局部一致性主动学习的源域无关开集域自适应

无监督域自适应在解决训练集(源域)和测试集(目标域)分布不一致的问题上已经取得了一定的成功.在面向低能耗场景和开放动态任务环境时,在资源约束和开放类别出现的情况下,现有的无监督域自适应方法面临着严峻的挑战.源域无关开集域自适应(SF-ODA)旨在将源域模型中的知识迁移到开放类出现的无标签目标域,从而在无源域数据资源的限制下辨别公共类和检测开放类.现有的源域无关开集域自适应的方法聚焦于设计准确检测开放类别的源域模型或增改模型的结构.但是,这些方法不仅需要额外的存储空间和训练开销,而且在严格的隐私保护场景下难以实现.提出了一个更加实际的场景:主动学习的源域无关开集域自适应(ASF-ODA),目标是基于一个普通训练的源域模型和少量专家标注的有价值的目标域样本来实现鲁棒的迁移.为了达成此目标,提出了局部一致性主动学习(LCAL)算法.首先,利用目标域中局部特征标签一致的特点,LCAL设计了一种新的主动选择方法:局部多样性选择,来挑选更有价值的阈值模糊样本来促进开放类和公共类分离.接着,LCAL基于信息熵初步筛选出潜在的公共类集合和开放类集合,并利用第一步得到的主动标注样本对这两个集合进行匹配纠正,得到两个对应的可信集合.最后,LCAL引入开集损失和信息最大化损失来进一步促使公共类和开放类分离,引入交叉熵损失来实现公共类的辨别.在Office-31、Office-Home和VisDA-C这3个公开的基准数据集上的大量实验表明:在少量有价值的目标域样本的帮助下,LCAL不仅显著优于现有的源域无关开集域自适应方法,还大幅度超过了现有的主动学习方法的表现,在某些迁移任务上可以提升20%.

基于YOLO-OpenMax的水声通信信号开集识别方法

水声通信信号调制方式随着技术进步从典型的传统调制方式发展为水声通信机厂商私有开发的新型调制方式,这使得现有的水声通信信号闭集调制识别技术实用性受到制约,但现阶段鲜有研究基于深度学习的水声通信信号调制方式的开集识别方法。针对此现状,提出一种基于YOLO图像检测识别网络和OpenMax模型的开集识别方法。利用YOLOv5网络的输出特点,将传统OpenMax模型的处理方法进行改进,提出一种两步测试方法,实现了在多径信道下的水声通信信号的开集识别。仿真实验表明:在归一化系数为0.5,信噪比等于10 dB条件下的归一化开集识别准确率达到90%以上,实测数据同样验证了本文方法的有效性。

面向开集识别的稳健测试时适应方法

开集识别旨在研究测试阶段突现未见类别对于机器学习模型的挑战,以期学习模型既能分类已见类别又可识别/拒绝未见类别,是确保机器学习模型能够在开放世界中高效稳健部署的重要技术.既有开集识别技术通常假设已见类别的协变量分布在训练与测试阶段维持不变.然而在实际场景中,类别的协变量分布常不断变化.直接利用既有技术不再奏效,其性能甚至劣于基线方案.因此,亟需研究新型开集识别方法,使其能不断适应协变量分布偏移,以期模型在测试阶段既能稳健分类已见类别又可识别未见类别.将此新问题设置命名为开放世界适应问题(AOW),并提出了一种开放测试时适应方法(OTA).该方法基于无标注测试数据优化自适应熵损失与开集熵损失更新模型,维持对已见类的既有判别能力,同时增强了识别未见类的能力.大量实验分析表明,该方法在多组基准数据集、多组不同协变量偏移程度下均稳健地优于现有先进的开集识别方法.

基于超球面三元组编码的干扰模式开集识别

干扰模式识别是现代军事通信对抗中必不可少的一环,随着复杂电磁环境当中各种新型恶意干扰样式层出不穷,对于未知型干扰的判决也变得愈发重要。因此,要求干扰模式识别算法保持对于已知型干扰高精度识别的同时,也能够完成对于未知型干扰的判决,以排除未知型恶意干扰的影响。基于此,该文将未知型干扰存在时的干扰模式识别问题建模为开集识别问题,并提出一种基于超球面3元组编码的干扰模式开集识别方法。所提方法基于超球面3元组对输入的时频图像进行降维编码以提高识别精度,然后采用元识别分类器准确地完成干扰模式开集识别任务。通过仿真试验证明该算法在干信比大于–2 dB时能够高效地完成开放空间中的干扰模式识别任务。

基于对抗互易点学习的无人机通信干扰开集识别方法

无人机通信由于空对地无线信道的开放性,易受到各种有源或无源的物理层干扰,这些干扰会严重影响无人机通信的性能,导致无人机通信质量下降甚至通信中断等问题。因此,为保障无人机在复杂环境下能实现安全可靠的通信,对各类干扰的有效检测和精准识别尤为重要。传统的无人机通信干扰识别方法通常考虑闭集干扰场景的假设,即只能识别训练过程中使用过的干扰模式,而难以有效判断新出现的未知干扰模式。然而,在实际复杂电磁环境中,由于无法事先获知所有可能的干扰模式,无人机通信系统需要同时应对已知和未知的干扰,即面临开集干扰场景。为此,本文提出了一种基于对抗互易点学习的无人机通信干扰开集识别方法。首先设计了基于残差神经网络(ResNet)的对抗互易点学习框架,以从I/Q数据中有效地提取干扰特征,并确保已知和未知干扰类在特征空间中的良好分离。接着,考虑到在不同干信比和不同干扰信号的特征分布的差异性,设计了联合自适应阈值开集分类器,实现对已知和未知干扰模式的准确识别。为验证所提方法的有效性,考虑无人机空对地通信的多种因素,并基于双射线传播模型生成了一个无人机通信干扰数据集。仿真结果表明,所提方法在不同干信比情况下识别性能均优于基线方法,在干信比为10 dB时,达到了88.1%的归一化识别精度,实现了对无人机通信干扰的有效开集识别。

低空智联网中基于多质心OpenMax的无人机开集识别方法

随着网络化、智能化的发展,无人机(Unmanned aerial vehicles, UAVs)逐渐成为低空智联网(Low-altitude intelligent network, LAIN)的重要组成部分,但如何对低空智联网中的无人机平台进行有效的管理仍面临严峻挑战。基于无人机信号中的细微特征可对无人机进行个体识别,并检测是否为非法无人机,从而实现低空智联网中无人机的身份识别和管理。针对低空领域信道环境复杂且无法提前获取非法无人机信号样本的问题,本文提出了基于差值时频和多质心OpenMax的无人机开集识别方法。首先,提出了与信道无关的差值时频特征来降低多径信道环境对射频指纹(Radio frequency fingerprinting, RFF)特征的影响,并利用数据增强提高了识别模型的准确率和鲁棒性。其次,利用多质心OpenMax替代神经网络Softmax层,以实现无人机个体的开集识别。最后,对神经网络的损失函数进行了改进,提高了开集识别准确率。本文利用真实环境采集的数据对所提算法进行了验证,在多径信道环境中开放度为0.087时,开集识别准确率达到了93.23%,与基准算法相比,准确率分别提高了7.61%和13.4%。本文提出的算法可在复杂信道环境中有效识别无人机个体并检测出首次出现的非法无人机。

基于独立分类网络的开集识别研究

【目的】为解决图像分类模型面对传统闭集训练方式出现的模型缺乏开集泛化性的问题,提出了一种分离式的独立分类网络结构。【方法】每个类别都包含独立的线性特征层,特征层中设计的神经元节点能够在有限的数据样本下更准确地捕获类别特征。同时,在模型训练时,文中引入了一类无需标注的负样本,使得模型在构建决策边界时不仅依赖于已知类别的特征差异,在不增加额外标注样本的情况下,增加模型决策边界的开集泛化性。【结果】结果表明:独立分类网络开集识别(ICOR)模型结构和开集自适应训练策略均能有效改善传统模型开放集识别(OSR)性能;随着开放度的增加,能表现出更好的鲁棒性,能更有效地降低模型的OSR风险。【结论】提出的独立分类网络并融合开集自适应训练的算法比现有开集识别算法具有更优的开集识别性能。

一些近似开集的等价性质

利用拓扑空间中的内部、闭包、半内部、半闭包等算子,给出了正则开集、准开集、半准开集、β开集、半正则半开集、正则半开集等一些近似开集的等价性质.

基于开集类增量学习的人类活动识别研究

通过可穿戴传感器采集的时间序列信号进行人类活动识别(HAR)需基于训练样本的已知类别进行,然而现实中可能面临不断增加的新类别数据,将新类别数据与已知类别有效区分是现阶段人类活动识别的研究热点。类增量学习旨在目标数据不断增加时用新的知识更新已有模型,同时开集识别算法可以为分类器提供拒绝选项,以便识别出模型未见过的目标类型。该文设计了一种基于类增量学习的开集动作识别框架,该框架能够连续识别和学习新的未知类,将极值模型(EVM)与增量学习相结合,对于特征进行PCA降维,分别计算特征之间的余弦、欧式和曼哈顿距离,对新数据进行学习和识别。仿真实验结果表明,对比现有的模拟开集工作,该文所提出的模型在UCI和PAMAP2数据集上具有良好的表现,其中经过PCA降维和计算余弦距离取得了更高的精度。在类增量学习实验中,该模型既能够保持良好的精度,同时也能有效地辨别新类。

融合注意力机制的开集猪脸识别方法

针对闭集猪脸识别模型无法识别训练集中未曾出现的生猪个体的问题,本文设计了一种融合注意力机制的开集猪脸识别方法,可实现开集猪脸图像识别,识别模型从未处理过的生猪个体。首先基于全局注意力机制、倒置残差结构和深度可分离卷积构建了轻量级的特征提取模块(GCDSC);然后基于高效注意力机制、Ghost卷积和残差网络设计C3ECAGhost模块,提取猪脸图像高层语义特征;最后基于MobileFaceNet网络,融合GCDSC模块、C3ECAGhost模块、SphereFace损失函数和欧氏距离度量方法,构建PigFaceNet模型,实现开集猪脸识别。实验结果表明,GCDSC模块可使模型猪脸识别的准确率提高1.05个百分点,C3ECAGhost模块可将模型准确率进一步提高0.56个百分点。PigFaceNet模型在开集猪脸识别验证中的准确率可达94.28%,比改进前提高1.61个百分点,模型占用存储空间仅为5.44 MB,在提高准确率的同时实现了模型轻量化,可为猪场智慧化养殖提供参考方案。

基于RE-GAN的调制信号开集识别算法

为解决轻量化模型下调制信号开集识别准确率不高的问题,设计了一种数据重建和极值理论生成对抗网络模型,包含一对相互对抗的网络:重建网络和判别网络。首先,重建网络利用自编码器对信号进行压缩重建,将高维度数据压缩为低维表达。然后,判别网络对压缩后的数据进行特征提取并建立各类数据的激活矢量集用以拟合极值分布。最后,通过极值理论求出已知和未知调制方式信号的概率。仿真实验表明,该模型显著降低了算法复杂度,不仅能对已知调制方式的信号进行充分学习和表达,还能干扰未知调制方式的信号,在信噪比大于0 dB时,针对8种已知调制方式和2种未知调制方式信号的识别准确率均达到93%。

基于SDAE_SVDD的通信辐射源个体开集识别方法

针对现有通信辐射源个体识别研究在遇到开集问题时识别性能不高的问题,提出了一种基于堆栈去噪自编码器和支持向量描述(Support Vector Data Description,SVDD)的开集识别方法。该方法通过堆栈去噪自编码器实现降噪和特征压缩提取,将特征输入SVDD进行通信辐射源个体开集识别实验。结果表明,在不同开放度下,该方法可以将未知通信辐射源个体和已知通信辐射源个体以高准确率区分出来,进而将开集识别转为闭集识别。同时,对已知通信辐射源个体识别有很好的识别准确率和抗噪声能力。

拓扑空间中的强半开集

从一个新的角度引入了拓扑空间中的拟半开集、次强半开集、强半开集等概念,对这些概念之间的关系及其性质进行了讨论.

q-开集及其性质

给出了q -开集的定义及其相应性质 ,讨论q-开集同半开集、准开集 ,α -集之间的关系 .

时序动作单元感知的开集动作识别

开集动作识别任务要求模型不仅能准确识别训练集中的类别,还能拒绝训练集上未出现的未知类动作.目前,大多数方法都将动作视为一个整体,忽略动作本身可被分解为更细粒度的动作单元.为此,文中提出时序动作单元感知的开集动作识别方法.首先,设计动作单元关系模块,学习细粒度的动作单元特征,得到动作和动作单元的关系模式,并通过已知类动作和未知类动作在动作单元上不同的激活程度识别未知类动作.然后,设计动作单元时序模块,建模动作单元的时序信息,研究动作单元的时序性,进一步区分因为外观相似而被混淆的已知类动作和未知类动作.最后,综合考虑关系模式与动作单元时序信息,使模型具备区分已知类动作和未知类动作的能力.在3个动作识别数据集上的实验表明,文中方法性能较优.

(α,β)-γ开集与(α,β)-γ-T_i空间（英文）

本文首先给出(α,β)-γ开集定义,获得了(α,β)-γ开集性质;然后引入了(α,β)-γ-Ti空间和(α,β)-γ-T*i空间概念(i=0,1/2,1,2,5/2),并得到它们更广泛的拓扑性质.

基于卷积原型网络的通信辐射源个体开集识别方法

针对通信辐射源个体开集识别问题,提出一种基于卷积原型网络的辐射源个体开集识别方法。将接收到的信号进行信噪比估计并处理为灰度矢量图输入至卷积原型网络计算出特征点。分析不同损失函数和判决准则,选取三维原型的特征提取层、DCE作为损失函数、DR作为判决准则的开集识别模型。对该方法进行了仿真实验,结果表明,该方法在开集识别场景下比传统CNN预测概率更有优势,归一化准确率提升约20%,证明该方法的有效性。

关于L-Fuzzy半开集的一点注记

针对LF半开集(我们称其为LF-r半开集)作了进一步的研究,得出通常的LF半开集与LF-r半开集互不蕴含及在满层的LF拓扑空间中,LF半开集是LF-弱r半开集等结果。

关于半预开集的一个注记

研究了半预开集的一些性质,给出了半预开集的一个刻画。证明了对于半预开集A,(T_A)~α=(T~α)_A成立。给出了拓扑空间中任意子集的一种分解,并证明了一个拓扑是α-拓扑的充分必要是对任意子集A,(T_A)~α=(T~α)_A成立。

多算子开集与[α,β]-γ-Ti空间

基于双算子开集给出多算子开集的概念,并获得了[α,β]-γ-开集的相关性质,然后引入[α,β]-γ-Ti空间的概念(i=0,1/2,1,2,5/2),研究了它们的拓扑刻画。最后给出[α,β]-γ-Ti空间与(α,β)-γ-Ti空间之间的关系。