图像分类长尾分布特征混合隐式语义增强重加权

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

高光谱遥感数据特征挖掘技术研究进展

引用

航天返回与遥感 2013年第1期34卷 1-12页

作者：何明一畅文娟梅少辉西北工业大学电子信息学院及对地观测研究中心陕西省信息获取与处理重点实验室西安710129

从目标空间尺度和传感器空间分辨率的相对大小,把高光谱遥感图像目标检测、识别与分类中的特征挖掘问题划分为多像元、单像元和亚像元3个层次,因而更具自然特性也更适合特征挖掘和目标分类与识别技术的分析。把高光谱遥感图像特征挖掘... 详细信息

从目标空间尺度和传感器空间分辨率的相对大小,把高光谱遥感图像目标检测、识别与分类中的特征挖掘问题划分为多像元、单像元和亚像元3个层次,因而更具自然特性也更适合特征挖掘和目标分类与识别技术的分析。把高光谱遥感图像特征挖掘方法归纳为以保留波段物理意义为主要目的的特征选择、以综合利用所有观测数据信息为主要特色的特征提取,和考虑亚像元多目标混合信息的特征混合3大类。重点且简明地从高光谱遥感数据光谱曲线与光谱特征、特征提取、特征选择以及特征混合分析几个方面综述高光谱遥感数据/图像的特征挖掘技术的研究进展并通过热点问题展望其未来的发展趋势。

关键词：高光谱图像处理特征挖掘特征选择特征提取特征混合遥感技术

来源：

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

腺样体肥大的面部辅助诊断方法研究

腺样体肥大的面部辅助诊断方法研究

引用

作者：武佳丽中北大学

学位级别：硕士

腺样体若因某种原因持续肿大,影响鼻腔呼吸及身体健康,则称为腺样体肥大。腺样体肥大是一种儿童常见病。目前腺样体肥大的诊断方法是以鼻内窥镜为主,鼻内窥镜诊断的侵入性会让患者有疼痛不适感;存在不便性,且普及率低,尤其不适用于医疗... 详细信息

腺样体若因某种原因持续肿大,影响鼻腔呼吸及身体健康,则称为腺样体肥大。腺样体肥大是一种儿童常见病。目前腺样体肥大的诊断方法是以鼻内窥镜为主,鼻内窥镜诊断的侵入性会让患者有疼痛不适感;存在不便性,且普及率低,尤其不适用于医疗资源匮乏偏远地区。本文提出了一种针对腺样体肥大的面部辅助诊断研究方法,该方法可以做到无侵入性,无痛性,适应于偏远地区和医疗资源匮乏的地方,能够扩大腺样体肥大的筛选范围,诊断过程更加便捷。本文的主要创新点和特点是:(1)研究领域的创新:提出一种腺样体肥大面部辅助诊断辅助诊断方法。(2)按照医学专家的标准来提取局部混合特征:在提取局部特征的过程中,对嘴唇区域进行了基于坐标点的图像分割。(3)特征提取方法创新:分别对全局几何特征和全局纹理特征,用XGBoost算法进行特征选择,得到一个重要性高的特征集,进行特征混合。该方法去除了冗余的特征信息,相较于不进行特征选择的全局特征提取方法,耗时短,并且训练生成的分类器性能较好。本文的数据来源于北京市儿童医院睡眠呼吸中心,通过对比特征提取方法训练生成的分类器可以看出:全局纹理特征和全局纹理特征混合训练生成的分类器,精确度91%,召回率91%,F1值91%,因此,全局几何特征和全局纹理特征混合的提取方法优于只提取全局特征和只提取局部混合特征的方法,该方法得到的分类器性能较好。

关键词：腺样体肥大面部辅助诊断特征混合全局几何特征全局纹理特征

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于对比正则化的图像去雾方法

引用

电光系统 2022年第3期 26-30页

作者：方圆吴豪杰刘剑光刘凯文中国电子科技集团公司第二十七研究所郑州450047

近年来,得益于深度学习的快速发展,深度学习已经在众多计算机视觉任务中取得了非常好的效果。文章针对现有去雾方法没有充分考虑空间的下界,以及模型参数量大的问题,提出一种基于对比学习同时考虑空间的上界和下界的损失函数,结合自适... 详细信息

近年来,得益于深度学习的快速发展,深度学习已经在众多计算机视觉任务中取得了非常好的效果。文章针对现有去雾方法没有充分考虑空间的下界,以及模型参数量大的问题,提出一种基于对比学习同时考虑空间的上界和下界的损失函数,结合自适应特征混合和动态卷积的去雾方法。实验结果表明,该方法在SOTS和NH-HAZE两种数据集上均取得较好的性能。

关键词：深度学习计算机视觉去雾对比学习特征混合动态卷积

来源：

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：