基于嵌入式辅助的注意力深度学习在蓝牙实际射频指纹识别中的应用
介绍了一种利用卷积多头注意网络的新型指静脉验证技术,该技术能从正常和增强的指静脉图像中提取判别信息,通过与其他五种先进的指静脉验证系统的比较,证明了该方法的有效性。
Oct, 2023
本文提出一种双向注意力网络(BANet)用于单目深度估计,通过利用神经机器翻译的概念基础和引入双向注意力模块,该方法能够高效地将局部和全局信息相融合,并在 KITTI 和 DIODE 数据集上显著优于传统的前馈模型以及其他现有的单目深度估计方法。
Sep, 2020
提出了一种基于 Deep Attention Recognition 的解决方案,通过认证的 UAV 中嵌入一个小型的深度网络,用可观测参数 SINR 和 RSSI 识别 Line-of-Sight (LoS),Non-Line-of-Sight (NLoS) 情况下的攻击,并提出数据操作和多数投票技术来补充深度网络决策,探讨了 LSTM 和 Attention 层的影响以及数据不足情况下的精度测试,最后标准分类器测试表明,该算法精度在 LoS 和短距离 NLoS 条件下均高于 XGB 分类器。
Mar, 2023
本研究提出了多尺度频道注意力机制(MFA),其采用新颖的双通道设计,即卷积神经网络和时延神经网络,可用于对不同尺度的讲话者进行表征,并在短语态测试语句下表现出优异的成绩,其在 VoxCeleb 数据库上表现出最先进的性能,同时减少了参数和计算复杂度。
Feb, 2022
本文提出将超球体嵌入机制融入对抗训练过程中,通过在紧凑流形上对特征进行规则化,将表示学习的强度融合到轻量 yet 有效的模块中,该方法可从多个方面提高对抗性训练模型的鲁棒性, 并验证了在多种攻击下使用超球体嵌入表示方法可以在减少额外计算的情况下提升每个对抗训练框架的模型鲁棒性。
Feb, 2020
本篇论文提出了一种名为 Bottleneck Attention Module(BAM)的简单有效的注意力机制,可嵌入任何前馈卷积神经网络中,并在 CIFAR-100、ImageNet-1K、VOC 2007 和 MS COCO 等基准测试中通过广泛实验验证了其在图像分类和检测性能上的一致提高。
Jul, 2018
AttackNet 是一种巧妙设计的卷积神经网络架构,采用深度学习方法应对生物特征系统中的欺骗威胁,通过低级特征提取到高级模式识别无缝过渡的分层防御机制,具有优越的性能指标,并与当代模型进行了详细的比较分析,突出了深度学习在生物特征安全领域的潜力。
Feb, 2024
本文提出 DeepRadioID,一个系统,其无需重新训练深度学习模型即可优化基于深度学习的无线电指纹识别算法的准确性,实验结果显示其在三种情况下分别增加了 35%,50%和 58%的指纹识别准确性,并在 100 个设备数据集上实现了 27%的改进。
Apr, 2019
本文提出了一种基于联邦学习算法的无线电频率指纹算法,采用模型转移和适应策略以及在卷积层之间引入密集连接,强化了学习精度并降低了模型复杂度,实现了通信高效和隐私保护,通过从一个信道条件转移学习模型并将其适应于其他信道条件,可以高度准确地预测在环境漂移下的指纹识别率,这种算法在现实世界数据集上的实验表明,相较于基准算法,本文提出的算法可以提高预测性能至多 15%。
Feb, 2023