生成对抗式网络在心脏磁共振中的应用

心脏磁共振(cardiac magnetic resonance, CMR)成像是评估心血管结构与功能的重要检查方法。深度学习已经被广泛应用于CMR图像处理中。生成对抗式网络(generative adversarial network, GAN)作为深度学习中的一种新兴网络,利用负责图像生成的生成器与负责判断图像真假的判别器之间的对抗博弈,可创建具有强大生成和泛化能力的图像处理模型。本文总结GAN在CMR图像分割与合成、图像重建、超分辨率重建、虚拟增强方面的主要应用,结合目前CMR的临床应用需求,分析GAN模型面临的挑战和未来的展望,以期尽快提升其实际应用价值。

基于生成对抗式网络的Modbus协议安全性测试方法

Modbus协议作为一种在电力系统中应用广泛的通信协议,保证Modbus协议的正确应用与实现有利于保障电力系统的安全。基于此,提出一种基于生成对抗式网络的Modbus协议实现安全性模糊测试方法,通过应用生成对抗式网络架构训练Modbus通信指令生成模型。训练所得生成模型作为Modbus协议测试数据生成器,用于生成测试数据对Modbus设备进行模糊测试。对多种Modbus模拟器进行了测试,结果表明,本方法能够发现Modbus模拟器的漏洞。因此,提出的方法是一种有效的并且有良好应用前景的Modbus协议实现安全性测试方法。

生成对抗式分层网络表示学习的链路预测算法

针对当前链路预测算法无法有效保留网络图高阶结构特征的问题,提出一种生成对抗式分层网络表示学习算法。根据网络图的一阶邻近性和二阶邻近性,递归地对网络图进行边缘折叠和顶点合并,形成逐层规模变小的子网络图,使用Node2vec算法对规模最小的子网络图进行预处理,并将预处理结果输入到生成对抗式网络(EmbedGAN)模型中,学习得到最小子网络图顶点的低维向量表示,将其输入至上一层子网络的EmbedGAN模型中,作为上一层子网络图顶点的低维向量表示。按照该方法进行逐层向上回溯学习,直至学习到原始网络图,从而得到原始网络图顶点的低维向量表示。在多个不同领域的真实网络数据集上进行链路预测,实验结果表明,该算法的准确率与稳定性均优于LP、Katz和LINE算法。

生成对抗式网络及其医学影像应用研究综述

生成对抗式网络(generative adversarial network,GAN)由负责学习数据分布的生成器和负责鉴别样本真伪的判别器构成,二者在相互对抗过程中互相学习逐渐变强。该网络模型使深度学习方法可以自动学习损失函数,减少了对专家知识的依赖,已经广泛应用于自然图像处理领域,对解决医学影像处理的相关瓶颈问题亦具有巨大应用前景。本文旨在找到生成对抗式网络与医学影像领域面临挑战的结合点,通过分析已有工作对未来研究方向进行展望,为该领域研究提供参考。1)阐述了生成对抗式网络的基本原理,从任务拆分、条件约束以及图像到图像的翻译等角度对其衍生模型进行分析回顾;2)对生成对抗式网络在医学影像领域中的数据增广、模态迁移、图像分割以及去噪等方面的应用进行回顾,分析各方法的优缺点与适用范围;3)对现有图像生成质量评估方法进行小结;4)总结生成对抗式网络在医学影像领域的研究进展,并结合该领域问题特性,指出现有理论应用存在的不足与改进方向。生成对抗式网络提出以来,理论不断完善,在医学影像的处理应用中也取得了长足发展,但仍然存在一些亟待解决的问题,包括3维数据合成、几何结构合理性保持、无标记和未配对数据使用以及多模态数据交叉应用等。

基于对抗式生成网络的电力用户意图文本生成

回答用户问询是电力营业厅的重要业务,使用智能系统识别用户意图可以大量减少人力成本、简化工作流程。真实的电力用户文本规模小、获取困难,从而导致智能系统深度学习效果仍待提升。为了解决语料不足的问题,提出一种基于对抗式生成网络的用户问询文本生成方法。实验通过将生成的文本加入训练集,使得RNN意图识别网络在测试集上的准确率由79.6%提升到82.1%。实验采用BLEU算法为评价方法,验证生成文本和真实文本的高相似度。由此证明使用用户问询文本生成模型可以生成符合实际需求的电力用户问询文本。

基于对抗式生成网络的农作物病虫害图像扩充

本文提出一种基于深度卷积对抗式生成网络(Deep convolutional GAN,DCGAN)的农作物病虫害图像生成方法,利用卷积神经网络强大的特征提取能力,提高生成网络的学习效果,生成大量接近真实数据的病虫害图像。实验结果表明,该方法能有效解决病虫害图像数据不足的问题。

基于循环一致性对抗网络的数码迷彩伪装生成方法

针对传统的数码迷彩生成方法无法根据背景实时生成数码迷彩的问题,提出一种基于循环一致性对抗网络的数码迷彩生成方法。首先,使用密集连接卷积网络提取图像特征,将学习到的数码迷彩特征映射到背景图像中;其次,加入颜色保持损失来提高数码迷彩的生成质量,保证生成的数码迷彩与周围的背景颜色相一致;最后,在判别器中加入自归一化神经网络以提高模型对噪声的鲁棒性。由于缺乏数码迷彩伪装效果的客观评价标准,采用边缘检测算法与结构相似性(SSIM)算法对生成的数码迷彩的伪装效果进行评估。实验结果表明,该方法在自制数据集上生成的数码迷彩伪装的SSIM得分比已有算法的得分降低了30%以上,验证了它在数码迷彩生成任务上的有效性。

深度生成式对抗网络的超分辨率图像修复与重建

针对目前图像修复中存在的大面积缺失、修复语义不连贯、纹理不清晰、分辨率低等问题,提出一种深度生成式对抗网络的超分辨率(deep super resolution generative adversarial network,DSRGAN)图像修复与重建方法。首先,提出改进的DenseNet网络结构作为生成器,提取图像生成的特征信息实现残损图像上下文信息的准确定位;其次,构建相对条件判别器,实现图像数据集的多方位数据梯度接收;再次,利用DenseNet网络与深度生成网络相结合,建立图像低维信息和高维信息之间的映射关系;最后,将DSRGAN与GCA、SI、PIC模型通过CelebA、Places2及残损纺织物3个数据集进行实验测试。结果表明:残损图像经DSRGAN模型修复后的峰值信噪比和结构相似性具有明显的优势,峰值信噪比平均提高了2.57 dB、3.17 dB、5.89 dB;结构相似性平均提高了0.0835、0.1481、0.2641。

基于TransUnet的侵彻多层过载信号生成

随着现代电子技术的蓬勃发展,人工智能在军事领域呈现快速上升的鳌头趋势,同时也面临着数据量严重不足的困境,针对目前侵彻多层过载信号数量少、类别不平衡等问题,结合深度学习的InfoGAN模型,提出一种基于TransUnet的侵彻多层过载信号生成方法。首先,以靶场实测过载信号作为训练模型的数据集,根据侵彻层数建立标签信息;其次,构建生成器与判别器,生成器借鉴TransUnet的思想,由Transformer Encoder和U-Net组成,用于学习过载数据集的特征映射,判别器则使用较为简单的注意力模型,以降低整体模型的复杂度;最后,利用生成对抗网络对生成器与判别器进行训练与优化,实现侵彻多层过载数据生成。实验结果表明,该方法能够根据不同层数信息生成不同速度的有效过载数据,可在一定程度上解决侵彻多层过载信号缺乏的问题。

高频信息对齐的多尺度融合去雾网络

目前,在去雾领域鲜有将先验信息引入到以数据驱动的深度学习方法中的工作,且大多数基于深度学习的去雾网络通常对计算机内存和算力有较高要求。为解决上述问题,本文提出一个高频信息对齐的多尺度融合去雾网络(HFMS-Net)。网络框架采用循环模式:对于生成器,通过在轻量卷积神经网络的不同深度引入残差连接,以充分利用网络的中间层特征,实现多尺度特征融合;对于判别器,网络需对其输入进行纹理信息提取,逼近去雾图像和有雾图像之间的高频信息,使基于数据驱动的网络更具物理解释性。与PFDN相比,HFMS-Net在相同设置下以约1/5的内存占用取得了更优越的性能,PSNR和SSIM分别提升了0.71、0.016。通过大量的对比实验和消融实验证明本网络的去雾性能与现有算法相比有一定的提升,对纹理信息具有更高的保真度。

基于数据驱动的快速路合流区加速车道长度的研究

设计长度合理的加速车道能有效地缓解快速路合流区频繁出现的交通瓶颈问题,因此采用数据驱动方法对快速路合流区的加速车道长度进行研究。利用无人机设备测取了快速路合流区的交通数据,从交通流特性及车辆汇入行为这两个角度对实测数据进行分析,得到了合流区车辆的驾驶行为;根据合流区交通流特点,对数据集进行聚类分析,使用生成对抗式网络训练不同合流区汇入行为车辆的跟驰换道模型,并与实测数据和SUMO仿真软件中内置模型进行对比分析;应用生成对抗式网络模型进行交通环境仿真,选取速度、交通密度、交通冲突率指标建立奖励评价函数,得出了加速车道长度设计的推荐值。研究结果表明:采用主线车辆提前减速和向内侧车道换道这两种手段,可实现协同换道避让匝道汇入的车辆;相比SUMO软件内置模型,生成对抗式网络模型更加贴近实际情况;仿真得出的单车道平行式加速车道长度分别在100、80、60 km/h情况下的推荐值为280、240、200 m。

基于ConSinGan模型的探地雷达病害样本生成方法

探地雷达路基病害智能识别是探地雷达工程探测领域中的一个重要研究分支。针对目前识别任务中缺乏公开数据集,病害样本数量较少和病害类别之间样本不均衡的问题提出基于ConSinGan对抗式生成网络模型的病害样本生成算法MConSinGan。首先,算法利用特征选择的思想设计特征学习模块,并将该模块添加到生成器的头部和尾部,加强不同阶段的生成器之间的联系,提高生成器网络对主要病害特征的学习能力,提取特定区域的有效信息,解决最初模型在生成病害样本的过程中存在的特征不完整的问题;其次,根据每个阶段中图像的放缩比例,以分段函数的形式动态改变每个阶段的迭代次数,平衡因添加特征学习模块而对网络整体增加的训练开销,同时提高生成样本之间的差异性;最后,将改进后的模型应用于实际探地雷达病害图像生成问题中,通过对比实验和消融实验对生成结果进行定量和定性分析。另一方面,将原模型与本文改进模型的训练开销和每阶段训练的平均速度进行比较,从模型训练性能的角度对模型进行评估。实验结果表明,所提算法在探地雷达路基病害图像生成问题中,其生成图像的SIFID值较原模型平均降低了26.5%,MS-SSIM值平均升高了75.7%,在保证训练开销增幅不大的情况下,兼顾生成数据的真实性和生成样本间的多样性。证明了该算法在探地雷达病害样本数据生成问题中能够取得较好的效果。

面向数据隐私的高速铁路智能调度大数据运用方案研究

为解决高速铁路智能调度大数据运用过程中,数据隐私安全导致的数据共享意愿降低和数据决策效果减弱等影响大数据价值发挥的缺陷,在既有云边协同框架下,借助联邦学习和对抗式生成网络技术,设计面向数据隐私的高速铁路智能调度大数据运用方案。在现状分析基础上,重新构建系统架构和数据交互规范;增设边缘节点的样本层和决策层实现样本构造和决策输出,完善中心云的数据层和调度层实现数据汇集和数据调度;虚拟划定的数据运用区域对内安全共享隐私数据和学习模型,对外提供行车辅助决策支持。方案进一步改善智能调度大数据的计算效能和数据隐私安全效能,充实“智能高铁”理论技术创新内容,加快高速铁路运输组织调度的数字化智能化建设步伐。

基于Xception网络的虚假人脸图像检测

随着大规模数据集的产生和计算机硬件计算能力的提升,深度学习技术得到了快速发展,基于对抗式网络(Generative Adversarial Network,GAN),利用大规模人脸数据集和深度学习技术可以生成世界上不存在的虚假人脸图像,但是这些虚假人脸图像容易被不法分子利用,对社会构成严重威胁。因此,针对虚假人脸图像的检测至关重要。文章将人脸的真伪检测工作视为一个二分类任务,通过使用两种不同类型的虚假人脸图像数据集和真实人脸图像数据集来对Xception网络进行训练,在GPU上的多次迭代训练后,Xcepton网络可以有效识别生成图像的特征,并准确检测出生成的虚假人脸图像。

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.

一种基于GAN的手势图像生成方法

对近年来两种主流图像生成算法:变分自编码器和对抗式生成网络进行研究。提出一种对抗式生成网络的手势图像生成方法,用以实现数据增强。采用对抗学习的方式,分别设计了卷积判别网络模型和反卷积生成网络模型,并使用自适应学习率的方式优化训练过程,根据美国手势语数据集ASL中的部分手势图片生成大量新的手势图像。设计一组混合使用真实手势图片与生成手势图片作为训练集的对照实验测试生成效果。实验结果表明,生成图片作为训练集能达到和真实图片相似的效果。

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。

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。

基于多注意力Bi-LSTM的恶意软件预测

在恶意软件预测任务中,针对训练数据不足及模型无法突出重要时序信息的问题,提出一种使用TS-GAN对数据进行扩增和使用多注意力Bi-LSTM模型进行预测的方案。多注意力Bi-LSTM由三层网络组成,利用Bi-LSTM层自动学习恶意软件并输出各时间步的隐状态,通过多注意力层为各时间步隐状态分配权重突出重要时序信息,使用预测判别层实现恶意软件良性或恶意的预测。实验结果表明,该方法可以在恶意软件执行前4秒内以95.8%的预测准确率实现对恶意软件的预测,优于其它方法。

基于GAN的无人机航拍图像重建

传统无人机采集传输过程中所传输的数据量常常造成无人机电池的高消耗。针对此类问题,文中提出一种融合超分辨重建和灰度图像彩色化的CsRGAN模型。通过生成网络对低分辨的灰度图像进行重建:先将图片进行分辨率放大,再进行色彩填充,然后通过判别器进行图片修正,最终将图片重建为彩色高清图像。实验结果表明,在固定区域下,所提出的模型能够在保证成像质量的同时减少无人机航拍的传输数据量,提高无人机的电池利用率,且模型具有较强的鲁棒性。