基于损失平滑的对抗样本攻击方法

深度神经网络(DNNs)容易受到对抗样本的攻击,现有基于动量的对抗样本生成方法虽然可以达到接近100%的白盒攻击成功率,但是在攻击其他模型时效果仍不理想,黑盒攻击成功率较低。针对此,提出一种基于损失平滑的对抗样本攻击方法来提高对抗样本的可迁移性。在每一步计算梯度的迭代过程中,不直接使用当前梯度,而是使用局部平均梯度来累积动量,以此来抑制损失函数曲面存在的局部振荡现象,从而稳定更新方向,逃离局部极值点。在ImageNet数据集上的大量实验结果表明：所提方法与现有基于动量的方法相比,在单个模型攻击实验中的平均黑盒攻击成功率分别提升了38.07%和27.77%,在集成模型攻击实验中的平均黑盒攻击成功率分别提升了32.50%和28.63%。     

一种基于攻击距离的对抗样本攻击组筛选方法

黑盒对抗样本生成过程中通常会指定1个攻击组，包括1个原始样本和1个目标样本，使得生成的对抗样本与原始样本范数差别不大，但被分类器识别为目标样本的分类。针对攻击组的攻击难度不同导致攻击不稳定的问题，以图像识别领域为例，设计了基于决策边界长度的攻击距离度量方法，为攻击组的攻击难易程度提供了度量方法。在此基础上，设计了基于攻击距离的对抗样本攻击组筛选方法，在攻击开始前就筛去难以攻击的攻击组，从而实现在不修改攻击算法的前提下，提升攻击效果。实验表明:相比于筛选前的攻击组，筛选后的攻击组的总体效果提升了42.07%，攻击效率提升了24.99%，方差降低了76.23%。利用攻击组的对抗样本生成方法在攻击前先进行攻击组筛选，可以稳定并提高攻击效果。      

基于生成对抗网络的零样本图像分类

在图像分类任务中,零样本图像分类问题已成为一个研究热点。为了解决零样本图像分类问题,采用一种基于生成对抗网络（GAN）的方法,通过生成未知类的图像特征使得零样本分类任务转换为传统的图像分类任务。同时对生成对抗网络中的判别网络做出改进,使其判别过程更加准确,从而进一步提高生成图像特征的质量。实验结果表明:所提方法在AWA、CUB和SUN数据集上的分类准确率分别提高了0.4%、0.4%和0.5%。因此,所提方法通过改进生成对抗网络,能够生成质量更好的图像特征,从而有效解决零样本图像分类问题。      

深度学习机制与小波融合的超分辨率重建算法

深度学习技术在超分辨率重建领域中发展迅速。为了进一步提升重建图像的质量和视觉效果，针对基于生成对抗网络（GAN）的超分辨率重建算法重建图像的纹理放大后不自然的问题，提出了一种结合小波变换和生成对抗网络的超分辨率重建算法。所提算法在生成对抗网络中将小波分解的每个分量在各自独立的子网中进行训练，实现网络对小波系数的预测，有效地重建出具有丰富的全局信息和局部纹理细节信息的高分辨率图像。实验结果表明，对比基于生成对抗网络的算法，所提算法重建图像的客观评价指标峰值信噪比（PSNR）和结构相似性分别能提高至少0.99 dB和0.031。      

基于块对角投影表示的人脸识别

针对大多数特征表示算法在挖掘高维数据内在结构时容易受到噪声的影响，以及特征学习与分类器设计割裂导致分类性能降低的问题，提出了一种新的基于特征表示的人脸识别方法，称为块对角投影表示（BDPR）学习。首先，利用样本信息对每类样本的编码系数施加一个加权矩阵，通过局部约束来加强表示系数之间的相似性，从而降低噪声对系数学习的影响，使所提方法能够更好地保持数据的局部结构。其次，为了实现数据与编码系数相关联，降低表示系数的学习难度，构造了块对角化判别约束项来学习一个判别投影，通过投影从低维数据中提取样本表示系数，使系数包含更多的样本间全局结构信息且具有更低的计算复杂度。最后，将系数学习和分类器学习整合到同一框架下，同时增大不同类别样本间的“标签距离”，采用迭代求解的方式交替更新判别投影和分类器，最终得到最适合当前表示特征的分类器，使得所提方法能自动完成分类。多个公开的人脸数据集上的实验结果表明:较之传统的协作表示分类和多个主流的子空间学习方法，所提方法均取得了更优的识别效果。      

基于改进AdaBoost.M2算法的自动调制识别方法

针对同族调制类型通信信号识别难度大、深度学习模型普遍存在泛化能力弱的问题，基于经典AdaBoost.M2算法，提出改进样本权重的AdaBoost.M2算法，用于解决大样本情况下学习率与加权后样本数据难以相适应的问题。改进后的新样本权重确保训练样本数据的数量级在加权后不变，并使算法更迅速地关注到难分类样本，提高了弱分类器综合性能，降低了加权投票模型中弱分类器重要性之间的差异。针对部分样本的统计特性易淹没于噪声中造成难分类问题，提出随机特征裁剪方法，使算法避免过度关注异常特征，降低了极难分类样本对AdaBoost.M2算法性能的负面影响，提升了算法的泛化能力，并以低信噪比数据进行实验验证。针对调制类型同族信号难分类的问题，选取同族调制类型的通信信号开展模型训练和测试。实验结果表明：相比于单一卷积长短时记忆全连接深度网络（CLDNN）算法，改进AdaBoost.M2算法对低信噪比PSK族类和QAM族类通信信号的测试集准确率分别提高了8.5%和11.25%，相比于直接集成CLDNN的经典AdaBoost.M2算法，测试集准确率分别提高了8.25%和6.5%。     

基于朴素贝叶斯分类器的空中红外目标抗干扰识别方法研究

红外诱饵对抗技术的发展使得空战环境日益复杂化,对红外成像制导空空导弹抗干扰目标识别技术提出了更高的要求。红外诱饵的投放使得目标特征的完整性、显著性及稳定性遭到破坏,基于特征融合匹配的统计模式识别方法无法准确识别目标。提出了一种基于朴素贝叶斯分类器的抗干扰目标识别方法,该方法对空战对抗仿真图像数据集进行了特征挖掘,利用实验拟合方法构建了典型特征的概率密度函数模型,构造了朴素贝叶斯分类器,实现了飞机目标和干扰的分类识别。仿真实验结果表明,该方法在已测试的弹道图像数据集下的平均识别正确率达到了81.82%,且能够解决假目标、目标遮挡等抗干扰目标的识别难题。     

基于模糊关联分类器的民机超限事件诊断方法

现有的民用飞机超限事件智能诊断模型大多属于“黑盒”模型,不利于分析超限事件发生的原因.为此提出了一种基于模糊关联分类器(FAC,Fuzzy Associative Classifier)的民用飞机超限事件诊断方法.该方法抽取发生超限事件时对应的QAR(Quick Access Recorder)参数快照取值,采用模糊C均值(FCM,Fuzzy C-Means)聚类算法对抽取的QAR参数取值模糊预处理,然后基于Apriori算法生成模糊关联分类规则库,并由遗传算法对其进行裁剪,结合模糊分类推理方法形成FAC.采用B737-800实际样本数据进行了验证.实验结果表明,所提出的FAC能有效诊断超限事件,FAC识别超限事件的错误率与最小二乘支持向量机(LS-SVM,Least Squares Support Vector Machine)模型相当,但其解释性方面优于LS-SVM.     

一种基于深度学习的恶意代码克隆检测技术

恶意代码克隆检测已经成为恶意代码同源分析及高级持续性威胁(APT)攻击溯源的有效方式。从公共威胁情报中收集了不同APT组织的样本，并提出了一种基于深度学习的恶意代码克隆检测框架，目的是检测新发现的恶意代码中的函数与已知APT组织资源库中的恶意代码的相似性，以此高效地对恶意软件进行分析，进而快速判别APT攻击来源。通过反汇编技术对恶意代码进行静态分析，并利用其关键系统函数调用图及反汇编代码作为该恶意代码的特征。根据神经网络模型对APT组织资源库中的恶意代码进行分类。通过广泛评估和与MCrab模型的对比可知，改进模型优于MCrab模型，可以有效地进行恶意代码克隆检测与分类，且获得了较高的检测率。      

基于GAN网络的红外图像生成技术

当将人工智能技术应用于军事领域中的目标识别任务时，针对由红外图片采集的局限性而造成的训练数据不足的问题，提出了基于生成对抗网络以生成红外图像的方法，实现了数据集的扩充。对基本的生成对抗网络进行了改进，将网络的输入由随机噪声变为真实图片，使之实现了图片到图片的风格转换，即彩色图片转变为红外图片。经过网络模型的搭建和训练，实验结果表明，该方法能够有效生成清晰和高质量的红外图片，解决了由红外数据不足而造成的网络训练不充分的问题。     

Deep learning-based framework for monitoring of debris-covered glacier from remotely sensed images

In recent years, deep learning (DL) methods have proven their efficiency for various computer vision (CV) tasks such as image classification, natural language processing, and object detection. However, training a DL model is expensive in terms of both complexities of the network structure and the amount of labeled data needed. In addition, the imbalance among available labeled data for different classes of interest may also adversely affect the model accuracy. This paper addresses these issues using a new convolutional neural network (CNN) based architecture. The proposed network incorporates both spatial and spectral information that combines two sub-networks: spatial-CNN and spectral-CNN. The spectral-CNN extracts spectral information, while spatial-CNN captures spatial information. Moreover, to make the features more robust, a multiscale spatial CNN architecture is introduced using different kernels. The final feature vector is formed by concatenating the outputs obtained from both spatial-CNN and spectral-CNN. To address the data imbalance problem, a generative adversarial network (GAN) was used to generate data for the underrepresented class. Finally, relatively a shallower network architecture was used to reduce the number of parameters in the network and improve the processing speed. The proposed model was trained and tested on Senitel-2 images for the classification of the debris-covered glacier. The results showed that the proposed method is well-suited for mapping and monitoring debris-covered glaciers at a large scale with high classification accuracy. In addition, we compared the proposed method with conventional machine learning approaches, support vector machine (SVM), random forest (RF) and multilayer perceptron (MLP).     

基于权值分配及多特征表示的在线多示例学习跟踪

针对复杂环境下目标跟踪过程中由于遮挡、目标姿势及光照条件变化引起跟踪漂移的问题,提出一种基于多示例学习（MIL）框架的在线视觉目标跟踪算法。该算法针对多示例跟踪算法采用单一haar-like特征不能准确描述目标外观变化及在学习过程中对样本包中各正负样本示例采用相同权值,忽略不同正负样本示例在学习过程中对包的重要性不同的特点,采用多特征联合表示目标外观构造分类器,通过将多特征互补特性融入在线多示例学习过程中,利用多特征的互补属性建立准确的目标外观模型,克服在线多示例跟踪算法对目标外观变化描述不足的问题;同时,依据不同正负样本示例对样本包的重要程度进行权值分配,提高跟踪精度。实验结果表明,本文跟踪算法对场景光线剧烈变化、遮挡、尺度变化及平面旋转等干扰具有较强的跟踪鲁棒性,通过对不同视频序列进行测试,文中算法在5组测试视频序列上的平均中心位置误差远小于对比增量式学习跟踪,仅为10.14像素,其对比算法IVT、MIL和OAB的中心位置误差分别为17.99、20.29和33.64像素。      

基于半监督迁移学习的轴承故障诊断方法

针对航空发动机轴承故障诊断过程中预测精度不足以及过拟合的问题,提出基于迁移学习的半监督集成学习器（SSIT）用以发动机轴承故障预测。首先,训练改进的基于迁移学习的极限学习机（TELM）以及基于迁移学习的支持向量机（TSVM）,分别迁移不同目标空间的高相似度样本加入到源样本空间进行训练。然后,与对应的基学习器集成同簇学习器来识别未标记样本,构成半监督学习器不断调整初始基学习器权重,并继续集成半监督基学习器的识别结果到SSIT中。通过此学习机识别提取特征后的,用以故障识别。实验结果清楚地表明:此种方法可以有效降低迁移学习中的负迁移效果,提升迁移精度10%左右,降低机器学习中的过拟合效果,提高半监督学习稳定性,与现有的预测方法相比可以提高精度9%以上。      

抵御对抗样本攻击的指纹室内定位方法

随着城市智能化的发展, 基于WiFi接收信号强度(RSS)的指纹室内定位服务受到社会的广泛关注。深度学习技术是利用RSS信号获得高室内定位性能的一种重要手段, 但其易遭受对抗样本攻击, 给定位系统带来严重安全隐患。为此, 提出了一种抵御对抗样本攻击的基于深度学习的RSS指纹室内定位方法(AdvILoc)。该方法基于图像识别领域对抗样本防御方法的研究和分析, 结合室内RSS指纹数据特征单一且高维的特点, 通过在RSS指纹室内定位深度学习模型中添加池化层、全连接层, 以及满足差分隐私的噪声层来抵御对抗样本攻击, 解决了基于深度学习的室内定位模型易过拟合且泛化能力不高的问题。通过添加Dropout层, 以及设计模型参数正则化方法, 提高模型抵御对抗样本攻击的鲁棒性。在2个真实RSS指纹室内定位数据集上的实验结果表明:与已有基于多层感知机(MLP)、卷积神经网络(CNN)的RSS指纹室内定位方法相比, 所提方法在保证时间开销和基本不影响定位模型性能的情况下, 提高了模型抵御对抗样本攻击的鲁棒性；在满足l₂范式规范的C&W攻击下, 随着攻击大小不断增大, 模型的定位准确率下降也更平稳。      

基于Adaboost的填充式防护结构超高速撞击损伤预测

填充式防护结构的显式弹道极限方程在对弹丸进行超高速撞击损伤预测时,由于填充材料、填充方式的不同,会导致预测结果与实测数据存在一定偏差。对此,采用机器学习方式将该问题转化为二分类问题,以碰撞过程中的弹丸撞击参数、防护结构参数作为分类特征,构建了基于Adaboost的填充式防护结构超高速撞击损伤预测模型。该模型以分类回归树（CART）作为弱分类器,通过对一系列弱分类器的加权组合生成强分类器,并通过对训练样本的循环使用,实现了小样本集下的撞击损伤预测。实验结果表明,建立的Adaboost预测模型对填充式防护结构的超高速撞击损伤具有良好的预测效果,总体预测率与安全预测率相比于NASA的弹道极限方程均提高了14.3%,具有更强的通用性。通过不同训练样本规模下的交叉检验,证明了该模型具有良好的鲁棒性与准确性。      

基于记忆关联学习的小样本高光谱图像分类方法

高光谱图像（HSI）分类是遥感领域的基础应用之一。该任务旨在根据部分带类别标签的像素样本训练分类器，预测图像中剩余像素对应的类别标签。在实际应用中，由于人工标记样本成本过高，只能获得少量带标签的样本。针对少量样本无法准确描述数据分布从而导致训练过程过拟合的问题，提出一种基于记忆关联学习的小样本高光谱图像分类方法。考虑到无标签样本中包含大量与数据分布相关的信息，构建基于有标签样本记忆模块，并根据样本间的特征关联，利用不断更新的记忆模块学习无标签样本的潜在类别分布，构建无监督分类模型，并与传统的有监督分类模型进行联合学习。在多个高光谱图像分类数据集上的实验结果表明，所提方法能有效提升小样本高光谱图像分类的准确性。      

太阳活动区EUV图像的生成式模型耀斑分级与预报

近年来,不断发射的空基观测台持续传送回海量日面图像及日地间气象数据,为采用人工智能技术对太阳活动进行预报预警提供了数据基础。但是,极端天气爆发少,样本量较少;中等程度爆发稍多,样本量较多;常规无爆发天气常见,样本较为集中,样本不均衡状况严重影响机器学习方法在空间天气领域的广泛应用。本文面向多源多通道多尺度日面图像信息,构建了来自SOHO和SDO的1996-2015年日面活动区图像数据集;针对数据分布的不平衡,对太阳活动区图像作耀斑分级与预报。在对比分析元学习算法的基础上,设计了结合分类头设计和卷积核初始化的生成式模型;在使网络轻量化的基础上,能够将M和X级耀斑预报的检测率指标相较于普通的深度学习模型和无监督度量式模型分别提升10%和7%。