Sep, 2022

通过条件生成对抗网络提高基于传感器的动物行为分类性能

PDF
TL;DR本研究通过采用改进后的 U-Net 架构和条件生成对抗网络（CGAN）将分类模型扩展到更多时间点判断，提高活动识别的性能，对包括奶牛、猪在内的数据集进行了测试，并显示出明显的改进。
发现论文，激发创造
  • 基于 U-Net 的生成对抗网络鉴别器

    该研究通过提出基于 U-Net 鉴别器的架构以及基于 CutMix 数据增广的像素一致性规则技术提高了生成对抗网络的合成图像的全局和局部连贯性，并在标准分布和图像质量指标方面优于已有研究成果，与 BigGAN 基线相比，能够在 FFHQ、CelebA 和新引入的 COCO-Animals 数据集上实现平均 2.7 FID 分数的提升。

    Feb, 2020

  • 使用生成对抗网络进行多元时间序列异常检测

    利用生成对抗网络（GAN）进行复杂的网络型智能物理系统的异常检测，通过多个传感器和执行器的多元时间序列模型以及强化学习的方法识别出攻击行为，针对六级安全水处理系统实验结果表明在高检测率和低误报率方面具有较高的效率和准确性。

    Sep, 2018

  • 远程感知图像中的数据增强和适应的条件生成对抗网络

    使用 GAN 将给定的标记遥感图像拓展成更大的数据集并评测其对于物体检测任务的性能提升。

    Aug, 2019

  • DEGAN：使用生成式对抗网络鉴别器和密度估计的时间序列异常检测

    本文提出了一个基于生成对抗网络的无监督异常检测框架 DEGAN，采用滑动窗口处理时间序列数据进行训练，利用产生正常数据模式的生成器和预测异常的独立鉴别器，借助核密度估计提高精度，测试发现该框架具有较高的召回率和准确率。

    Oct, 2022

  • 使用生成对抗网络改进手势数据的新颖性检测

    利用生成对抗网络方法训练的人工神经网络对无法识别的手势进行分类，旨在提高手势分类准确率和新手势的识别率。经测试，该方法会导致一些已知手势分类不正确，但这种方式已经可以在训练准确率损失 5% 的代价下取得 95.4% 或 90.2% 的新手势检测率。

    Apr, 2023

  • 使用样本选择和条件生成对抗网络的图像分类和分割高效主动学习

    使用生成对抗网络和贝叶斯神经网络的主动学习框架，可以从少量的医学图像中训练出具有良好鲁棒性的深度学习系统，取得了同类方法中最先进的性能表现。

    Jun, 2018

  • DiscrimNet：利用生成对抗网络进行视频半监督行为识别

    本论文提出一种基于生成对抗网络的动作识别框架，使用大规模视频活动数据集上的深度卷积生成对抗网络（DCGAN）进行无监督学习，然后通过有标签数据集对已训练的鉴别器进行微调，实现准确识别人类活动的半监督学习。其中本文找到了好的网络架构和超参数以最大化鉴别器的效果。这种只使用外观信息的半监督学习方法达到了目前半监督动作识别方法，如 UCF101 和 HMDB51 等，的优劣表现。

    Jan, 2018

  • 移动众感知中基于生成对抗网络的对抗任务检测

    本文提出了一种基于 GAN 的模型，通过将 GAN 判别器与二元分类器相结合，预防对手伪造任务，从而检测智能设计的非法传感服务请求。模拟结果表明，与单层二元分类器相比，提出的方法将对抗攻击检测率从 0% 提高到 97.5%，提高了三个二元分类器的原始攻击检测率。

    Feb, 2022

  • 基于生成对抗网络的早期动作预测

    本研究提出了一种基于生成对抗网络的视觉分析框架来改进部分观察视频的特征辨识度，包括一个卷积神经网络用于特征提取，一个 LSTM 用于估计残差误差，并使用对抗生成网络来提高部分观察视频的辨别能力，在 UCF101，BIT 和 UT-Interaction 数据集上实验结果表明，本方法在动作预测方面优于现有技术。

    Apr, 2019

  • 基于卷积变换器和双重鉴别器的生成对抗网络，用于视频异常检测

    本文介绍了一种基于卷积变换器、双鉴别器生成对抗网络（CT-D2GAN）的非监督式视频异常检测方法，该方法在未来帧预测和对视频的局部和全局建模方面取得了显著的效果。

    Jul, 2021