基于生成对抗网络的视网膜图像样本增大模型设计

大量有标签的样本数据是深度学习提取丰富特征的关键因素。然而;获得大样本需要耗费大量的人力物力;有时候甚至是难以完成的任务;尤其是在医学领域。本文以视网膜眼底病变智能检测为问题需求背景;基于原始视网膜眼底图像样本;提出了基于生成对抗网络(GAN)的视网膜图像样本增大模型;包括特征可分离编码器和特征扰动生成器;可自动生成血管图像、病灶图像和视网膜眼底图像;通过合成多个数据样本;得到生成视网膜眼底图像;为深度学习技术在该领域的应用提供大数据生成模型支持。

基于双向约束的生成对抗网络

提高生成样本的质量和多样性一直是生成对抗网络(generative adversarial network, GAN)领域主要挑战任务之一.为此,提出了一种双向约束生成对抗网络(bidirectional constraint generative adversarial network, BCGAN).与传统GAN变体相比,该网络在架构设计上增加了一个生成器模块,两个生成器分别从两个不同方向逼近真实样本的数据分布.然后根据BCGAN的网络架构,设计了新的损失函数,并对其进行了理论分析及证明.在BCGAN的训练过程中,一方面通过增加两个生成样本数据分布之间的距离来丰富生成样本的多样性,另一方面通过减小鉴别器对两个生成样本数据分布之间的差异来稳定训练过程,提高生成样本的质量.最后,在1个合成数据集和3个不同公开挑战数据集上进行了实验.一系列实验证明,较其他生成方法相比,所提方法对真实数据分布具有更强的拟合能力,能够有效提升生成样本的质量和多样性.此外,所提方法的训练过程更加平滑稳定.

基于双层采样主动学习的社交网络虚假用户检测方法

社交网络的飞速发展给用户带来了便捷,但是社交网络开放性的特点使得其容易受到虚假用户的影响.虚假用户借用社交网络传播虚假信息达到自身的目的,这种行为严重影响着社交网络的安全性和稳定性.目前社交网络虚假用户的检测方法主要通过用户的行为、文本和网络关系等特征对用户进行分类,由于人工标注用户数据需要的代价较大,导致分类器能够使用的标签样本不足.为解决此问题,本文提出一种基于双层采样主动学习的社交网络虚假用户检测方法,该方法使用样本不确定性、代表性和多样性3个指标评估未标记样本的价值,并使用排序和聚类相结合的双层采样算法对未标记样本进行筛选,选出最有价值的样本给专家标注,用于对分类模型的训练.在Twitter、Apontador和Youtube数据集上的实验说明本文所提方法在标签样本数量不足的情况下,只使用少量有标签样本就可以达到与有监督学习接近的检测效果;并且,对比其他主动学习方法,本文方法具有更高的准确率和召回率,需要的标签样本数量更少.

基于一种条件熵距离惩罚的生成式对抗网络

生成高质量的样本一直是生成式对抗网络(generative adversarial networks,简称GANs)领域的主要挑战之一.鉴于此,利用条件熵构建一种距离,并将此直接惩罚于GANs生成器目标函数,在尽可能保持熵不变的条件下,迫使生成分布逼近目标分布,从而大幅度地提高网络生成样本的质量.除此之外,还通过优化GANs的网络结构以及改变两个网络的初始化策略,以进一步提高GANs的训练效率.在多个数据集上的实验结果显示,所提出的算法显著提高了GANs生成样本的质量;尤其是在CIFAR10、STL10和Celeb A数据集上,将最佳的FID值从20.70、16.15、4.65分别降低到14.02、12.83、3.22.

基于条件生成对抗网络的扇区复杂度评估

扇区复杂度作为管制员工作负荷和动态空域配置的重要参考依据,需要事先准确地对其进行评估。本文针对有监督复杂度数据集存在的小样本问题,提出基于条件生成对抗网络的扇区复杂度评估框架。首先,构建交通流量、航空器性能和潜在冲突这3类复杂度指标,并结合主观复杂度等级得到标定样本;其次,利用条件生成对抗网络设计有标记样本生成算法,获得增广数据集;最后,分别采用逻辑回归、支持向量机和随机森林算法建立复杂度评估模型。以中南区域扇区为例,从定性和定量的视角验证生成样本的有效性,并在多种训练集配置下对比各模型评估结果。研究结果表明:条件生成对抗网络在200次迭代后逐步收敛至稳定;生成样本与真实样本的绝大多数指标在均值上的相对误差小于5%,在标准差上的相对误差大于5%;在多分类评价指标下,增广数据集对3种模型整体评估精度分别提升11.77%、11.04%和8.34%。本文提出的评估框架可以在有限数据条件下提高样本多样性,是解决扇区复杂度评估问题的一种有效方法。

基于分治采样粒子滤波的三维跟踪算法

粒子滤波在处理三维机动目标跟踪问题时,粒子点难以均匀覆盖目标状态空间,较低的样本多样性和算法冗余直接影响跟踪性能。针对该问题提出一种基于分治采样粒子滤波的跟踪算法,算法通过划分独立的状态子空间,使随机样本在各子空间内单独抽样,对目标机动实现降维处理,提高跟踪性能。仿真实验表明,相对于标准粒子滤波,该算法有效提高了样本多样性,具有更好的跟踪性能,对复杂机动状况适应性更强。

基于MDGAN网络的数据集扩增方法

针对雷达辐射源数据集样本数量有限、样本多样性不足的问题,提出了一种无监督的由图像生成图像的网络—多样性最大化生成对抗网络(Maximum Diversity Generative Adversarial Network,MDGAN)。该网络在原始生成对抗网络的生成器目标函数基础上加上了一个额外的正则化项,该正则化项表示生成器中特征图之间的距离与生成特征图所用随机向量之间的距离的比值,通过最大化这个比值,可以让生成器尽量生成拥有不同特征的样本,以增加样本的多样性。对6种常见雷达信号进行仿真实验,证明了MDGAN在生成真实且多样的样本方面是有效的。

国土调查遥感40年进展与挑战

运用遥感技术进行土地资源调查,摸清其数量及分布状况,长期以来都是遥感领域研究的重要内容。本文首先回顾了过去40年来遥感技术在我国国土调查中的应用情况,然后围绕高分辨率影像的特征提取、大范围影像的样本获取、多时相/多传感器影像的迁移学习以及多源异构数据融合4个方面介绍了相关进展情况;接着归纳总结了现有遥感信息提取技术在国土调查中面临的4个挑战:①高分辨率影像分类存在如何定义、选择、挖掘高级特征的问题;②国土调查中的遥感数据集规模庞大,存在着类间不平衡和类内多样性,为这种复杂数据集获取足够、均衡、多样化的样本集是一个巨大挑战;③对于多传感器/多时相影像,如何低成本、及时地实现土地利用分类是值得考虑的问题;④从土地覆盖到土地利用存在语义鸿沟,如何合适地引入语义信息以弥合语义鸿沟需要被考虑。最后,本文对国土调查遥感技术的未来发展方向和应用点进行了展望。