-
题名基于邻域互信息的三支特征选择
被引量：3
- 1
-
-
作者
卓永泰
董又铭
高灿
-
机构
深圳大学计算机与软件学院
广东省智能信息处理重点实验室(深圳大学)
-
出处
《计算机工程与应用》
CSCD
北大核心
2022年第22期159-164,共6页
-
基金
国家自然科学基金(61806127,62076164)
佛山市教育局项目(2019XJZZ05)。
-
文摘
特征选择是机器学习非常重要的预处理步骤,而邻域互信息是一种能直接处理连续型或离散型特征的有效方法。然而基于邻域互信息的特征选择方法一般采用启发式贪婪策略,其特征子集质量难以得到有效保证。基于三支决策的思想,提出了三支邻域互信息特征选择方法(NMI-TWD)。通过扩展三个潜在的候选特征子集,并保持各子集之间的差异性,以获得更高质量的特征子集。对三个差异性的特征子集进行集成学习,构建三支协同决策模型,以进一步提高分类学习性能。UCI实验数据表明,新方法的特征选择结果和分类性能较其他方法更优,说明了其有效性。
-
关键词
特征选择
邻域粗糙集
邻域互信息
三支决策
集成学习
-
Keywords
feature selection
neighborhood rough set
neighborhood mutual information
three-way decision
ensemble learning
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于生成对抗网络的车牌图像篡改检测数据增广
被引量：1
- 2
-
-
作者
李来源
霍聪聪
谭舜泉
-
机构
深圳大学计算机与软件学院
深圳市媒体信息内容安全重点实验室(深圳大学)
广东省智能信息处理重点实验室(深圳大学)
深圳人工智能与机器人研究院
-
出处
《计算机应用》
CSCD
北大核心
2024年第S01期301-308,共8页
-
基金
国家自然科学基金资助项目(62272314)。
-
文摘
现有的篡改检测方法,主要使用基于数据驱动的深度学习模型,检测效果与训练数据的质量和数量成正比,且人工制作高质量的篡改图片费时费力。针对高质量车牌篡改图片数据量少的情况,提出一种针对车牌场景的篡改图片数据增广方法。结合车牌定位模块、车牌矫正模块、基于生成对抗网络(GAN)的图像擦除模块和文字风格迁移模块,构建一个车牌字符篡改系统,以模拟真实场景的车牌篡改流程。相较于传统篡改方法,借助GAN生成的篡改字符种类更多元化、更具备多样性。实验结果表明,使用所提系统生成的车牌篡改图片可以达到篡改区域语义高度合理,且肉眼不可分辨的视觉效果;将它作为扩充数据训练篡改检测模型,曲线下面积(AUC)提升了42.9%,F1值提升了33.0%,漏检率下降了16.6%。同时,使用所提系统生成的车牌篡改图片搭配多种数据处理方法在不同篡改检测网络上均能有效提升检测性能;使用扩充数据训练后,篡改检测网络不仅可以成功检测传统篡改方法的篡改痕迹,针对现阶段流行的生成式篡改,检测效果也明显提升。
-
关键词
生成对抗网络
图像擦除
文本风格迁移
篡改检测定位
数据增广
-
Keywords
Generate Adversarial Network(GAN)
image inpainting
text style transfer
tampering detection and localization
data augmentation
-
分类号
TP399
[自动化与计算机技术—计算机应用技术]
-
-
题名预测不确定性与对抗鲁棒性的关系研究
被引量：9
- 3
-
-
作者
陈思宏
沈浩靖
王冉
王熙照
-
机构
深圳大学计算机与软件学院
深圳大学数学与统计学院
广东省智能信息处理重点实验室(深圳大学)
-
出处
《软件学报》
EI
CSCD
北大核心
2022年第2期524-538,共15页
-
基金
国家自然科学基金(61732011,62176160,61976141,61732011,61772344)
深圳大学自然科学基金(827-000230)
深圳大学跨学科创新小组。
-
文摘
对抗鲁棒性指的是模型抵抗对抗样本的能力,对抗训练是提高模型对抗鲁棒性的一种常用方法.然而,对抗训练会降低模型在干净样本上的准确率,这种现象被称为accuracy-robustness problem.由于在训练过程中需要生成对抗样本,这个过程显著增加了网络的训练时间.研究了预测不确定性与对抗鲁棒性的关系,得出以下结论:预测不确定性越大,则模型对抗鲁棒性越大.结论解释为:用交叉熵训练得到的模型边界并不完美,为了使得交叉熵最小化,可能使得一些类的分类面变得狭隘,导致这些类的样本容易受到对抗攻击.如果在训练模型的同时最大化模型输出的信息熵,可以使得模型的分类面更加平衡,模型分类面边界与每一类数据的距离尽可能一样远,从而提高攻击难度.在此基础上,提出一种新的增强对抗鲁棒性的方法,通过增加模型预测的不确定性,以达到提高鲁棒性的目的;它在保证模型准确率的同时,使得模型预测的信息熵达到更大.在MNIST、CIFAR-10和CIFAR-100数据集上的大量实验和简化的模型推导,都证实了对抗鲁棒性随模型预测不确定性的增加而增加的统计关系.该方法也可结合对抗训练,进一步提高了模型的对抗鲁棒性.
-
关键词
对抗样本
不确定性
对抗防御
深度学习
对抗鲁棒性
-
Keywords
adversarial example
uncertainty
adversarial defense
deep learning
adversarial robustness
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
