一种基于自适应域值混合差分的目标检测方法

基于视频的目标检测中,现有流行的高斯混合模型GMM(Gaussian Mixture Model)目标检测的效果最好,但是其计算量很大,而简单的帧间差分方法和背景差分方法计算速度快,但是检测效果较差。提出在改进聚类方法基础上的基于自适应域值混合差分的目标检测方法,能够一方面具有很好的运动目标检测效果,另一方面具有很快的计算处理速度。同时该方法具有自适应能力,免除人工设置域值的麻烦,因而在实践中具有良好的实际使用价值。

自适应域多群体遗传算法求解发酵动力学模型参数

发酵动力学模型参数估计是基于最小二乘的参数估计问题,是根据满足最小二乘的标准来解决模型的最佳参数匹配,求解该问题可采用遗传算法,但简单遗传算法容易陷入局部最优。本文提出一种自适应域多群体遗传算法,它通过自调整参数域,避免陷入局部最优,同时还提高搜索到的解是全局最优解的可靠性,适用于很多领域的应用优化问题。

轴承变工况故障的域自适应迁移深度学习诊断

为了实现变设备、变工况条件下的轴承故障精确识别,提出了基于域自适应迁移深度卷积神经网络的诊断方法。对于具有不同分布特征(即不同域)的训练集和测试集,在深度卷积神经网络中构造了故障特征提取模块、域识别模块、标签分类模块,以特征提取模块与域识别模块对抗训练的方式实现域自适应迁移能力,使深度卷积神经网络能够有效提取不同域的共同特征参数。使用凯斯西储大学和智能维护系统中心数据设计了4组迁移实验,传统深度卷积神经网络的识别精度均值为64.5%,域自适应迁移卷积神经网络的识别精度均值为94.9%,充分说明了域自适应迁移深度卷积神经网络能够有效识别变设备、变工况条件下的轴承故障。

基于IDP的重型商用车自适应距离域预见性巡航控制策略

为降低重型商用车燃油消耗、减少运输成本,本文协调“人-车-路”交互体系,将车辆与智能网联环境下的多维度信息进行融合,提出了一种基于迭代动态规划(iterative dynamic programming,IDP)的自适应距离域预见性巡航控制策略(adaptive range predictive cruise control strategy,ARPCC)。首先结合车辆状态与前方环境多维度信息,基于车辆纵向动力学建立自适应距离域模型对路网重构,简化网格数量并利用IDP求取全局最优速度序列。其次,在全局最优速度序列的基础上,求取自适应距离域内的分段最优速度序列,实现车辆控制状态的快速求解。最后,利用Matlab/Simulink进行验证。结果表明,通过多次迭代缩小网格,该算法有效提高了计算效率和车辆燃油经济性。

基于信息融合子域适应的不同工况下谐波减速器故障诊断方法

针对工业机器人谐波减速器不同工况数据分布差异大,部分工况数据标签缺失以及单一传感器获取信息不全面,导致诊断准确率不高的问题,提出一种信息融合子域适应的不同工况下谐波减速器故障诊断方法。该方法将源域和目标域一维振动数据利用小波变换构建时频图;使用基于小波变换的图像融合方法整合多个传感器的时频信息并构建融合图像;提出多表示特征提取结构的改进残差网络以充分挖掘融合样本多表示特征,同时,在无监督场景下将源域和目标域融合样本的多表示特征进行子域适应处理,减小两域的各个子域间的分布差异,从而将知识从标签丰富的源域迁移到标签缺失的目标域,最终实现不同工况下谐波减速器的故障诊断。通过搭建工业机器人谐波减速器故障实验台并进行实测,所提方法在所有迁移任务中平均准确率可达98.8%,能够有效实现无监督场景中不同工况下谐波减速器的故障诊断。

基于双阶段元学习的小样本中医舌色域自适应分类方法

舌色是中医(TCM)望诊最关注的诊察特征之一。在实际应用中,通过一台设备采集到的舌象数据训练得到的舌色分类模型应用于另一台设备时,由于舌象数据分布特性不一致,分类性能往往急剧下降。为此,该文提出一种基于双阶段元学习的小样本中医舌色域自适应分类方法。首先,设计了一种双阶段元学习训练策略,从源域有标注样本中提取域不变特征,并利用目标域的少量有标注数据对网络模型进行微调,使得模型可以快速适应目标域的新样本特性,提高舌色分类模型的泛化能力并克服过拟合。接下来,提出了一种渐进高质量伪标签生成方法,利用训练好的模型对目标域的未标注样本进行预测,从中挑选出置信度高的预测结果作为伪标签,逐步生成高质量的伪标签。最后,利用这些高质量的伪标签,结合目标域的有标注数据对模型进行训练,得到舌色分类模型。考虑到伪标签中含有噪声问题,采用了对比正则化函数,可以有效抑制噪声样本在训练过程中产生的负面影响,提升目标域舌色分类准确率。在两个自建中医舌色分类数据集上的实验结果表明,在目标域仅提供20张有标注样本的情况下,舌色分类准确率达到了91.3%,与目标域有监督的分类性能仅差2.05%。

基于同伴辅助学习分类器的部分域自适应方法

为了解决传统方法忽略分类器转移场景,进一步减轻负转移,提出一种基于同伴辅助学习分类器的部分域自适应方法。提出一个软加权最大均方差来减轻源异常域和目标域之间的负迁移,使得源共享域和目标域的特征分布在特征空间中是一致的;引入一种同伴辅助学习方法,减轻特定目标学习分类器的过度拟合问题。在三个数据集上的实验结果证明该方法不仅减轻了负迁移,而且解决了分类器移位问题。

基于多源域适应的缺陷类别预测方法

随着规模和复杂性的迅猛膨胀,软件系统中不可避免地存在缺陷.近年来,基于深度学习的缺陷预测技术成为软件工程领域的研究热点.该类技术可以在不运行代码的情况下发现其中潜藏的缺陷,因而在工业界和学术界受到了广泛的关注.然而,已有方法大多关注方法级的源代码中是否存在缺陷,无法精确识别具体的缺陷类别,从而降低了开发人员进行缺陷定位及修复工作的效率.此外,在实际软件开发实践中,新项目通常缺乏足够的缺陷数据来训练高精度的深度学习模型,而利用已有项目的历史数据训练好的模型往往在新项目上无法达到良好的泛化性能.因此,首先将传统的二分类缺陷预测任务表述为多标签分类问题,即,使用CWE(common weakness enumeration)中描述的缺陷类别作为细粒度的模型预测标签.为了提高跨项目场景下的模型性能,提出一种融合对抗训练和注意力机制的多源域适应框架.该框架通过对抗训练来减少域(即软件项目)差异,并进一步利用域不变特征来获得每个源域和目标域之间的特征相关性.同时,该框架还利用加权最大均值差异作为注意力机制,以最小化源域和目标域特征之间的表示距离,从而使模型可以学习到更多的域无关特征.在构建的包含8个真实世界开源项目的数据集上的实验表明,所提方法对比最先进的基线方法取得了显著的性能提升.

基于域适应的图像语义分割综述

随着深度学习技术的迅速发展,语义分割算法在性能提升的同时依赖于大规模成对图像数据及其耗时耗力的像素级标注.人工制作的合成图像以规模大、易标注的特点,替代真实图像有效降低了训练成本.然而,合成图像与真实图像的域间差异性降低了分割网络的泛化能力.针对域间差异问题,研究者提出域适应语义分割(Domain Adaptive Semantic Segmentation,DASS)算法.该算法通过提取合成图像与真实图像的跨域共享知识,减小域间差异,提升分割网络在真实图像上的泛化能力.本文根据网络结构对主流DASS算法进行分类,分析了不同算法的性能对比结果,并提出未来研究方向.研究结果表明:早期的DASS算法利用生成对抗网络对齐源域和目标域的边缘分布,但网络结构复杂,并且只能实现两域的全局对齐,无法实现不同类别之间的精细对齐,性能较低;后续算法逐渐转向自训练网络结构,利用预训练的分割网络在目标域生成伪标签,为下一轮训练提供监督,结构简单,性能表现优于早期算法;随着Transformer网络的出现,其强大的特征提取能力进一步提升了DASS算法的准确性.

基于集成式张量域自适应的运动想象脑电分类

实际应用中脑电信号一直面临采集成本高、用户间差异大等问题,制约着基于脑电信号的运动想象领域的发展。针对跨受试者运动想象脑电信号识别任务,本研究提出了一种基于集成式张量域自适应的迁移学习方法。首先采用改进的欧氏空间对齐方法对多维脑电数据进行协方差对齐,消除原始数据的边缘分布偏移;其次提出基于张量子空间的改进联合概率分布方法,求得不同类别的映射子空间并实现未知标签的目标域识别分类。分别在7人200个样本和9人144个样本的BCI数据集上进行了实验,平均准确率达到82.18%和76.45%,证明了该方法在跨域分类识别上具有很好的性能。同时对于该方法各环节的效果也进行了可视化验证,展示了该集成式方法在跨域问题上的效果。

不同工况及类别下热力系统故障诊断的多源域自适应方法

针对不同负荷工况下,热工参数数据分布差异大且故障类别不一致的问题,提出了一种基于多源样本加权域对抗网络的热力系统故障诊断方法。首先,构建领域共享的一维卷积神经网络以提取多个源域和目标域的深度判别特征;其次,引入加权机制和域一致性损失度量样本,以降低仅存在于源域的故障类别的负迁移影响;然后,通过多域判别器的对抗学习实现每对源域和目标域的特征差异对齐;最后,构建多分类器对齐模块以提高预测的一致性,从而实现多源域不同工况下热力系统故障的准确诊断。借助某600MW超临界机组全范围仿真系统进行故障仿真实验,结果验证了所提方法的鲁棒性和优越性。

基于元学习及域自适应的生成式文本隐写分析方法

生成式文本隐写方法能够生成流畅、自然的隐写文本,给文本隐写分析带来了巨大挑战。当源域(训练文本)与目标域(测试文本)使用相同隐写算法,且在相同语料库下训练时,基于神经网络的文本隐写分析方法具有较好的检测性能。然而在实际应用中,我们无法预测待检测文本是采用何种隐写算法及在何种语料库下训练所生成,导致大多数基于神经网络的文本隐写分析方法难以实用。为解决这个问题,引入了元学习及域自适应的基本思想来提高隐写分析模型的泛化检测能力。我们采用预训练语言表示模型RoBERTa构建了一个词重要性语义编码模块,以充分提取文本语义特征。针对所得特征,提出了一个词间关联多尺度感知模块来关注由隐写导致的存在于相邻词与非相邻词之间的词间关系变化。实验结果表明,在多跨域场景下,该方法相较于现有文本隐写分析方法Fs-Stega检测准确率平均提高了9%。

基于深度域适应迁移学习的滚动轴承故障诊断方法研究

在实际工业生产中,滚动轴承故障数据稀疏,构建的小样本数据集易导致模型过拟合,需要进行数据增强构成训练域。由于机械设备在运行中存在工况时变性,导致训练数据和测试数据之间存在差异,进而造成轴承故障诊断准确率不高,故提出一种基于生成对抗网络和多核最大均值差异(MK-MMD)的深度域适应迁移学习方法。文中通过有限元模拟获得大量带有标签的仿真故障数据,在此基础上构建深度域适应迁移学习的故障诊断模型,并利用凯斯西储大学的轴承数据集对轴承故障诊断模型进行测试。此外,通过与卷积神经网络(CNN)、深度适配网络(DAN)和深度域自适应网络(DANN)的故障诊断结果对比,证明基于有限元模拟的数据增强和迁移学习的轴承故障诊断方法可有效提高轴承故障诊断的准确度。

基于深度学习域适应的飞机结冰图像气泡提取方法

针对采用深度学习方法提取结冰显微图像中的气泡需要大量标注数据,但人工标注气泡任务较为困难的问题,提出了一种基于风格迁移网络CycleGAN和图像分割网络Attention U-Net的域适应提取方法。该方法通过程序模拟气泡形态生成的图像为源域,结冰显微图像为目标域,通过CycleGAN将源域图像转为目标域风格,采用风格转换后的源域数据集训练Attention U-Net网络。通过对比实验对无标注结冰图像和少量标注图像两种情况进行验证。实验结果表明,在无标注图像的情况下,可实现无监督的结冰显微图像的气泡提取;在只有少量标注图像的情况下,该方法可实现更精确的气泡提取。

基于多源域适应JYPLS迁移的间歇过程质量预测

针对间歇过程数据不足,单源域迁移存在模型偏移,跨域信息损失导致建模效果不佳、负迁移等问题,结合域适应学习和多源域学习方法的优势,提出一种基于多源域适应联合Y偏最小二乘(joint-Y partial least squares,JYPLS)迁移的间歇过程质量预测方法。该方法通过迁移学习使用相似旧过程的数据辅助新过程建模,提高建模效率和模型预测精度;采用多源域适应的方式,通过引入多个源域,有效避免了负迁移;基于域适应思想减少源域和目标域之间的边缘概率分布差异,使得源域知识在目标域更好地泛化。最后,通过青霉素发酵过程的仿真案例验证了所提方法的有效性。

基于域适应对抗网络的眼底图像联合分割方法

由于数据集之间存在域偏移问题,基于深度学习的语义分割网络在不同数据集之间进行视盘视杯分割性能存在很大差异,这使得不同的医学站点之间进行精确的图像分析和诊断具有一定的挑战性。针对这一问题,提出了一种U-Net结合域对抗网络(domain adversarial via U-Net network,DAUNet)的无监督域适应视盘视杯联合分割方法,并在视盘视杯分割领域取得了不错的性能。首先,利用对抗思想结合目标数据先验特征信息生成与目标数据集相似的数据,预先调整网络参数;其次,通过对抗学习源域和目标域的域变特征,从而降低域偏移的影响,提高分割性能。在REFUGE、Drishti-GS和RIM-ONE-r3共3个数据集之间进行跨数据集的域适应实验和消融实验。实验结果表明,DAUNet网络在以REFUGE作为源域,RIM-ONE-r3作为目标域上视杯的Dice系数,视盘的Dice系数和CDR的绝对错误率分别为0.6486、0.7898、0.0725,优于CADA的分割结果。在消融实验中,视盘分割和视杯分割在有对抗下分别优于无对抗8.00%、4.59%。提出的U型域对抗网络综合了U-Net和域对抗网络(domain-adversarial neural network,DANN)模型的优点,DANN模型中的生成器和判别器联合工作时,会相互对抗并优化分割和判别能力,从而显著提高不同数据集之间的分割性能。

可判别性标签语义指导的域适应检索

从不同领域准确检索相似的对象,域适应检索解决了信息检索中的域偏移问题.然而,现有的方法仍然存在两个问题:a)忽略了类结构差异造成的域偏移(跨域和域内不同类的距离较近);b)忽略了特征与标签之间的语义差异.为了解决上述两个问题,本文提出了一种高效的可判别性标签语义指导学习(DLSG)方法.该方法探索源域和目标域的类结构,通过拉大不同类的距离使得类别更具有判别性.然后通过标签语义指导学习(LSG)来增强特征的标签语义,以提高学习的有效性.此外,动态对齐边缘分布和条件分布,以减少域差异.最后,采用两步哈希策略生成高质量的哈希码.在多个跨域检索数据集上的实验表明,DLSG的性能得到了提高.

图引导的特征融合和分组对比学习的域自适应语义分割

在无监督域自适应语义分割任务中,有效地融合源域和目标域的特征以及解决不同类别像素数量分布不均衡的问题是提升跨域语义分割网络性能的关键。为了充分融合源域和目标域的特征,建立源域和目标域之间的长距离上下文关系,本文构建了双跨域图卷积网络,利用图卷积来引导源域和目标域的特征进行融合。本文分别构造了跨域位置相似矩阵和通道相似矩阵,提出了跨域位置图卷积和跨域通道图卷积。为了解决数据集中存在的类不平衡问题,同时提取到更多域不变特征,本文提出了分组对比学习策略,通过在组内构造正负样本,拉近2个域相同类之间的距离并拉远2个域不同类之间的距离。实验证明,本文提出的方法在数据集GTA5到Cityscapes和SYNTHIA到Cityscapes上的跨域语义分割均取得了良好的效果。

医学图像分割的无监督域适应研究综述

医学图像分割在医学图像处理领域中具有广泛的应用前景,通过定位和分割出感兴趣的器官、组织或病变区域,为诊断和治疗提供辅助信息。但不同模态医学图像之间存在域偏移问题,这会导致在实际部署时分割模型的性能大幅下降。域适应技术是解决该问题的有效途径,尤其是无监督域适应,因其不需要目标域标签信息而成为医学图像处理领域的研究热点。目前,针对医学图像分割的无监督域适应研究的综述报告相对较少,对近年医学图像分割的无监督域适应的相关研究进行了整理、分析和总结,并对未来进行了展望,希望帮助相关研究人员快速了解并熟悉该领域的研究现状及趋势。

基于可靠性集成的无监督域自适应行人重识别

为了缓解基于伪标签的无监督域自适应行人重识别(UDA person ReID)方法中噪声标签带来的负面影响,提出了一种基于可靠性集成的无监督域自适应行人重识别(UDA-RI)方法。该方法包含渐进式伪标签提炼策略和基于可靠性集成策略两个部分。渐进式伪标签提炼策略通过建立一个不确定性的定量标准来衡量伪标签的可靠性,并采用渐进式采样使得模型得到更加稳定的训练。基于可靠性集成策略考虑了来自不同适应时刻的知识,将来自不同迭代的模型按照可靠性高低分配的权重进行了集成,并将自集成后的两种不同架构的模型再进行集成作为最终推理模型。实验表明,与目前先进的无监督域自适应行人重识别方法相比,UDA-RI方法在Market1501、DukeMTMC-ReID和MSMT17数据集上都取得了优越的性能。