面向边缘部署场景的轻量神经网络修复算法

随着深度学习技术的不断进步,神经网络在各领域得到广泛应用,特别是在边缘计算环境中,例如智能交通和新型电网等典型场景.然而,神经网络的可靠性问题限制了其在真实世界的广泛应用.在复杂的边缘环境中,预训练模型往往因未涵盖所有可能的边缘情况而性能下降.因此,针对部署中的神经网络进行高效修复成为一个关键的研究课题.传统修复方法通常涉及整个模型的重新训练,这在边缘场景中具有诸多局限性.首先,不同地理区域的设备可能面临独特的自然噪声,使得统一模型难以适应所有环境.其次,深度神经网络的大规模参数使得其训练和部署时资源消耗巨大,且更新期间的服务中断将降低系统的可用性.为解决这些问题,本文提出了一种轻量级的补丁式神经网络修复算法.该算法通过引入个性化的补丁来增强神经网络对不同边缘环境中自然噪声和边角案例的鲁棒性.具体的,在故障定位阶段,类比于程序插桩中通过注入代码以检测、改进和分析软件行为,本文提出了神经网络插桩技术.通过将模型探针插桩进神经网络,观测其内部运行情况,实现了对错误样本的故障定位.在故障修复时,通过插入无监督搜索得到的神经网络补丁来纠正原始神经网络的输出.此外,本文提出了故障预测模块以提前预测潜在的错误输出,从而仅在必要时激活补丁.在基于2个数据集、15种噪声以及4个神经网络模型的实验中,与现有修复算法相比,本文方法在修复性能上取得了 6.64%至20.00%的提升.同时,本文方法所需的训练样本量减少了超过90%,而所需更新的参数量最高减少了 91.94%.这种有效且轻量的特性为解决边缘计算环境中神经网络的可靠性问题提供了有效途径.

Box-Behnken响应面法结合BP神经网络优化黑胡椒脐贴处方研究

目的采用Box-Behnken响应面法结合BP神经网络优化黑胡椒脐贴处方。方法在前期预试验的基础上,以载药量、促渗剂用量、聚乙二醇(polyethylene glycol,PEG)6000与微粉硅胶的比例为影响因素,进行单因素试验。结合体外透皮试验,利用高效液相色谱法测定胡椒碱的含量,对胡椒碱峰面积、指纹图谱的总峰面积和脐贴的成型性、剥离残留度和基质填充情况赋以权重,所得结果为综合评价指标。在单因素试验的基础上利用Box-Behnken响应面法结合BP神经网络优化脐贴处方。结果黑胡椒脐贴的最佳处方为载药量7%、氮酮4.5%、PEG6000与微粉硅胶的质量比为43∶1。结论黑胡椒脐贴的处方合理,可为后续贴剂的药效学研究提供基础。

基于关键区域特征提取与二阶段分类网络的场景识别方法

在场景识别任务中,存在异类场景包含高相似度的物品种类或同类场景空间布局差异过大的情况,即场景的类间相似性与类内差异性。现有方法通过增强数据集或利用多层次的信息互补提高分类器的判别能力,尽管性能得到了一定提升,但仍存在局限性。文中提出了关键区域特征提取(Discriminative Patch Extraction,DPE)以及二阶段分类(Two-Stage Classification,TSC)网络的方法来克服场景的类间相似性与类内差异性。关键区域提取通过保留图像中的关键信息区域来避免类内差异性对场景识别的影响,而二阶段分类网络则通过粗细两个阶段的训练来避免类间相似性对场景识别的影响。文中方法结合ViT(Vision Transformer)等基线网络,在经典场景识别数据集Scene15、MITindoor67和SUN397上的分类精度分别达到了96.9%、88.4%以及76.0%。所提方法在最大规模的场景识别数据集Places365上取得了60.5%的最高分类精度。

基于卷积神经网络的互花米草识别研究

互花米草的侵入对我国的生态系统多样性造成了巨大损失,如何准确地识别零散斑块的互花米草对其早期监测及预警具有重要意义。采用低空无人机遥感技术,以广西北海地区春季时期红树林中的互花米草为研究对象,利用AlexNet、VGG16、GoogleNet、ResNet50、EfficientNetB0五种卷积神经网络,分别对包含互花米草、红树林及其他地物背景的图像数据集进行模型的训练、验证与测试,然后将训练好的五种网络模型对整个试验区域的互花米草及地物背景进行识别并标记,得到互花米草的分布图。基于混淆矩阵和运算时间的综合定量评估结果表明,ResNet50网络模型总体上优于另外四种网络模型,识别准确率最高,达到了96.96%,且在测试集上耗时仅为5.47 s。将识别结果图与互花米草实际分布图进行对比,ResNet50网络模型的识别结果与互花米草的实际分布基本重合。

针对眼部掩模的人脸识别对抗贴片研究

随着深度学习技术的快速发展,人脸识别技术被广泛应用于现实世界的工作与生活中。然而深度神经网络对于对抗样本表现出极大的脆弱性。鉴于用对抗贴片进行黑盒攻击比白盒攻击更加困难,且黑盒攻击性能性能较差,同时由于眼部区域包含了较多的特征信息,该文提出一种新的针对眼部掩模的对抗贴片生成方法(Adversarial Eye Mask,AdvEyeMask),来实现人脸识别系统的黑盒攻击。首先,对输入图像进行添加随机噪声、随机调整亮度以及随机放缩等多样性变换,在采用集成模型生成贴片的迭代优化过程中,借助动量思想求得目标损失,而后对损失梯度矩阵进行高斯核卷积处理,从而提高对抗贴片的黑盒攻击性能。基于CASIA-Facev5数据集,AdvEyeMask与AdvHat方法相比,平均相似度提升了34.46%,平均攻击成功率提升了64.40%,实现了较好的黑盒攻击效果。最后,从实用性角度出发,AdvEyeMask方法生成的对抗贴片在物理场景下对某商用人脸识别设备进行了黑盒攻击测试。

基于图像块SIFT特征学习的多源遥感图像匹配方法

对于多源遥感图像因成像原理、时相差异以及分辨率等因素导致的匹配困难问题,提出了一种基于图像块SIFT特征学习的多源遥感图像匹配方法。首先,通过尺度不变特征变化(scale-invariant feature transform,SIFT)提取图像特征点并截取对应的图像块对;其次,利用多源遥感图像匹配网络(matching nerul network,MNN)学习图像块特征并输出匹配点对,结合快速样本一致性(fast sample consensus,FSC)方法优化匹配结果;最后,计算图像变换矩阵实现多源遥感图像配准。为验证本文方法的有效性,制作了8000对多源遥感图像数据集对MNN进行网络训练,并与FSC-SIFT(fast sample consensus-scale-invariant feature transform)、PSO-SIFT(position scale orientation-scale-invariant feature transform)以及跨模态图像匹配网络Contextdesc进行对比实验,结果表明本文方法在正确匹配点数量、匹配精度等方面具有一定优越性。

基于数据融合的日光温室传感器布设

针对北方日光温室内环境监测传感器的布设问题,设计了基于神经网络、分批估计理论与自适应加权平均融合算法的日光温室传感器布设方案.利用11个监测点采集到的温室内西红柿生长环境温度和湿度数据,在运用BP神经网络进行缺失值补全的基础上,结合分批估计理论和自适应加权平均融合算法进行多传感器数据融合.通过对比融合值与原始数据的相对误差,选择最佳传感器数据,以此为基础确定最优传感器布设区域.结果表明,相对于算数平均融合与自适应加权平均融合,基于分批估计的自适应加权平均融合方法可以更合理地反应多传感器数据特征.

RBF神经网络在显示器色空间转换中的应用

目的研究RBF神经网络对显示器色彩空间转换预测准确性的方法。方法通过编程借助Measure Tool软件自动测量获取建模和测试数据,通过反复测试选择建模合适的函数和参数,最后用RBF神经网络模型进行仿真实验,以获取较好的RGB转换到Lab色空间的转换模型。结果 RBF神经网络模型测试得到的色块平均色差达到0.75,最大色差达到19.7。结论该方法建模简单方便,网络训练速度快,转换精度高,对显示器色彩空间转换具有较好的非线性拟合能力和更高的预测准确性。

基于BP神经网络矩形微带天线谐振频率预测

谐振频率是微带天线的重要技术指标,建立合适的数学模型以获得微带天线精确的谐振频率,在微带天线的设计中至关重要,通过BP神经网络建模的方法对天线谐振频率进行预测.以一款谐振频率为2.4 GHz的矩形微带天线为分析算例,通过HFSS软件的仿真计算,获取了大量的天线样本,在此基础上建立了矩形微带天线的BP神经网络模型,并预测出不同结构参数下5个矩形微带天线的谐振频率.再将这5个天线的结构参数输入HFSS软件,用HFSS软件对这些天线进行仿真得到其谐振频率,比较结果证明采用BP神经网模型预测得到的天线谐振频率与HFSS仿真结果间误差很小,说明神经网络预测得到的天线谐振频率有效,本文的设计方法可行,效果良好.

监督颜色校正方法研究

消除由于光照等条件变化而对图像颜色值产生的影响是进行彩色图像的识别和分析的关键 .该文从表面反射的有限维线性模型出发 ,在理想情况下导出了颜色值从非标准光照到标准光照的线性转换关系 .实际上 ,由于成像系统本身采用了一些处理技术 ,使得转换关系应为非线性 .文中提出了新的监督颜色校正方法 ,通过在图像摄取环境中放置监督色板 ,并借鉴监督学习的思想 ,分别采用线性回归、多项式回归和BP神经网络三种方法来求解转换关系 ,从而对颜色值进行校正 .试验结果表明 ,三种方法都达到了较好的校正效果 ,且应用条件几乎不受限制 .相比之下 。

基于响应延时预测的流媒体集群服务器负载调度策略

随着流媒体应用的指数级增长,提高流媒体服务器的性能越发重要。本文提出一种流媒体集群服务器的负载调度策略。综合运用多级模糊系统和人工神经网络技术,对用户请求响应延时进行模糊预测,并考虑节点服务器的流媒体节目前缀缓存和补丁预取技术,提出基于响应延时阈值和请求流媒体节目在节点服务器的缓存情况的负载调度算法,并对该算法进行仿真验证。

基于无人机遥感的荒漠草原微斑块识别研究

荒漠草原是草原的极限状态,也是草原向荒漠过渡的一类草原。荒漠草原不同群落斑块之间的识别是评价草原荒漠化的一个重要指标。探索一种高效、快速的识别荒漠草原不同群落斑块之间的分布情况对动态监测草原荒漠化进程和合理开发草地资源有重要意义。本文以无人机搭载高光谱仪进行荒漠草原遥感影像数据采集,利用主成分分析(PCA)对数据进行降维。通过对卷积神经网络进行改进,将不同卷积层的特征进行融合,进而提出一种具有多层特征融合的2D卷积神经网络(MFF-2DCNN)识别方法。结果表明,该模型对荒漠草原微斑块识别总体精度达92.23%,与SVM、KNN和原始2D-CNN相比分别提升4.35、25.71、0.95个百分点。无人机遥感与卷积神经网络的有效结合为荒漠草原不同群落斑块之间的识别分类提供新思路。

基于对抗补丁的交通标牌攻击

深度学习越来越广泛地应用于自动驾驶。但是,随着研究的深入,发现深度神经网络容易受到攻击。通过研究使用一种向交通标志牌添加对抗补丁的方法对交通标志牌的网络模型(GTSRB-VGG16)的攻击效果,以期为后续的研究提供参考。这个方法采用的是德国的交通标志数据集(The German Traffic Sign Recognition Benchmark,GTSRB),使用的网络模型结构是经典的VGG16分类模型,设置了不同大小的补丁(占图比5%~50%),研究了不同大小的补丁在GTSRB-VGG16上的攻击效果。此外,实验最后分析了对抗补丁方法的鲁棒性。

深度学习在多时相大棚提取应用研究

蔬菜大棚对于农业生产具有重要意义。受季节和环境影响,其在遥感影像上不同时期呈现不同形态,仅通过单时相特征提取精度不能满足要求。近几年,深度学习被证明适合遥感数据的分类,为实现深度学习在农业遥感上的有效应用,提出了一种改进的多时相语义分割模型(Multi-temporal Spatial Segmentation Network,MSSN)用于蔬菜大棚提取。提出基于补丁长短时记忆网络(Patch-LSTM),该网络充分利用图像的空间和时序信息。采用带空洞卷积的空间金字塔池化(ASSP)解决网络对尺度敏感问题。进一步添加跳连层(Skip-layer)和反卷积层提升特征图的还原能力。选择山东高密GF-2遥感影像进行实验。结果表明,该分割模型在测试集上有0.95的Precision、0.92的F1 score以及0.93的前景IoU(Intersection Over Union),可以实现高精度的蔬菜大棚提取,为深度学习在农业遥感的应用提供新的方法。

基于对抗补丁的可泛化的Grad-CAM攻击方法

为了验证Grad-CAM解释方法的脆弱性,提出了一种基于对抗补丁的Grad-CAM攻击方法。通过在CNN分类损失函数后添加对Grad-CAM类激活图的约束项,可以针对性地优化出一个对抗补丁并合成对抗图像。该对抗图像可在分类结果保持不变的情况下,使Grad-CAM解释结果偏向补丁区域,实现对解释结果的攻击。同时,通过在数据集上的批次训练及增加扰动范数约束,提升了对抗补丁的泛化性和多场景可用性。在ILSVRC2012数据集上的实验结果表明,与现有方法相比,所提方法能够在保持模型分类精度的同时,更简单有效地攻击Grad-CAM解释结果。

基于BP神经网络的分形DGS微带天线设计

微带天线易于产生谐波辐射,造成功率的损耗。加入DGS的微带天线可以抑制谐波,但是普通DGS会增加天线的背向功率漏射,且接地板利用率较低,分形DGS可以很好地克服这些缺点。为了缩短DGS的设计周期,采用BP神经网络对DGS进行进建模,在此基础上分析设计了一种分形DGS微带天线,并对制作的实物进行了测量,测量结果与仿真结果吻合较好,证明了该神经网络模型的正确性和分形DGS在微带天线谐波抑制中的有效性。

基于卷积神经网络的晶圆缺陷检测与分类算法

针对晶圆检验时扫描电镜图像的缺陷检测和缺陷分类问题,利用ZFNet卷积神经网络对晶圆缺陷进行分类,并在此基础上,设计基于块的卷积神经网络缺陷检测算法。为提高准确率和加快速度,通过改进Faster RCNN分类器,提出另一种检测算法。实验结果表明,2种检测算法都能通过学习已标记位置和类型的缺陷数据,从扫描电镜图像中准确检测并分类多种类型缺陷。

改进的卷积神经网络架构

对卷积神经网络架构进行改进,提高其对遥感图像处理的识别能力。以端到端的形式处理图像数据,为提取更加完善的图像特征数据,对图像数据进行打补丁操作并利用小训练集训练模型参数,达到优化网络的目的,降低过拟合的概率。为验证该方法的有效性,采用遥感数据集进行实验验证,实验结果表明,该卷积神经网络架构对遥感图像的处理有更好的效果和更高的精确度。

基于滑动块的深度卷积神经网络乳腺X线摄影图像肿块分割算法

目的:提出一种基于滑动块的深度卷积神经网络局部分类、整图乳腺肿块分割的算法,为临床诊断提供有效的肿块形态特征。方法:首先通过区域生长算法和膨胀算法提取患者乳腺区域,并进行数据归一化操作。为了得到每一个像素位置上的诊断信息,在图像的对应位置中滑动提取肿块类及非肿块类图像块,根据卷积神经网络提取其中的纹理信息并对图像块进行分类。通过整合图像块的预测分类结果,进行由粗到细的肿块分割,获得乳腺整图中像素级别的肿块分割。结果:通过比较先进的深度卷积神经网络模型,本文算法滑动块分类结果DenseNet模型下准确率达到96.71%,乳腺X线摄影图像全图肿块分割结果F1-score最优为83.49%。结论:本算法可以分割出乳腺X线摄影图像中的肿块,为后续的乳腺病灶诊断提供可靠的基础。

短路针加载微带天线反射损耗的神经网络模型

短路针加载的微带贴片天线具有较低的谐振频率,特别适用于便携式通信设备中。作者采用多层感知器建立了短路针加载圆形贴片天线的神经网络模型,把短路针位置作为输入样本,天线的反射损耗S11参数作为输出样本,采用BP算法对多层感知器进行训练。当多层感知器训练完成,在学习范围内将短路针位置输入到多层感知器,从输出端立即得到准确的S11参数。