生成式对抗网络

摘要： 珍珠粉和珍珠层粉化学成分相似,但是珍珠层粉的药用价值远低于珍珠粉,并且珍珠层粉制备容易,成本底,常被不法商家用于冒充或掺入珍珠粉中流入市场,谋取利益。因此,对珍珠粉掺伪鉴别和纯度检测具有重要的意义。采用激光拉曼光谱结合深度学习研究珍珠粉掺伪快速鉴别和纯度分析。将纯珍珠粉和珍珠层粉按一定比例混合,制成珍珠粉质量百分数分别为0%,25%,50%,75%,80%,85%,90%,95%与100%共9种纯度270个模拟掺伪珍珠粉样本。然后对样本进行拉曼光谱采集,参数设置如下:分辨率为4.5 cm^(-1),积分时间为3000 ms,激光功率为20 mW。搭建了深度卷积生成式对抗神经网络(DCGAN)模型,对样本拉曼光谱进行数据增强;在此基础上,结合K近邻(K-nearest neighbor)、随机森林(random forest)、决策树(decision tree)、一维卷积神经网络(1D-CNN)4种分类器,对纯度为85%,90%,95%与100%的小比例掺伪样本进行真伪鉴别分析;同时,结合一维卷积神经网络对9种纯度的珍珠粉掺伪样本建立纯度预测的定量模型。结果表明:基于DCGAN数据增强方法所生成的拉曼光谱,与原始光谱相比,在峰值信噪比和结构相似度两个评价指标上均明显优于传统数据增强方法;在珍珠粉掺伪定性鉴别方面,DCGAN增强后的数据分别送入4种分类器,对4种小比例掺杂样本的真伪鉴别正确率均达到100%;在对9种掺伪纯度样本纯度检测方面,对测试集样本,DCGAN-1DCNN方法所建纯度定量预测模型性能最优,其决定系数R^(2)为0.9884,预测均方根误差RMSEP为0.0348,一维卷积神经网络的损失值Loss为0.0012,定量模型拟合最好。拉曼光谱结合DCGAN算法为珍珠粉掺伪鉴别及纯度检测提供一种快速简便的方法。深度卷积生成式对抗网络的数据增强方法在光谱分析技术领域具有重要的研究意义和应用价值。

摘要： 工业控制系统异常检测大多面临类不平衡问题,从而导致检测模型准确率下降和泛化能力变差。根据生成式对抗网络,提出一种只使用正常样本进行训练的异常检测模型——基于隐空间特征重构的生成式对抗网络模型。在训练阶段,该模型通过引入新的编码器,学习生成数据到隐空间的映射,实现生成数据的隐空间特征重构,并嵌入SE Block模块提升有效特征权重,提高隐空间特征重构能力;鉴别器同时鉴别两个编码器和一个生成器产生的3个数据对,提高模型精度和泛化能力。在检测阶段,综合考虑重构和鉴别损失,采用L2范数优化异常评分公式,克服模式崩塌。SWaT和WADI两个数据集上的验证实验结果表明,该模型在学习能力、稳定性和检测结果方面与AnoGAN、WGAN-GP和BiGAN等模型相比都具有明显优势。

摘要： 为了能够精准地对煤矿皮带运输机上的异物进行检出,提出了一种基于深度生成模型的皮带异物检测方法.首先,利用常规的变分自编码器(variational autoencoder,VAE)对图像进行重构,根据原始图像与重构图像之间的重构误差对图像中是否存在异物进行检出.然后,为了解决变分自编码器所生成的重构图像通常较为模糊的问题,引入了生成式对抗网络(generative adversarial network,GAN),对原始图像和重构图像进行判断,获取更加清晰的重构图像,以便提升异物检测精度.最后,将变分自编码器与生成式对抗网络进行结合,设计一种适用于皮带异物检测的深度学习算法.实验结果表明,与基线方法对比,本文方法在各评价指标上均有较好的效果.

摘要： 图像修复是图像处理的一个重要问题,目的是利用计算机视觉技术自动恢复退化图像中损坏或丢失的部分,被广泛应用于影视特技制作、图像编辑、数字化文物保护等领域。近几年,以生成式对抗网络(GAN)为代表的深度学习技术在计算机视觉和图像处理领域大获成功,基于GAN的图像修复逐渐成为主流,受到了广泛关注。针对图像修复的关键问题,文章对GAN和基于GAN的修复方法进行理论分析,首先整理分析了传统的基于人工特征的经典图像修复方法,其次总结了近年来基于GAN的代表性图像修复算法,并进行归纳分类,探讨了各类方法的特点和局限性。然后对图像修复模型常用的评价指标和公开数据集进行整理和分析,最后阐述了图像修复面临的挑战,对图像修复技术未来的发展方向进行展望。

摘要： 在中国,彝文古籍文献日益流失而且损毁严重,由于通晓古彝文的研究人员缺乏,使得古籍恢复工作进展十分缓慢.人工智能在图像文本领域的应用,为古籍文献的自动修复提供可能.本文设计了一种双判别器生成对抗网络(Generative adversarial networks with dual discriminator,D2GAN),以还原古代彝族字符中的缺失部分.D2GAN是在深度卷积生成对抗网络的基础上,增加一个古彝文筛选判别器.通过三个阶段的训练来迭代地优化古彝文字符生成网络,以获得古彝文字符的文字生成器.根据筛选判别器的损失结果优化D2GAN模型,并使用生成的字符恢复古彝文中丢失的笔画.实验结果表明,在字符残缺低于1/3的情况下,本文提出的方法可使文字笔画的修复率达到77.3%,有效地加快了古彝文字符修复工作的进程.

摘要： 自动驾驶数据集的丰富性是保证基于深度学习的自动驾驶算法鲁棒性和可靠性的关键。当前的自动驾驶数据集在夜晚场景和各类气候、天气条件下的数据量仍十分有限,为满足无人驾驶领域的应用需求,本文中构建了风格迁移网络,可将当前自动驾驶数据集转换为夜晚、雪天等多种形式。该网络采用单编码器-双解码器结构,综合语义分割网络、跳跃连接和多尺度鉴别器等多种手段用于提高图像的生成质量,生成的图像具有良好的视觉效果。用真实数据训练deeplabv3+语义分割网络来评价生成图像的结果表明,本文采用的网络生成图像的平均交并比比基于双编码-双解码结构的两种网络(AugGAN和UNIT)分别提升了2.50%和4.41%。

摘要： 跨项目缺陷预测(cross-project defect prediction, CPDP)已经成为软件工程数据挖掘领域的一个重要研究方向,它利用其他项目的缺陷代码来建立预测模型,解决了模型构建过程中的数据不足问题.然而源项目和目标项目的代码文件之间存在着数据分布的差异,导致跨项目预测效果不佳.基于生成式对抗网络(generative adversarial network,GAN)中的对抗学习思想,在鉴别器的作用下,通过改变目标项目特征的分布,使其接近于源项目特征的分布,从而提升跨项目缺陷预测的性能.具体来说,提出的抽象连续生成式对抗网络(abstract continuous generative adversarial network, AC-GAN)方法包括数据处理和模型构建两个阶段:(1)首先将源项目和目标项目的代码转换为抽象语法树(abstract syntax tree,AST)的形式,然后以深度优先方式遍历抽象语法树得出节点序列,再使用连续词袋模型(continuous bag-of-words model,CBOW)生成词向量,依据词向量表将节点序列转化为数值向量;(2)处理后的数值向量被送入基于GAN网络结构的模型进行特征提取和数据迁移,然后使用二分类器来判断目标项目代码文件是否有缺陷. AC-GAN方法在15组源-目标项目对上进行了对比实验,实验结果表明了该方法的有效性.

摘要： 高频电气数据是提高电网态势感知准确度、监测水平和辅助服务质量等的数据基础之一,但是,传统重建算法难以实现高精度的数据重建。因此,文中利用改进生成式对抗网络将低频电气数据重建为高频。通过将时序数据转化为电气图像,实现神经网络方法对电气图像特征的高效提取。利用基于深层残差网络的生成器和改进的残差块结构,提高生成器的特征学习能力。此外,生成器损失函数考虑真实样本与生成样本在低维或高维特征的差别。以公开数据集为例进行算法验证,验证结果表明,相比于传统重建方法,所提方法具有更高的峰值信噪比、结构相似性和更低的平均绝对误差、平均绝对误差百分数,以及更高的高频细节还原度、重建精度,能够对不同数据集实现泛化。

摘要： 中国汉字文化博大精深,汉字的风格迁移在收藏科学领域,特别是在古籍修复和书法鉴定领域具有广阔的应用前景。生成式对抗网络模型的训练模式是一种非监督式学习,具有较好的图像生成效果。目前,汉字风格迁移的研究大多采用此网络模型。但是该网络训练过程不稳定,容易出现梯度消失和模型坍塌的问题,并且汉字字符较多,不同书写风格之间也存在许多细节差异,增加了汉字风格迁移的难度。基于此,笔者提出了一种改进的生成式对抗网络,通过将LBP算法引入到循环生成式对抗网络中来实现风格迁移。实验结果表明,改进后的网络不仅可以实现更好的风格迁移,而且在字体细节的生成方面也有较好的效果。

摘要： 深度学习技术在图像识别、自然语言处理、金融预测等领域具有广泛应用,其分析结果一旦存在偏见将给个人和群体带来负面影响,因此在保障深度学习模型的性能不受影响的前提下提高模型的公平性至关重要。针对数据的偏见信息不只是敏感属性,属性之间的关联性使非敏感属性也会带有偏见信息,因此只考虑敏感属性的去偏算法依然存在偏见问题。为了消除数据中关联属性的敏感信息对深度学习的分类结果带来偏见,提出一种基于生成式对抗网络的数据去偏方法,模型的损失函数结合公平性约束及准确性损失两种约束优化,利用对抗式编码消除偏见信息,生成去偏数据集;并通过生成器与判别器的交替博弈训练,减少数据集无偏信息的损失,在保证主任务分类准确率的同时消除数据中的偏见,从而提高后续分类任务的公平性。最终,在多个真实数据集上展开数据去偏实验,验证了该去偏算法的有效性。

摘要： 生成式对抗网络的诞生,使得神经网络和机器学习领域的研究有了许多突破性进展.语言模型的离散空间输出形式,限制了基于梯度的生成式对抗网络在自然语言处理问题上的能力.WGAN作为生成式对抗网络的变体,成功将GANs的应用数据空间由连续数据空间推广至离散数据空间.本文在WGAN的基础上,分析总结了神经网络研究在文本生成任务中存在的问题,结合生成式对抗网络的性质和优点,提出了无监督的字符级文本生成方法LabelGANs.它是在WGAN的基础上将生成式对抗网络应用于离散文本序列生成的创新应用,结合噪声数据空间分布特点和约束方法,为生成式对抗网络在文本任务的研究提供了参考.

摘要： 针对入侵数据非平衡、传统机器学习算法依赖人工特征提取、特征表示不准确的问题,提出一种基于GAN数据增强和混合神经网络的入侵检测方法GCG.该方法的重点在于构建生成式对抗网络并利用生成器和判别器的博弈思想生成相对平衡的流量数据训练集,以此来解决数据非平衡问题.将经过预处理后的流量数据的矩阵表示形式输入到混合神经网络中,通过卷积操作和门控操作分别从空间和时序两个层面上对流量数据进行特征提取,以此来精准特征表示.采用Softmax分类算法对网络流量数据进行分类.仿真实验均已在NSL-KDD数据集上得到验证,实验表明,该文所集成的入侵检测方法具有良好效果.

摘要： 本发明公开了一种基于生成式对抗网络的恶意代码对抗样本自动生成方法，属于机器学习和网络安全技术领域。本发明首先选定训练用PE文件进行特征提取，得到初始特征映射向量，利用生成式对抗网络GAN对初始特征映射向量进行训练，得到对抗特征向量及对抗特征库，再使用进化算法对恶意PE文件进行对抗修改，最后经过筛选和恶意验证得到恶意代码对抗样本文件。本发明可以快速自动的生成含有恶意功能且能使分类器误分类的恶意对抗样本，且能够实现人工调整训练参数、调控系统训练方式，有效提升了生成对抗样本的真实性、高效性以及模型对抗评估的准确性。

摘要： 本发明涉及一种基于条件生成式对抗网络的网络背景流量生成方法，包括：数据获取步骤，获取的网络流量数据及条件信息，并向量化为真实流量；模型生成步骤，以该真实流量得到初始生成模型和判别模型，并通过条件生成式对抗网络以该判别模型对该初始生成模型进行训练，以得到生成模型；流量生成步骤，通过该生成模型以随机向量生成模拟背景流量。

摘要： 本发明公布了一种基于生成式对抗网络的开放式问题自动生成方法，建立问题自动生成模型包括生成器和鉴别器，通过构建开放式问题自动生成数据集，采用增强学习的模型对抗训练方法，实现问题自动生成。本发明方法能够解决开放式问题生成中答案发散且差异较大，难以使用最大似然法高效拟合的问题，提升问题自动生成的效果。

摘要： 本公开涉及用于训练并使用生成式对抗网络的系统和方法。在一个实施方式中，一种训练生成式对抗网络的系统可以包括：至少一个处理器，其可以：提供第一多个图像，所述第一多个图像包括感兴趣特征的表示以及感兴趣特征的位置的指示符；并且利用第一多个图像和指示符来训练对象检测网络。此外，所述一个或多个处理器还可以：提供包括所述感兴趣特征的表示的第二多个图像，以及将经训练的对象检测网络应用于所述第二多个图像，以产生感兴趣特征的多个检测。此外，所述一个或多个处理器还可以：提供关于多个检测对真阳性和假阳性的手动设置的验证；利用验证来训练生成式对抗网络；以及利用至少另一组图像、进一步的检测和进一步手动设置的验证来重新训练生成式对抗网络。

摘要： 本发明涉及一种基于生成式对抗网络的图片对抗样本生成方法，其采用以下步骤：对收集到的图片进行预处理；随机初始化生成器G和鉴别器D

摘要： 本发明公开了一种基于生成式对抗网络的恶意代码对抗样本自动生成方法，属于机器学习和网络安全技术领域。本发明首先选定训练用PE文件进行特征提取，得到初始特征映射向量，利用生成式对抗网络GAN对初始特征映射向量进行训练，得到对抗特征向量及对抗特征库，再使用进化算法对恶意PE文件进行对抗修改，最后经过筛选和恶意验证得到恶意代码对抗样本文件。本发明可以快速自动的生成含有恶意功能且能使分类器误分类的恶意对抗样本，且能够实现人工调整训练参数、调控系统训练方式，有效提升了生成对抗样本的真实性、高效性以及模型对抗评估的准确性。

摘要： 本发明公开了一种基于生成式对抗网络的对抗样本生成方法，包括生成器G、鉴别器D、空间变换模块ST和目标分类网络F，生成器G生成扰动，将扰动叠加到原样本中产生对抗样本，再根据鉴别器D和目标分类网络F的损失函数对生成器G进行训练，最后得到训练好的生成器G，利用训练好的生成器G为不同输入样本产生自适应的对抗样本。本发明利用生成式对抗网络，嵌入基于空间变换的增强模块，采用无监督方式进行对抗训练，提高攻击模型的泛化能力和鲁棒性，进而增强对抗样本的迁移性和鲁棒性。

摘要： 本发明涉及一种基于生成式对抗网络的网络攻击流量生成系统，属于网络安全技术领域。本发明通过应用生成式对抗网络算法通过训练生成网络攻击流量，用来模拟网络环境中的攻击流量，可用于验证安全防护系统对异常数据的处理能力，同时也可以应用于网络靶场中作为一种攻击流量的生成源。

摘要： 本发明题为“基于深度神经网络的对使用生成式对抗网络来生成的现实合成图像的识别”。本发明提供了用于对使用生成式对抗网络(GAN)来生成的现实合成图像的深度神经网络(DNN)识别的技术。根据一个实施方案，描述了一种系统，该系统可以包括存储计算机可执行部件的存储器以及执行存储在存储器中的计算机可执行部件的处理器。计算机可执行部件可以包括第一提取部件，该第一提取部件提取被分类为非真实而不是真实的合成图像的子集，其中合成图像的子集使用GAN模型来生成。计算机可执行部件还可以包括训练部件，该训练部件采用合成图像的子集和真实图像来训练DNN模型以将使用GAN模型来生成的合成图像分类为真实或非真实。

摘要： 本发明涉及一种基于条件生成式对抗网络的网络背景流量生成方法，包括：数据获取步骤，获取的网络流量数据及条件信息，并向量化为真实流量；模型生成步骤，以该真实流量得到初始生成模型和判别模型，并通过条件生成式对抗网络以该判别模型对该初始生成模型进行训练，以得到生成模型；流量生成步骤，通过该生成模型以随机向量生成模拟背景流量。