【摘 要】
：
深度神经网络在图像分类、目标识别等任务中已经取得了显著效果,然而训练集（源域）和测试集（目标域）的数据分布不一致会导致模型的性能大幅下降。领域自适应在解决训练数据与测试数据分布不同方面具有重要的现实意义。本文重点研究在目标域无标签的情况下提取领域不变特征,提高模型对于目标域的分类准确率。现有的域适应方法忽略了目标样本的分类信息,在特征提取过程中生成器往往在分类边界产生有分歧的特征从而影响了模型分类
论文部分内容阅读
深度神经网络在图像分类、目标识别等任务中已经取得了显著效果,然而训练集（源域）和测试集（目标域）的数据分布不一致会导致模型的性能大幅下降。领域自适应在解决训练数据与测试数据分布不同方面具有重要的现实意义。本文重点研究在目标域无标签的情况下提取领域不变特征,提高模型对于目标域的分类准确率。现有的域适应方法忽略了目标样本的分类信息,在特征提取过程中生成器往往在分类边界产生有分歧的特征从而影响了模型分类性能。本文提出基于对抗训练的域适应模型,采用分类器充当判别器的角色,在推动特征对齐的同时,充分考虑目标特征与决策边界的关系,将目标域分类信息用于模型优化。分类器检测分类边界,生成器生成远离边界的有效特征。本文主要完成如下工作:1.从无监督领域自适应角度出发,分析近年来研究重点,从理论角度分析无监督域适应算法的优化方向。详细介绍现有基于对抗的无监督域适应模型算法与优缺点。基于上述研究提出基于对抗训练的域适应方法提取域不变特征,提高模型鲁棒性。2.提出基于熵对抗的无监督域适应方法。实现以下三个目标:（1）生成器与判别器对目标域条件熵对抗训练实现目标特征的类间可分性;（2）优化生成器使目标域边缘熵最大化获得分类多样性信息;（3）生成目标域样本的标签用于模型学习,促使生成器输出更具有区分性特征。实验证明,本文方法在不同的跨域实验均取得了良好效果。3.提出基于集成分类器对抗的无监督域适应方法。实现以下三个目标:（1）学习源域样本的判别性特征信息和分类边界;（2）通过分类器最大化后验差异探索分类边界,通过生成器最小化集成分类器差异实现源域和目标域条件分布对齐,增大类间可分离性;（3）优化生成器最大化输入与输出之间的互信息,增加目标域样本的分类多样性。从理论方面证明该方法的合理性,在不同任务上的实验结果表明了该方法的有效性。4.提出基于对抗训练的图像特征提取方法。实现以下两点目标:（1）分类器最大化分类差异提高敏感度,生成器最小化差异产生更鲁棒特征;（2）探究不同的差异度量方法对实验的影响,提高分类准确率。在不同数据集上进行实验,结果表明分类器对抗的方法不仅适用于跨域图像分类,在图像特征提取方面具有良好应用。
其他文献
图像复原技术随着数字技术的发展,已被广泛应用于多个领域,是图像处理领域中一个重要的研究方向。传统图像复原方法如逆滤波法、维纳滤波法、最小二乘法等难以解决函数逼近问题,难以应用于复杂场景。本文主要使用生成对抗网络实现图像超分辨率重建和图像修复两方面的复原任务。图像超分辨率重建在预处理时会出现丢失部分图像重要的高频细节,重建图像过于光滑以及网络模型训练不稳定等问题。图像修复过程中存在受伪像影响、修复结
视觉目标跟踪（Visual Object Tracking）旨在对视频任意目标进行轨迹追踪,是计算机视觉领域中基础研究方向。目标跟踪技术在自动驾驶、机器视觉、智能监控、军事国防等领域得到了广泛应用。深度学习技术的发展大幅提高了目标跟踪算法的性能,但在应对相似目标干扰、非刚性形变、尺度变化剧烈挑战时,依然存在鲁棒性差、准确性低的难题,无法满足实际应用场景的需求。本文基于深度学习技术,提出两种基于多任
自动调制分类（Automatic Modulation Classification,AMC）是信号解调前一个复杂且重要的技术,它在军事领域和民用领域都有广泛的应用。近年来,由于机器学习算法的引入,使得AMC技术备受关注。基于机器学习的AMC算法相比于传统算法有更高的识别精度和鲁棒性。本文深入研究并做了以下几方面的工作:1.针对复杂信道情况下,由于调制信号受噪声干扰导致识别准确率不高的问题,提出基
正确判断脑部神经胶质瘤基因型是突变还是野生类型,将有助于医生做出正确的预后治疗。针对活体组织检查会对患者造成一定的伤害、人工观察核磁共振图像准确率低的情况,本文借助计算机辅助的方式对神经胶质瘤进行判断。本文以神经胶质瘤分型为目的,多序列核磁共振图像为数据基础,深度学习为方法,从预处理到肿瘤分型分别提出了不同的深度学习网络结构。本文的创新性工作包括以下内容:（1）针对预处理时,3D Slicer等软
第五代（The Fifth Generation,5G）通信系统采用更先进的通信技术对5G信道建模提出了更高的要求。在无线信道建模的研究领域中,最大的挑战是建立有效且准确的信道模型,能够模拟影响无线通信系统性能分析的所有传播特性。车对车（Vehicle-to-Vehicle,V2V）信道建模作为5G信道建模研究的热点之一,越来越受到研究人员的关注。在V2V通信场景中,发送端（Transmitter
随着物联网的迅速发展,射频能量采集技术的应用范围也逐步扩大。作为射频能量采集系统中的能量接收和转换器件,整流天线在系统中发挥着重要的作用。整流天线的一个研究方向是在有限的功率密度环境下尽可能地吸收更多能量以提高能量转换效率。实际的能量采集过程中,天线的辐射方向、极化方式以及与整流电路的合并方式等都制约着能量采集系统的接收能力。本文设计了极化可重构全向圆极化天线,通过切换极化方式在辐射范围内提高天线
随着图像处理技术的发展和嵌入式硬件的进步,基于机器视觉的无人机着陆已经成为非常热门的研究领域。无人机视觉着陆控制是无人机飞行控制系统的关键技术之一,它对无人机着陆的稳定性,准确性,可靠性和实时性能有很高的要求。基于视觉的着陆系统是学者们研究的热点,与传统的系统相比,该系统具有成本低、抗干扰能力强的优点。实现无人机视觉着陆的基本要求是获取无人机所处环境的信息并通过该信息准确估计无人机的位姿姿态,其中
由于光照、色调等因素的干扰,采集自不同摄像头的同一个行人的图像通常存在视觉差异,而不同行人的图像却可能很相似,因此往往很难用线性模型来区分它们。我们通过对传统的只能用于单视图场景的协同表示分类器（CRC）进行跨视图非线性扩展,提出跨视图核协同表示分类（CV-KCRC）框架并将之应用于行人重识别。CV-KCRC不仅能增强CRC处理跨视图异类样本线性难分问题的能力,而且还能提升了模型的判别力和鲁棒性。
近年来,物联网（Internet of Things,Io T）技术发展迅速,其应用领域已经扩展到智能家居、智能医疗、农场监测和智慧交通等方面。由于无线通信环境的开放性,安全与隐私问题是物联网发展的关键因素。认证方案是实现物联网安全的第一道防线,但是单一认证方案容易造成传感器节点认证的延迟、网络资源占用问题,而群组认证方案能够提高网关对节点的认证效率,适合节点数目繁多的物联网环境。此外,若节点以真
信息隐藏是保证网络通信数据安全的重要手段之一,发送方可以通过密钥和特定算法将秘密信息嵌入到载体中,再由接收方通过密钥和特定算法提取出秘密信息。其中,图像因其易获取性和多样性,成为目前使用最为广泛的隐藏载体之一。信息隐藏技术不仅能够保证秘密信息本身的安全,还能保证载密图像进行可靠的传输,因而受到国内外学者的广泛关注及深入研究。传统自适应图像隐写算法对于待改变像素位置选择大多依赖人为经验设计,需要耗费