计算机视觉领域对抗样本检测综述

随着数据量的增加和硬件性能的提升,深度学习在计算机视觉领域取得了显著进展.然而,深度学习模型容易受到对抗样本的攻击,导致输出发生显著变化.对抗样本检测作为一种有效的防御手段,可以在不改变模型结构的前提下防止对抗样本对深度学习模型造成影响.首先,对近年来的对抗样本检测研究工作进行了整理,分析了对抗样本检测与训练数据的关系,根据检测方法所使用特征进行分类,系统全面地介绍了计算机视觉领域的对抗样本检测方法;然后,对一些结合跨领域技术的检测方法进行了详细介绍,统计了训练和评估检测方法的实验配置;最后,汇总了一些有望应用于对抗样本检测的技术,并对未来的研究挑战进行展望.

基于特征迁移的流量对抗样本防御

在流量检测领域,基于对抗训练的对抗样本防御方法需要大量对抗样本且训练后会降低对原始数据的识别准确率。针对该问题,提出了一种基于特征迁移的流量对抗样本防御方法,该方法结合了增强模型鲁棒性和隐藏对抗样本空间两种防御思路,由具有降噪功能的底层防御模块和具有识别功能的识别模块组成。首先,使用堆叠自编码器作为底层防御模块进行对抗知识学习,使其拥有对抗样本特征提取能力;其次,根据流量特征进行功能自适应构造,使用非对抗流量对识别模块进行训练从而获得识别能力。通过防御+识别功能的拆分,降低了防御成本消耗并减少了对抗训练对原始数据识别准确率的影响,实现了快速适配且提高了模型防御弹性,对新的对抗样本的识别准确率提升至40%左右。

小样本下基于改进麻雀算法优化卷积神经网络的飞轮储能系统损耗

飞轮储能系统具有待机损耗,不适合长期储能。针对飞轮损耗这一经济指标,基于飞轮储能系统运行的小样本数据,提出了一种结合Logistic混沌麻雀优化算法和卷积神经网络的飞轮损耗计算模型。首先,分析了飞轮损耗产生的原因;接下来对宁夏灵武电厂的飞轮运行数据进行预处理,并使用对抗生成网络进行小样本扩充;然后基于卷积神经网络建立损耗模型,使用改进的麻雀算法对模型超参数进行优化,并通过对比验证了该模型的优越性;最后通过仿真实验证明了该模型能够优化飞轮储能系统的出力,降低飞轮损耗。

基于单积分球技术的最佳样本厚度研究及油茶籽油鉴伪

为减少单积分球技术采集光谱数据过程中的光损失,探索了油茶籽油检测时光损失量最小的样本厚度,并研究在此样本厚度下鉴别掺伪油茶籽油的能力。采用蒙特卡罗(MC)算法模拟单积分球技术下样本的测量,将模拟出的反射率(MR)和透射率(MT)作为实际值,单积分球采集的数据作为预测值,将实际值与预测值之间的平均相对误差(MRE)和均方根误差(RMSE)作为评价指标,确定最佳的样本厚度。按不同掺伪比例制备了230组样本,采集最佳样本厚度的掺伪油茶籽油光谱数据,结合逆向倍增(IAD)算法得到样本的吸收系数(μ_(a))和约化散射系数(μ_(s)′)。将μ_(a)和μ_(s)′经过均值中心化预处理之后,利用Kennard-Stone(K-S)算法以7∶3的比例将样本划分成训练集和测试集,分别建立基于支持向量机(SVM)和随机森林(RF)的多分类定性鉴别模型。结果表明:样本厚度为14mm时,MR和MT的MRE和RMSE均相对较小;μ_(a)和μ_(s)′建立的SVM模型鉴别准确率分别为97.10%和95.65%,建立的RF模型鉴别准确率分别为98.55%和97.10%。因此,基于最佳样本厚度下的单积分球技术结合SVM和RF模型,可有效实现油茶籽油的快速鉴伪。

不同温度热灭活处理临床血液样本对凝血功能及生化检测指标的影响

目的探讨56℃30 min和65℃15 min干热灭活对临床血液样本凝血功能和生化检测指标的影响。方法收集覆盖各检测项目线性范围的临床血液标本60例,检测并比较灭活前和两种温度灭活后标本的凝血功能五项、电解质六项、肝功能八项以及肾功能三项指标。在实验前对这些指标的批内精密度进行评估。结果经检测,凝血功能五项、电解质六项、肝功能八项以及肾功能三项的批内精密度均符合要求。凝血功能五项的血浆样本在热灭活处理后发生凝固,无法进一步检测分析。电解质六项、肝功能八项和肾功能三项中,灭活1组和灭活2组的丙氨酸氨基转移酶(ALT)、天门冬氨酸氨基转移酶(AST)、碱性磷酸酶(ALP)、γ-谷氨酰转移酶(GGT)水平与非灭活组比较,差异具有统计学意义(P<0.05);灭活1组和灭活2组的总蛋白(TP)、总胆红素(TBil)、直接胆红素(DBil)水平与非灭活组比较,差异无统计学意义(P>0.05);灭活1组与非灭活组的白蛋白(ALB)水平比较,差异无统计学意义(P>0.05);灭活2组与非灭活组的ALB水平比较,差异具有统计学意义(P<0.05)。结论抗凝血浆样本不适用于热灭活处理。不同实验室应用热灭活处理样本检测之前要经过验证。

肺移植组织样本的采集、储存与利用

肺移植经过不断的发展与完善,已成为治疗多种良性终末期肺疾病的首选手段,但肺移植领域仍面临诸多挑战,包括供者资源短缺、供肺保存与维护以及术后并发症等。肺移植术后切除的肺组织样本是研究良性终末期肺疾病及肺移植围手术期并发症的优良临床资源。然而,目前大多数肺移植术后组织样本的采集、储存与利用仅限于单次研究,尚未形成统一的技术规范。本研究基于西安交通大学第一附属医院肺移植生物样本库的建设方案,对肺移植组织样本采集、储存与利用过程中伦理审查、人员配置、采集流程、储存方法、质量控制及高效利用等方面的实践经验进行综述,以期为肺移植相关研究提供参考。

基于属性强度关联性矩阵的零样本滚动轴承故障诊断

针对传统有监督学习模型难以辨别滚动轴承未知类故障的问题,提出一种基于属性强度关联性矩阵的零样本滚动轴承故障诊断模型。首先,利用样本之间属性强度关系对数据库中故障样本进行细粒度描述,建立各故障样本与故障类别间的关联关系;其次,引入自适应深度可分离残差网络提取故障属性相关的特征信息;最后,根据属性细粒度描述和特征信息,使用属性学习模块预测未知类故障的属性,通过计算其与属性矩阵的欧氏距离,实现零样本轴承故障的诊断。试验结果表明,相较于其他模型,该模型在识别未知滚动轴承故障类别方面取得了优异的性能,平均诊断准确率达到90.45%,验证了该模型的有效性与优越性,为实际生产提供了有益的应用价值。

单样本条件下邻域选择聚合零次知识图谱链接预测方法

为了解决支持样本有限条件下零次知识图谱链接预测模型性能下降的问题,提出了一种单样本条件下邻域选择聚合零次知识图谱链接预测方法(NSALP)。该方法主要由特征提取器、生成器、判别器三个模块实现。借鉴图同构网络的思想对特征提取器模块进行改进,在聚合头尾邻域时为每个邻域节点分配一个可学习的参数,进而过滤无关特征,凸显有效特征;以头节点嵌入与关系文本描述的组合作为生成器学习过程的引导,使生成器生成的新组合特征更加接近真实的知识三元组结构特征。在NELL-ZS和Wiki-ZS两个零次知识图谱数据集上,所提模型的性能对比基线模型分别提升了2.5和0.7百分点。在NELL-ZS进行的消融实验中,所提extractor+和generator+模块的性能表现均优于未做改进的模型,佐证了改进方法的有效性。

SPOT和Bayes递推估计融合的运载火箭样本量设计

针对运载火箭小子样条件,结合序贯验后加权检验(sequential posterior odd test, SPOT)和Bayes递推估计法,分别从假设检验和参数估计两方面,对传统试验样本量评估方法进行改进。在对运载火箭服从正态分布的性能指标进行评估时,引入复合等效系数来有效融合多源数据,弥补真实试验数据或现场数据的不足。综合考虑两类风险和置信度要求,制定合理的评估方案,有效减少所需试验样本数量,从而控制试验成本。通过算例分析发现,提出样本量评估方法结果真实可信,能够有效降低样本量需求,可较好用于小子样条件下的运载火箭样本量试验设计。

基于NSGAⅡ-RF的样本不平衡下设备故障诊断

在智能制造产业的设备缺陷与故障诊断中,欠采样容易丢失重要的样本信息,而过采样容易引入冗杂信息。针对这些问题,将带精英策略的非支配排序遗传算法(non-dominated sorting genetic algorithm Ⅱ,NSGAⅡ)融入随机森林(random forest,RF)算法中,用多目标遗传算法代替传统RF算法中的自助采样法和特征选取方法,产生多样化的、性能优良的特征子集和样本子集,从而生成多样性强、准确性高的决策树,同时确定最优的决策树数量,达到优化RF算法的性能并提高分类精度的目的。基于多类别和高度不平衡的设备故障数据集进行故障诊断实验,并将所提算法与结合了合成少数类过采样技术(synthetic minority oversampling technique,SMOTE)的集成学习算法等进行比较,实验结果表明,所提算法的故障诊断准确率优于对比算法。

生物样本库知情同意研究

随着生物样本库逐步在生物医学研究领域显现出的重大价值,其也对现有社会规范和伦理规则提出了挑战,使得研究参与者知情同意的规范性问题备受关注。当前研究对样本收集、保藏、利用等环节知情同意探讨不足,针对各环节复杂性与多样性,倡导细化知情同意策略,确保研究参与者权益得到全面保护。鉴于知情同意的持续性与动态性,建议构建灵活的复审机制,以应对研究内容变更、风险增加或研究参与者能力变化,确保研究的伦理合法性与研究参与者自主决定权。同时,强调在样本入库前充分确认知情同意,出库利用及废物处理时采取适宜同意形式,并特别关注人类遗传资源的相关伦理与法律问题。

风力电能信号的游程域特征分析与样本库构建

针对构建新型电力系统中,风力发电电能信号幅度域特征不能综合表征长期波动和局部快速变化的问题,首先建立风电电能信号随机时间序列模型;其次,建立电流幅度信号的准稳态项和动态项双模态模型,在游程域构建了5个特征参量和2个特征函数;最后,提取24个游程域典型波形模态,构建风电典型波形样本库,提取风力发电的电压和电流信号的典型特征,实现了全面表征风力发电电能信号的复杂特征。

高级别生物安全实验室实验活动评审中“高致病性病原微生物菌(毒)种和样本管理”专家共识

在高级别生物安全实验室实验活动评审中,存在着诸多反复出现的共性问题,如“高致病性病原微生物菌(毒)种和样本管理”的共性问题。在国家卫生健康委员会科教司的支持下,中国医药生物技术协会生物安全专业委员会在北京组织召开了高致病性病原微生物菌(毒)种和样本管理共性问题的专家研讨会,就该共性问题中的“双人双锁”和“全生命周期信息管理”两个问题进行了充分研讨,专家对在科技创新发展时代的“锁”的形式和技术可行性、“全生命周期信息管理”的具体内容和可行性进行了研究和讨论,并就具体的技术措施和管理模式形成了专家共识。

面向小样本苗绣图像的生成与识别研究

为了解决苗绣图像样本量不足以及识别精度较低的问题,提出了一个新颖的样式生成对抗网络(StyleGAN2)结合高效通道注意力机制(ECA)优化的残差神经网络(ResNet50)苗绣图像分类模型。首先,利用StyleGAN2对原始苗绣数据集进行训练和生成,以扩充小样本数据集。接着,在ResNet50骨干网络中融入ECA注意力机制,增强了模型的特征提取能力。最终,结合StyleGAN2和ECA优化后的ResNet50创建了新的StyleGAN2-ECA-ResNet50模型,用于小样本苗绣图像的识别。实验结果显示,该方法在测试集上的准确率达到了89.29%,较传统的ResNet50模型提高了5.87%,并且在性能上超过了多个先进的深度学习模型。

基于CLIP模型和知识数据库的零样本动作识别

零样本动作识别旨在从已知类别的动作样本数据中学习知识,并将其迁移到未知的动作类别上,从而实现对未知动作样本的识别和分类.现有的零样本动作识别模型依赖有限的训练数据,可学习到的先验知识有限,难以将视觉特征准确地映射到语义标签上,是限制零样本学习性能提升的关键因素.针对上述问题,本文提出了一种引入外部知识数据库和CLIP模型的零样本学习框架,利用多模态CLIP模型通过自监督对比学习方式积累的知识,来扩充零样本动作识别模型的先验知识.同时,设计了时序编码器,以弥补CLIP模型时序建模能力的欠缺.为了使模型学习到更丰富的语义特征,缩小视觉特征和语义标签之间的语义鸿沟,本文扩展了已知动作类别的语义标签,用更为详细的描述语句代替简单的文本标签,丰富了文本表示的语义信息;在此基础上,在模型外部构建了一个知识数据库,在不增加模型参数规模的条件下为模型提供额外的辅助信息,强化视觉特征与文本特征表示之间的关联关系.最后,本文遵循零样本学习规范,对模型进行微调,使其适应零样本动作识别任务,提高了模型的泛化能力.所提方法在HMDB51和UCF101两个主流数据集上进行了广泛实验,实验数据表明,该方法的识别性能相比目前的先进方法在上述两个数据集上分别提升了3.8%和2.3%,充分体现了所提方法的有效性.

样本熵改进EEMD算法在继电器参数异常值处理中的应用

针对继电器参数中存在的异常值问题,文章提出了一种模态异常值处理模型。首先,依据继电器特点对集合经验模态分解(EEMD)算法中的参数进行灵敏性分析,确定优化参数;其次,针对EEMD分解中存在的模态混叠现象,采用样本熵和哈里斯鹰优化算法得到有效的模态分量;最后,分别采用拉依达准则及三次样条插值法对各模态异常数据进行识别及替换,将处理后的所有分量进行重构异常值,得到处理后的数据序列。继电器接触压降参数的实例分析结果表明,该模型具有良好的泛化能力,且能够有效地识别出潜在异常值。

面向自动语音识别系统的对抗样本生成方法

通过对系统进行对抗攻击可以检测系统漏洞,进而提高系统鲁棒性。然而,对抗攻击前往往需要系统的参数信息,这使得攻击条件受限。为此,结合一种新的量子粒子群优化算法,提出一种黑盒有目标对抗攻击方法。该方法通过在原始样本中添加微小噪声,构造差异化粒子群,作为初始对抗样本种群;基于记忆搜索的领域重分布策略得到当前种群的全局最优粒子,从而生成初始对抗样本;融入扩维和自适应权重位置更新,使得种群更接近目标;根据对抗样本与目标语句的编辑距离,继续优化初始对抗样本,生成最终对抗样本。为了验证方法的攻击效果,在GoogleSpeech、LibriSpeech以及CommonVoice数据集上,对语音识别模型DeepSpeech进行实验,将目标语句设置为不同场景中的常见语音指令。实验结果表明,提出的方法在三个数据集上成功率都优于对比方法,其中在Common Voice数据集上的成功率比对比方法提升了10个百分点。同时,召集志愿者对生成的对抗样本噪声强度进行主观评估,其中82.4%的对抗样本被志愿者判断为没有噪声或噪声很小。

基于特征增强和样本充分学习的红外飞机检测

针对深度学习单阶段检测算法对红外飞机目标的特征提取能力不足以及样本学习不充分的问题,提出基于特征增强的全局上下文机制(FEGCM)和样本充分学习的目标检测算法。FEGCM可获取包含目标的全局信息与局部信息的特征图,从而提高特征提取网络对目标特征的提取能力。通过在Focal Loss中添加调制因子,在关注难负样本学习的基础上,充分利用包含目标特性的部分易负样本,使得样本充分学习,从而帮助检测算法学习到更有意义的目标特征。实验表明,所提算法在自制红外飞机数据集上的mAP_(50)达到96.9%,能够有效实现红外飞机目标检测。

基于熵权与集成学习的半监督小样本树种分类研究

针对传统半监督自训练分类方法易导致数据集混乱,影响后续小样本树种分类精度这一问题,基于熵权法(en-tropy weight,EW)与集成学习(ensemble learning,EL)提出EW-EL的半监督小样本树种分类方法。EW-EL在传统半监督自训练分类方法的理论上引入EL的思想,以熵权法作为基础理论设计按基分类器当前训练周期下的F1分数计算的信息熵作为计算权重因子,再依信息熵越大基分类器越不稳定思想设计权重,使集成分类器分类概率更集中,减少集成分类器偏向性。结果显示,EW-EL较传统半监督自训练方法能更有效地均衡数据分布,使新加入数据的伪标签样本类别更准确。EW-EL所得到的小样本树种分类总精度(OA)为0.97、召回率(Recall)为0.96及Kappa系数为0.97,3种指标均优于监督分类、传统半监督自训练方法及利用传统EL机制所构建的半监督自训练方法。其中,EW-EL方法较融合软投票机制的半监督自训练方法,OA与Recall均提升了1%。EW-EL联合简单线性迭代聚类所制成的树种图在所选测试区内达到了94%。此外,进一步分析证明,EW-EL能通过集成诸多分类器,来实现更佳的小样本树种分类结果,更适用于低成本下的相关部门进行林业资源统计的工作。

船载HFSWR船只目标多维样本库构建方案设计

深度学习方法在船载高频地波雷达(high-frequency surface wave radar,HFSWR)船只目标检测中得到应用,然而其成功的关键在于构建精准全面的目标样本库。当前基于距离-多普勒(range-Doppler,RD)谱检测结果的单一维度样本库不完备,限制了模型的学习效果。为解决该问题,文章设计了一种船载HFSWR船只目标多维样本库构建方案,包含3个维度:①基于RD谱的检测结果结合自动识别系统(automatic identification system,AIS)验证RD维度;②基于多帧航迹段识别RT(range-time)/DT(Doppler-time)维度;③基于时频TF(time-frequency)分析检测TF维度。通过对3个维度的匹配和重合目标筛除以构建样本集。最后,利用实测数据构建的目标样本库对基于U-Net的目标检测网络进行训练和测试,结果表明该样本库可满足基于深度学习的目标检测模型训练需求。