基于注意力特征解耦的跨年龄身份成员推理

生成对抗网络(GANs)模型可以生成高分辨率的“不存在”的物体真实图像,近期被广泛应用于各种人工合成数据,尤其是人脸图像生成领域。然而,由于基于该模型的人脸生成器通常需要根据不同身份高度敏感的面部图像进行训练,其中存在潜在数据泄露使得攻击者能够对身份成员关系进行推断的问题。为此,首先设计对查询身份所获取样本与其实际参与训练样本之间存在巨大差异时的身份成员推理攻击,这些差异会导致基于样本推理身份成员关系的性能急剧下降;其次,在此基础上设计基于各身份解耦表征的重建误差攻击方案,在最大化消除不同样本间背景姿势等因素影响的同时,消除巨大年龄跨度导致的表征差异,进一步提高了攻击性能;最后,基于3个代表性的人脸数据集在3个主流GAN架构上训练生成模型并进行攻击,实验结果表明,在各种攻击场景下,此攻击方案较对比方法AUCROC值平均提高0.2。

结合解耦注意力图卷积与时态建模的骨架动作识别

目前,多数基于图卷积网络的骨架动作识别模型在提取空间特征时,在所有通道上共享相同的拓扑结构,限制了空间聚合的表现能力;在提取时间特征时,仅堆叠多层的一维局部卷积,使得非相邻时间帧之间的关联信息被忽略。因此,提出一种结合解耦注意力与时态建模的图卷积网络模型。通过使用解耦注意力图卷积模块和通道注意力模块,将更多的注意力集中在关键的通道信息上,提高图卷积网络的空间聚合表达能力;通过融入多尺度时态建模模块,对相邻和非相邻时间步长之间的时态关系进行建模,充分提取骨架序列的时间动态特征。在公开的大规模数据集NTU RGB+D、NTU RGB+D 120、Kinetics-Skeleton上进行了实验,分别取得了90.1%(CV)和96.0%(CS)、86.0%(CSub)和87.2%(CSet)、37.3%的top-1识别准确率。实验结果表明,识别精度优于当前较主流的方法,提高了人体骨架动作识别的准确性。

心智游移的眼动追踪研究进展

人们在日常生活中常常会出现心智游移。近来,眼动追踪技术由于经济高效、适用性广等特点被广泛用于心智游移研究。首先总结了心智游移眼动研究的常用任务,然后概述了心智游移眼动研究中的常用指标,重点回顾了心智游移时的眼动特征以及采用眼动数据对心智游移状态进行识别的相关研究,并从注意解耦的角度对心智游移进行理论解释。未来研究应考察不同分析时间窗口对眼动研究结果带来的影响,进一步考察不同心智游移内容及个体差异对心智游移相关眼动特征的影响,开发更优的算法以便通过眼动特征对是否心智游移进行分类等。

廉价卷积和解耦注意力的轻量化图像分割网络研究

近年来,基于二阶段模型的图像分割网络凭借其卓越的性能和鲁棒性,在自动驾驶、医疗等多个领域得到广泛应用.然而,这类网络的庞大模型和复杂计算量严重限制了它们在低算力、低功耗的移动端嵌入式平台上的部署.为此,本文提出了一种新的轻量级二阶段分割网络CDViT Mask R-CNN,通过采用廉价卷积和长距离解耦注意力机制(DFC)对Mask R-CNN这一图像分割领域主流模型的backbone进行重构,在平均精度(mAP)仅下降了0.4%情况下,模型整体尺寸缩减了46.5%,推理帧率(FPS)提升了12.6%.此外,本文借助DFC特性,采用基于掩模恢复的知识蒸馏策略对模型进行多尺度蒸馏,以补偿模型轻量化后的精度损失,使蒸馏后的模型精度提高了1.2%.实验结果表明,本文提出的模型在分割任务中具有更好的速度与精度权衡.

基于TCNN-MADLSTM的全并联AT牵引网多元信号融合故障定位

全并联AT牵引供电系统上下行线路并入自耦变压器,致使故障信号多路径传播,且牵引网导线阻抗不连续,传统方法很难实现牵引网故障准确定位。基于AT牵引网结构,推导牵引网上下行导线故障电流幅值与故障距离的非线性关系;基于改进的卷积神经网络(Transformer-based CNN,TCNN)和记忆注意力解耦长短期记忆神经网络(Memory Attended Decoupled LSTM,MADLSTM),通过增加注意力机制和残差连接,增强多导线电流幅值与故障距离的非线性函数关系,从而提高牵引网故障定位的精度;将前述方法与传统的卷积神经网络(CNN)和长短期记忆神经网络(LSTM)进行不同噪声条件下的对比验证。结果表明:基于TCNN+MADLSTM算法进行故障定位时,可自适应构建故障距离与多导线电流幅值的非线性函数关系,以及自适应计算故障距离,无须考虑波速影响;相较于传统的CNN+LSTM算法,TCNN+MADLSTM算法故障定位精度更高,故障区段识别精度可达100%,故障定位精度达72.100 m,均方误差为0.016 km^(2)。