机器学习视野下基于居民偏好的街道风格生成方法研究

街道空间是居民公共生活的载体。随着大数据及机器学习等人工智能形式与多学科联动的快速发展,生成对抗式神经网络研究在建筑与城市领域逐渐成为新热点。机器学习中的深层生成模型能够学习解读数据并自主生成设计,为解决居民对街道景观的需求与实际建设之间的差异问题提供新视角。提出以居民喜好为基准生成街道风格的方法,即利用基于条件生成对抗式神经网络的“图像对图像的风格转译”框架,将二维风格图片与三维建筑形体设计关联后建立可实时反馈的街道改造可视化平台,可在改变建筑模型的高度和形态的同时,根据居民偏好自主生成街道风格。这一机器学习对街道风格生成的应用可帮助使用者设计和评估城市街道设计方案,为街道空间和建筑形态设计提供重要依据。

信贷自动审批模型的对抗攻击风险研究

近期,银行等金融机构引进自动信贷审批系统来取代传统的人工审批,而自动信贷审批系统在何种程度上会受到对抗样本的攻击有待研究。通过实验对信贷对抗样本攻击的问题进行了验证。首先,基于申请人的信贷数据对XGBoost模型进行训练,预测申请人行为,并选择原始样本。其次,使用“非违约申请人”对改进的GAN模型进行训练,并用于生成特征值,通过修改原始样本以构建对抗样本,使得修改后的特征值接近于“非违约申请人”密集分布的特征值。最后,使用训练好的XGBoost模型将对抗样本进行分类。在实验中生成的对抗样本可以混淆XGBoost模型。当修改后的特征值的数量增加时,对抗样本的生成率总体呈上升趋势。实验验证,对抗样本的攻击将对自动信贷审批系统造成安全风险。

基于Self-Attention的单样本ConSinGAN模型的工业缺陷样本图像生成

在工业生产中,基于机器视觉的产品质量检测方法已逐步引入生产线,但绝大多数检测模型都需要充足的缺陷样本集以完成训练.随着生产工艺的改进,缺陷样本出现的概率逐渐降低.缺陷样本过少导致工业缺陷的检测或分割任务难以实施模型训练.采用GAN模型进行样本生成可以有效增广训练样本集.主要研究了面向小样本集的工业缺陷样本生成模型,对单张样本生成网络ConSinGAN进行了改进,引入双通道自注意力机制,增强了单张样本对缺陷区域的学习能力;并引入结构相似度量改进损失函数,提高了工业生成样本中背景的纹理一致性.实验结果表明:所提出的改进后生成式对抗网络模型在单样本工业缺陷图像生成上更为稳定有效.