虚拟对抗训练的跨域块对比半监督细胞核分割

针对目前细胞核的半监督对比学习语义分割质量高度依赖于平滑、正确伪标签的预测等问题,提出了虚拟对抗训练的跨域块对比学习半监督细胞核语义分割方法。该方法将虚拟对抗训练(VAT)方法融入到跨域块对比学习半监督细胞核语义分割模型中用以提升网络预测伪标签的平滑度与准确度,并使用像素自加权的一致性正则化损失替换原有的人工设置高置信度阈值的一致性正则化损失,对图像中各像素的损失自加权,正确地对网络预测的伪标签进行有效利用。实验结果表明,在有标签图片比例为1/32,1/16和1/8下,该方法在MoNuSeg数据集上的医学图像分割评估指标Dice系数和Jaccard系数分别较CDCL模型提升了0.96百分点和1.11百分点,0.74百分点和0.85百分点,1.40百分点和2.00百分点,在DSB数据集上的Dice系数和Jaccard系数分别较CDCL模型提升了1.69百分点和2.27百分点,1.47百分点和2.19百分点,1.24百分点和1.77百分点。

基于虚拟对抗训练的合成话音检测方法

自动说话人确认(Automatic Speaker Verification,ASV)技术在日常生活中起着重要作用,同时它也面临着语音合成等欺骗攻击的威胁,因此为ASV系统提供一个有效的合成话音检测方法刻不容缓。近年来,检测任务更加侧重于在真实物理环境下对合成话音展开研究。为了提高模型的鲁棒性,引入虚拟对抗训练对检测任务进行数据增强。实验中在前端提取了多个特征,并在后端采用了SE-Res2net50和ECAPA2D-BL/BG模型。最后还将多个特征,多个模型的打分结果进行融合,提高了总体的检测性能。在逻辑访问场景中,ASVspoof2019挑战赛评估集的串联成本检测代价(tandem Detection Cost Function,t-DCF)和等错率(Equal Error Rate,EER)分别达到0.0187和0.56%,ASVspoof2021挑战赛评估集的t-DCF和EER分别达到0.3073和6.05%。

面向数据警务的虚拟对抗系统与实战化教学实践

为适应大数据条件下打造数据警务、智慧公安的迫切需求,基于大数据条件下公安实战机理,构建面向数据警务的虚拟对抗系统,包括虚拟对抗警务大数据平台、虚拟对抗实验室和虚拟对抗作战室,通过面向实战的虚拟数据生成、多类型融合建模、全方位协同作战场景建构等方案,有效解决公安实战化教学中面临的依托资源、建模思路、实战环境等核心问题,并且按照“监测→预测→预警→决策”一体化教学训练流程,在恐怖袭击场景下开展以虚拟对抗作战室为核心的数据警务教学实践,为提升实战化教学效果、构建前瞻性教学模式提供系统化、创新性理论参考。

基于卷积神经网络隐空间的虚拟对抗学习

对抗训练存在计算效率低的缺点,对此提出一种虚拟对抗学习的方法。在CIFAR-10和ImageNet(30)数据集上验证本方法,首先,建立阈值机制来挑选对抗源样本;然后,在对抗源样本的logits上添加扰动生成虚拟对抗样本,而非对抗源样本保持不变;最后,计算虚拟对抗样本和非对抗源样本的损失,通过反向传播更新网络权重。试验结果表明,与传统的对抗训练相比,本文方法在干净样本的测试精度上提升了大约7~14百分点,在扰动样本的测试精度上不亚于投影梯度下降(projected gradient descent,PGD)对抗训练的效果,尤其是在ImageNet(30)数据集上提升了4.62百分点。在训练效率上,与最慢的PGD对抗训练相比,本文方法的训练时间缩短了2/3左右。这些结果均证明了虚拟对抗学习既能提升对干净样本的预测精度,又能提高模型的鲁棒性;同时加快对抗训练过程,为对抗训练在工业环境的运用提供有效方法。

基于改进梯形网络的半监督虚拟对抗训练模型

为了提高半监督深层生成模型的分类精度,提出一种基于改进梯形网络的半监督虚拟对抗训练模型。该模型在梯形网络框架的基础上,以mix_up数据增强和虚拟对抗训练相结合的模式训练分类器。用mix_up对训练数据做增强处理得到新的扩展数据,以解决半监督分类模型有标记样本较少的问题,并且对梯形网络框架施加虚拟对抗噪声,通过构建平滑性正则化约束,提高模型的泛化能力。模型以有标记数据的分类损失、未标记数据的重构损失和虚拟对抗损失相结合的方式调整参数,训练得到分类器。模型分别在MNIST数据库、SVHN数据库上进行实验,并且与其他半监督深层生成模型进行对比,结果表明,该模型能增强泛化能力,提高分类精度。

融合虚拟对抗训练和均值教师模型的主导失稳模式识别半监督学习框架

电网仿真计算对电力系统规划、运行方式和控制决策制定具有重要的指导意义。在仿真计算中,一个重要的步骤是根据海量暂稳仿真数据分析电力系统的稳定性以及主导失稳模式,为后续制定紧急控制决策表提供帮助,该文采用深度学习克服传统方法难以有效区分实际电网中功角失稳和电压失稳的问题。为降低深度神经网络对有标注样本的依赖,进一步提出一种融合虚拟对抗训练(virtual adversarial training,VAT)和均值教师(mean teacher,MT)模型的半监督学习框架进行仿真分析中的主导失稳模式智能识别。VAT-MT模型分别构造一个教师网络和学生网络,通过对样本特征施加扰动后输入到两个网络中计算一致化损失来强化模型训练,同时采用VAT计算最大扰动方向提升模型的性能。在中国电科院36节点系统和东北电网上进行算例研究,结果表明,所提出的方法能够极大降低样本的标注成本,具有适应实际电网的能力。

基于动漫视频联合对抗式虚拟仿真实践训练模式在肾脏病理学教育中的应用效果

目的 探讨基于动漫视频联合对抗式虚拟仿真实践训练的肾脏病理教学新模式在肾脏病学病理学教育中的应用效果。方法 选取2022年9月至2023年9月重庆大学附属中心医院肾内科规培学员80名为研究对象。采用计算机随机法将学员分为对照组和试验组,各40名。对照组采用动漫视频联合传统教学模式进行病理教学;试验组采用动漫视频联合对抗式虚拟仿真实践训练模式进行教学。比较两组学员完成学习后的肾脏病理测试成绩的差异,并通过问卷了解学生对新教学方法的反馈情况。结果 试验组理论考核成绩、技能考核成绩高于对照组(P<0.05)。试验组的调查问卷反馈结果显示,学生认可新的教学方法能提高学习兴趣、提高教学质量、弥补知识短板,并增加对肾脏病学的职业兴趣。结论 基于动漫视频联合对抗式虚拟仿真实践训练的肾脏病理教学新模式能更好地调动学生自主学习的积极性,有效地提高肾脏病理教学效率和质量。

用于多模态MRI脑肿瘤图像分割的融合双重对抗学习CNN-Transformer模型

针对CNN(convolutional neural network)-Transformer分割模型在训练数据中提取特征信息不充分和鲁棒性差的问题,提出融合双重对抗学习的CNN-Transformer(CNN-Transformer model fusing dual adversarial learning,TransFDA)分割模型。首先,引入判别器模块,此模块不同于常用的对抗学习方法,先将原始数据与预测出的结果进行判别,然后将原始数据中未分割区域的信息传入分割模型,加强分割模型对此区域信息的学习。其次,为提升分割模型的鲁棒性,引入虚拟对抗训练,使用模型正常预测结果和添加扰动后得到的预测结果进行对抗学习,提升分割模型对不确定数据信息的学习能力。在Brats2020验证集中,肿瘤整体区域(whole tumor,WT)、肿瘤核心区域(tumor core,TC)和增强肿瘤区域(enhancing tumor,ET)的戴斯相似系数(Dice similarity coefficient,DSC)分别为0.8922、0.7909、0.7530。相较于同等实验条件下的TransBTS(brain tumor segmentation using Transformer)模型性能有所提升。定量和定性实验结果表明,所提TransFDA在不需要额外添加数据的情况下学习到了更多的特征信息,增强了模型的鲁棒性,显著提升了模型分割精度。

GL Studio在飞机电抗虚拟地勤维护中的应用

本文着重研究了某型飞机电抗系统虚拟地勤维护过程中相关仪表显示画面的实现方法,运用GL Studio仪表仿真工具开发了多功能显示器显示画面,讨论了在Vega Prime中如何调用虚拟仪表动态链接库,解决了GL Studio模型向Vega Prime场景移植的难题,在实际项目开发中取得了良好的效果,具有较好的通用性。

基于对抗迁移学习的军事科技领域命名实体识别

当前通用领域命名实体识别模型可移植性差,在军事科技领域不具备普遍性和适应性,实际效果不佳。针对军事科技领域的独特性、标注语料规模小、实体识别任务多样等特点,将迁移学习的方法应用于军事科技领域命名实体识别,并进行了领域适配与任务适配。通过预训练掩码语言模型的方法对BERT预训练模型进行了领域适配,通过对抗迁移学习的方法对BiLSTM-CRF模型行了任务适配。模型中加入了虚拟对抗训练,通过训练减少虚拟对抗损失以提高模型的鲁棒性。在军事科技领域文本上验证了该方法,实验结果表明,领域适配与任务适配对提高识别效果都有显著的积极作用。

基于可计算任务树的人机混合智能任务规划新范式

为加速智能化技术在任务规划中的应用,提出一种基于可计算任务树的人机混合智能任务规划新范式.以可计算任务树作为人机混合智能任务规划的桥梁,机器配合指挥员对任务进行分解,通过智能算法在虚拟对抗环境中开展海量训练,支持方案的自动生成.同时,给出了3种不同的使用模式与典型运行流程,并对关键支撑技术进行了分析.该范式为未来智能化任务规划提供了一种可行的技术途径,对提升任务规划能力和效率具有重要意义.

基于半监督深度学习的木马流量检测方法

针对木马流量检测技术存在人工提取特征不够准确、大量标记样本获取困难、无标记样本没有充分利用、模型对于未知样本识别率较低等问题,提出基于半监督深度学习的木马流量检测方法,利用大量未标记网络流量用于模型训练.首先,采用基于mean teacher模型的检测方法提高检测准确率;然后,为解决mean teacher模型中采用随机噪声导致模型泛化能力不足的问题,提出基于虚拟对抗mean teacher模型的检测方法;最后,通过实验验证所提半监督深度学习检测方法在少标记样本下的二分类、多分类以及未知样本检测任务中具有更高的准确率.此外,基于虚拟对抗mean teacher模型的检测方法在多分类任务中比原始mean teacher模型表现出更强的泛化性能.

面向司法文本的不均衡小样本数据分类方法

在目前的控申业务中,将案件分流到不同检察职能部门处理是核心任务之一。由于控申业务类型复杂、数据存在多源异构和不平衡性以及严重依赖人工鉴别,导致控申案件分流工作繁重低效,为此提出了类别不均衡小样本控申文本分类方法以智能辅助控申案件分流业务。首先,面向检察实务提出一套信访信件自动化智能化处理套件,对信访信件扫描便携式文件格式(PDF)进行图像提取、图像增强和图片光学字符识别,并通过TextRank算法对摘要和关键词提取文本特征,构建其基于变换器的双向编码器(BERT)文本向量表示。其次,提出了基于虚拟对抗训练(VAT)和Focal Loss函数的类别不均衡小样本控申文本分类方法,针对信访信件数量偏少且存在对抗样本的情况,在模型训练时引入VAT进行优化;同时,在采用分层抽样方法提高数据集质量的基础上,在训练中引入Focal Loss进行优化以解决数据不平衡问题。在实际控申数据集上,将优化后的模型与BERT表示模型对比。实验结果表明,基于VAT和Focal Loss的控申文本分类模型F1值达到0.85,相较于基准BERT模型F1值有约15个百分点的提高,具有很好的分类性能。

论印度当代电影中歌舞符码的文化转向

自20世纪30年代印度宝莱坞电影加入声音伊始,歌舞元素就成为印度电影制作不可或缺的一部分。以阿米尔·汗为代表的印度当代电影工作者在继承这一传统的同时,将歌舞符号与当代印度青年文化结合在一起,更加关注通过歌舞符号的流变来表达底层青年的多方面诉求,并由此创造出印度青年介入政治的更多可能性,在电影的虚拟场域中青年更具话语权和存在感并由此形成了与主流意识形态之间的更大张力,使歌舞符码成为再现印度青年亚文化特色和反思印度当代文化弊端的重要途径。

“战训一致”的作战模拟训练系统研究

论文提出了一种拓展作战模拟训练系统应用功能,构建基于海军指挥信息系统的虚拟对抗平台,从而解决指挥信息系统"战训一致"问题的方法,并阐述了系统的构成、各个组成部分及功能,最后分析了该系统建成后的效益。