半监督技术和主动学习相结合的网络入侵检测方法

针对当前网络入侵具有多样性和易变性,单一方法很难获得理想网络入侵检测结果的问题,为提高网络入侵检测正确率,有效拦截各种网络入侵,提出一种将半监督技术与主动学习相结合的网络入侵检测方法.首先,采集网络入侵数据,提取网络入侵特征,并采用半监督技术根据特征对网络入侵数据进行聚类处理;其次,采用主动学习算法对聚类后的数据进行训练,构建网络入侵检测的分类器,并引入蚁群算法对构建网络入侵检测的分类器进行优化;最后,采用标准数据集对网络入侵检测方法进行仿真测试.测试结果表明,该方法解决了当前入侵检测方法存在的缺陷,提升了网络入侵检测正确率,漏检率和误检率明显少于经典网络入侵检测方法,同时缩短了网络入侵检测时间,改善了网络入侵检测效率,能更好地保证网络通信和数据传输安全.

基于对抗机制的RGBD语义分割半监督方法研究

在对RGB-D图像进行语义分割时,由于场景中存在着复杂的视觉信息,需要大量的像素级别标签数据,会耗费大量人力。论文提出了一种基于生成式对抗网络的方法。在此网络训练过程中,引入了半监督技术,来减少利用标签数据,同时保持良好的分割精度。其中分割器网络生成一个预测图,鉴别器网络输出一个置信度图,该图给出了来自标签图或分割器输出图的像素概率。此外论文还提出了一种新的损失函数,是基于距离变换和逐像素的交叉熵,此损失函数可以更好地对边界像素进行分割。通过在数据集NYU-DepthV2上实验结果表明:论文方法相比原始方法MPixelacc,提高了5.25%,有效改善了分割目标类感染以及边界不清晰的问题。