基于深度学习的跨域辐射源个体识别综述

基于深度学习的辐射源个体识别已经成为识别和认证无线设备的主要研究方法之一。然而,基于传统深度学习的辐射源个体识别算法不能直接应用于跨域(跨信道条件、跨接收机、跨接收时间等)辐射源个体识别场景,因为一个域上的数据训练的模型用于另一个域上进行推理,其效果通常会变差。调研了现有基于对比学习、迁移学习、域适应等先进深度学习的跨域辐射源个体识别方法,整理和归纳了跨域辐射源个体识别相关的开源数据集。分析了跨域辐射源个体识别存在的难题与挑战,展望了跨域辐射源个体识别发展趋势及未来研究方向,以助力深度学习在复杂电磁环境下辐射源个体识别的实用化。

一种基于条件生成对抗网络的面部表情识别技术

针对实际应用中交叉数据集无法通过监督学习对预先训练模型进行微调的问题,提出一种基于条件生成对抗网络的跨域面部表情识别框架。该框架分为特征嵌入、对抗性学习和分类三个模块。利用联合学习的嵌入式功能来弥合源和目标数据分布之间的差距,完成从源域到目标域的特征转移;利用无监督生成对抗网络进行优化,根据域自适应方法给出表情分类。实验结果表明,与其他域自适应方法相比,该方法在面部表情识别方面具有极大优势;相对于无自适应的跨域方法,该方法的面部表情识别率有了明显提高。