本文研究了深度神经网络在噪声环境中的鲁棒性和不变性，提出了快速计算稀疏对抗扰动和数据增强方法，与数据之间的特征联系起来，以实现更可靠的机器学习系统。

Aug, 2022

本文旨在使用深度神经网络对广播领域中使用的信号处理算法进行分类，探究故意制造的对抗性扰动可能如何欺骗 DNN 分类器并显著降低其准确度的论题，并尝试定义特定于类别和独立于样本的对抗性扰动，展示这些攻击在物理信道上使用软件定义电台通过空中进行的有效性，以及这些对抗扰动可以从通信设备之外的源头发出，使得这些攻击实用于无法在物理层操纵其传输信号的设备。

Feb, 2022

本文介绍了一种新的使用深度学习技术处理雷达数据的方法，该方法利用雷达校准数据进行训练，引入了新的雷达数据增强技术，通过在雷达 4D 检测任务上的实验验证，表现更优秀的性能，极大地减少了对昂贵的雷达校准工艺的需求，从而实现快速准确的示踪和分类检测。

Jun, 2019

本文提出了一种名为 “deep defense” 的训练方法来解决深度神经网络易受到对抗样本攻击的问题，通过将对抗扰动的正则化器与分类目标相结合，得到的模型能够直接且准确地学习抵御潜在的攻击，实验证明该方法在不同数据集上对比对抗 / Parseval 正则化方法有更好的效果。

Feb, 2018

使用深度学习技术针对微多普勒应用进行预测时，引入微多普勒相干损失以优化模型，实验证明该损失有助于提高模型的噪音鲁棒性。

Apr, 2024

对于处理雷达微多普勒迹象，研究中分析了卷积神经网络的相位信息的实用性以及多普勒 - 时间输入的最佳格式。研究发现，卷积神经网络分类器的性能受到输入表示类型的影响，即使在具有等效信息的不同格式之间也是如此。此外，研究证明了多普勒 - 时间表示的相位分量包含用于分类的丰富信息，并且在时间维度上进行相位解包能够改善结果，将在测试的人体活动数据集上的准确性从 0.920 提高到 0.938。通过在多种格式上嵌入进行线性分类器的训练，进一步改进，达到 0.947 的准确性。

Apr, 2024

深度神经网络可用于乳腺癌筛查，但在应用时需要考虑输入扰动的鲁棒性，本文探究了针对自然图像的文献和针对乳腺 X 线摄影术图像的差异，通过测量受四种常见扰动影响的乳腺 X 线摄影术图像分类器的灵敏度，得出结论认为已有文献可供参考；本文同时提出了低通滤波的问题，这可能会影响乳腺癌的预测，因此，对于乳腺 X 线摄影术图像分类器来说，去除低通滤波对于诊断有利。

Mar, 2020

本文介绍了一种利用深度学习神经网络中 Bayesian 不确定性估计和密度估计的方法，可以实现对于对抗样本的检测，具有很好的泛化性能，并在标准分类任务上取得了 85-93% 的 ROC-AUC 表现。

Mar, 2017

通过元学习方法构建的双网络框架，旨在解决深度神经网络在遇到少量样本的新对抗攻击时检测精确度低的问题。在 CIFAR-10，MNIST 和 Fashion-MNIST 三个数据集上实验表明，该方法相比于传统的对抗攻击检测方法具有更高的有效性。

Aug, 2019

通过利用流式雷达数据中的时间相关性，本文提出了一种利用早期退出神经网络在嵌入式设备上进行深度学习推理的新技术，以增强处理资源有限的嵌入式平台上数据流的处理效率。这些神经网络在架构的隐藏层之间添加了额外的分类器分支，允许在运行时决策机制认为其结果足够时提前终止推理，我们的方法能够更加明智地决定何时终止推理，减少计算成本同时最大限度地保持准确性损失最小。我们的结果表明，相比于单一退出网络和基于置信度的早期退出版本，我们的技术每次推理节省了多达 26% 的操作，我们提出的技术适用于通用硬件并可以与传统优化相结合，使其适用于资源有限的嵌入式平台，这在智能设备中经常使用。这种效率提升使得在资源受限平台上进行实时雷达数据处理成为可能，并在智能家居、物联网和人机交互等领域推出了新的应用。

Sep, 2023