XiaoMi-AI文件搜索系统
World File Search SystemAdversa
通过生成对抗网络通过合成数据生成增强组织病理学图像分类
摘要：乳腺癌是全球第二常见的癌症，主要影响女性，而组织病理学图像分析是用于确定肿瘤恶性肿瘤的可能方法之一。关于图像分析，近年来，深度学习的应用变得越来越普遍。但是，一个重要的问题是可用数据集的不平衡性质，有些类的图像比其他类别的图像更多，这可能会由于较差的概括性而影响模型的性能。避免此问题的可能策略是用最多的图像来缩小课程来创建平衡数据集。尽管如此，小型数据集不建议使用这种方法，因为它可能导致模型性能差。取而代之的是，传统上使用了诸如数据预言之类的技术来解决此问题。这些技术应用了简单的转换，例如翻译或旋转到图像，以增加数据集中的可变性。另一种可能性是使用生成对抗网络（GAN），该网络可以从相对较小的训练集中生成图像。这项工作旨在通过使用GAN而不是传统技术应用数据扩展来提高模型性能在组织病理学图像中进行分类。
有条件的生成对抗网络 - ...
摘要在收成期间缺乏遥感图像在估计农作物产量方面构成了重大挑战。这项研究通过使用条件生成对抗网络的基于病例的推理框架（CGANA-CBR）来克服这一挑战，以在收获期间生成农田的遥感图像。具体来说，该研究使用CGANA-CBR模型生成农田的遥感图像，然后使用这些生成的图像来补充缺乏收获周期数据的真实遥感图像，从而实现了数据增强。随后，训练了卷积神经网络（CNN）模型，以提高平均产量预测的准确性。结果表明，与仅在实际远程感应数据中训练的基线CNN模型相比，RMSE的CNN模型同时结合了实际数据和CGANA-CBR生成的数据，其平均降低为6.3％。研究还发现，训练持续时间和使用的数据量显着影响模型性能，这表明需要在该领域进行进一步研究。
对手在道路上：使用不明显的对抗补丁
视觉同时定位和映射（VSLAM）在众多新兴应用中起关键作用，其中包括自动驾驶和机器人导航。它主要利用图像传感器捕获的连续帧来进行定位并构建高清图。但是，现有的方法主要集中于构建可靠和准确的VSLAM系统，而几乎没有研究现有VSLAM系统的脆弱性。为了填补空白，我们引入了AOR（dversary是R oad）攻击，该攻击可以有效地改变定位和映射结果，而无需合法用户检测到广泛使用的VSLAM系统的结果。为此，我们对现有的VSLAM系统进行了深入研究，发现这些系统对环境质量变化非常敏感。在这种见解的基础上，我们设计了一种新颖的对抗斑块生成机制，该机制可以产生不明显的对抗斑块来攻击现有的VSLAM系统。我们广泛评估了对行业级车辆，机器人平台和四个著名的开源数据集的AOR攻击的有效性。评估结果表明，AOR攻击可以有效地攻击现有的VSLAM系统并引入极高的定位错误（高达713％）。为了减轻此攻击，我们还设计了一个重要的防御模块，以同时检测异常的环境纹理分布并支持可靠的VS-LAM。我们的防御模块轻巧，有可能应用于现有的VSLAM系统。
具有生成对抗网络的高速接收器瞬态建模
摘要 - DATA密集型应用程序（例如人为的说明性和图形处理）变得司空见惯，需要高速IO才能部署这些关键应用程序。为了适应增加的数据需求序列化器/求职者（SERDES）接收器变得越来越复杂，具有不同的均衡方案来减轻通道障碍。对此接收器进行建模，因为它们是至关重要的。本文显示了一种通过生成网络进行固定和变化均衡的高速接收器瞬态建模的方法。该方法将接收器视为黑匣子，其输入和输出是两个不同的域，将问题作为域转换任务构图。所提出的方法使用时间序列的中间表示，成功地对接收器建模。我们证明所提出的方法是输入波形，接收器配置和通道不变的。在固定的均衡设置中，所提出的方法在[0,1]范围内的根平方误差为0.016，对于可变还原剂的同一范围内的误差为0.054。该方法可以在250ms以下预测一组批处理的结果，比同等时间步骤的等效香料模型快。索引项 - DATA驱动，生成，宏模型，Serdes，瞬态
clip2protect：使用文本引导的化妆通过对抗性潜在搜索
包括安全性[63]，生物识别技术[38]和刑事侵犯[45]，在许多情况下表现优于人类[12，48，61]。尽管这种技术的积极方面，但FR系统严重威胁了数字世界中的个人安全和隐私，因为它们有可能使大规模监视能力[1，67]。进行审查，政府和私人实体可以使用FR系统来通过刮擦Twitter，LinkedIn和Facebook等社交媒体资料的面部来跟踪用户关系和活动[18，20]。这些实体通常使用特定的FR系统，其规格是公众未知的（黑匣子模型）。因此，迫切需要采取一种有效的方法来保护面部隐私免受这种未知的FR系统的影响。理想的面部隐私保护算法必须在自然和隐私范围之间取得正确的平衡[70，77]。在这种情况下，“自然性”被定义为没有人类观察者很容易掌握的任何噪声伪影和人类认识的身份。“隐私保护”是指受保护图像必须能够欺骗黑盒恶意FR系统的事实。换句话说，被指定的图像必须与给定的面部图像非常相似，并且对于人类观察者而言是无伪影的，而同时欺骗了一个未知的自动化FR系统。由于产生自然主义面孔的失败会严重影响在社交媒体平台上的用户体验，因此它是采用隐私增强算法的必要预先条件。1）[22，25，39，72]。最近的作品利用对抗性攻击[57]通过覆盖原始面部图像[6，53，74]上的噪声约束（有限的）广泛扰动来掩盖用户身份。由于通常在图像空间中优化了对抗示例，因此通常很难同时实现自然性和隐私[70]。与基于噪声的方法不同，不受限制的对抗示例并未因图像空间中扰动的大小而影响，并且在对敌方有效的同时，对人类观察者来说表现出更好的感知现实主义[3，55，68，76]。已经做出了几项努力，以生成误导FR系统的不受限制的对抗示例（请参阅Tab。在其中，基于对抗化妆的方法[22，72]随着
de从反馈生成对抗网络
摘要：抗菌肽（AMP）是新抗生素的有前途的候选者，因为它们针对病原体的广谱活性和对耐药性发展的敏感性降低。深度学习技术，例如深层生成模型，为加快AMP的发现和优化提供了有希望的途径。一个了不起的例子是反馈生成式讽刺网络（FBGAN），这是一个深层生成模型，在训练阶段结合了分类器。我们的研究旨在探索增强分类器对FBGAN生成能力的影响。为此，我们介绍了两个替代分类器的FBGAN框架，都超过了原始分类器的准确性。第一个分类器利用K -MERS技术，而第二个分类器则从大蛋白质语言模型进化量表模型2（ESM2）中应用转移学习。与原始FBGAN相比，将这些分类器整合到FBGAN中，不仅会产生显着的性能增强能力，而且还可以使所提出的生成模型能够实现与Ampgan和Hydramp等既定方法相当甚至优越的性能。这一成就强调了在FBGAN框架内利用高级分类器的有效性，增强了其对从头设计的计算鲁棒性，并与现有文献相当。
金融合成数据生成的生成对抗网络：评估统计相似性和质量评估
摘要：生成合成数据是一项复杂的任务，需要准确复制原始数据元素的统计和数学属性。在财务，利用和传播实际数据进行研究或模型开发等部门中，由于包含敏感信息，可能会带来很大的隐私风险。此外，真实的数据可能很少，尤其是在获得足够，多样和高质量数据的专业领域很困难或昂贵。这种稀缺性或有限的数据可用性可以限制机器学习模型的培训和测试。在本文中，我们解决了这一挑战。尤其是，我们的任务是合成具有与股票市场的输入数据集相似的数据集。输入数据集是匿名的，由很少的列和行组成，包含许多不一致之处，例如缺失的行和重复项，其值不标准化，缩放或平衡。我们探讨了一种深入学习技术的生成对抗网络的利用，以生成合成数据并评估其质量与输入库存数据集相比。我们的创新涉及生成模仿输入元素的统计属性的人工数据集，而无需透露完整的信息。例如，合成数据集可以捕获原始数据集中观察到的股票价格，交易量和市场趋势的分布。生成的数据集涵盖了更广泛的方案和变化，使研究人员和从业人员能够探索不同的市场状况和投资策略。这种多样性可以增强机器学习模型的鲁棒性和概括。我们根据平均值，相似性和相关性评估我们的综合数据。
使用生成对抗网络的未来框架预测
摘要摘要人类预测在不久的将来将会发生的事情的能力有助于对如何在这种情况下做出反应做出明智的决定。在本文中，我们开发了多个深神经网络模型，打算以先前的帧以序列生成下一帧。近年来，生成的对抗网络（GAN）在图像生成领域显示出令人鼓舞的结果。因此，在本文中，我们旨在创建和比较两个生成的对抗模型，通过将gan与卷积神经网络，长期短期内存网络和卷积LSTM网络相结合，为将来的框架预测创建。基于最先进的方式，我们试图在视觉和数值上改善模型的结果。通过比较我们的两个模型的输出，然后将它们与以前开发的模型进行比较，并为此目的提供了将来的研究范围，从而总结了本文。这项工作中提出的两个模型都基于未来框架预测的某些方面表现良好。本文中介绍的结果在未来预测领域至关重要，在机器人技术，自动驾驶和自主剂开发等领域中。
使用生成对抗网络和对比度学习
摘要 - 巨型镜像通常会遭受高水平的噪声，这可能会阻碍进一步的分析和解释。已经提出了解决此问题的内容感知图像恢复（CARE）方法，但是它们通常需要大量的培训数据并遭受过度填充。为了提出这些挑战，我们提出了一个新颖的框架，用于几个射击显微镜图像denoising。我们的方法结合了通过对比度学习（CL）训练的生成对抗网络（GAN）与两个结构保留损失项（结构相似性指数和总变异损失），以进一步使用很少的数据进一步提高DeNO.图像的质量。我们证明了我们的方法在三个知名的显微镜成像数据集上的有效性，并表明我们可以在保留脱索质量的同时大大减少训练数据的量，从而减轻获取配对数据的负担并实现几乎没有射击学习。提出的框架可以轻松扩展到其他图像恢复任务，并有可能显着推进显微镜图像分析的领域。
低分辨率上的鱼类鉴定 - 一项具有增强的超级分辨率生成对抗网络（ESRGAN），YOLO和VGG -16
迫切需要对摄像机镜头的鱼类物种的智能检测和识别模型，因为填充物有助于世界经济的很大一部分，这些高级模型可以大规模帮助填充。这种包含拾取机器的模型可以有益于在不干预的情况下批量排序不同的鱼类，这显着降低了大规模杂种行业的成本。现有用于检测和识别鱼类物种的方法具有许多局限性，例如有限的可伸缩性，检测准确性，未能检测到多种物种，以较低分辨率降解性能，或者指出了最佳位置的确切位置。可以使用具有预训练的权重的引人注目的深度学习模型的头部，即VGG-16，可用于检测曲面的物种，并通过实现修改的YOLO来找到图像中的确切位置，以结合边界盒回归标题。我们提出了使用ESRGAN算法和提出的神经网络来扩大图像分辨率4的因子。使用此方法，已经获得了96.5％的总体检测准确性。该实验是根据分布在9种的9460张图像的基础上进行的。进一步改进了模型后，可以集成拾取机器以根据其物种在不同大规模的工业中的物种快速分类。