摘要:针对网络入侵检测领域存在检测准确率低的问题，研究异常流量样本少和分类器性能不佳时的入侵检测模型，提出一种基于改进生成对抗网络和混合时空神经网络的入侵检测模型。改进生成对抗网络通过学习异常流量样本的分布特性，生成具有特定标签的人工异常流量样本；融合卷积神经网络和双向长短时记忆神经网络提取攻击流量的时空融合特征，利用注意力机制对时空融合特征进行加权，构建混合时空神经网络对网络流量进行分类预测。在UNSW-NB15数据集上对所提模型进行仿真实验，准确率和F1分数分别为92.93%和94.81%，表明所提模型能够有效改善原始数据集中的类别不平衡性问题，提高对异常流量样本的检测能力和网络入侵的检测准确率。

摘要:研究了一种用于肢体状态评估和运动姿态校正的人体运动分析系统。首先，针对人体运动时易出现的遮挡等问题，通过引入可变形注意力和生成对抗网络优化人体关键点热图位置检测，在Transformer的基础上设计了一种人体关键点识别算法。其次，利用所提出的算法，结合人体姿态的肢体空间约束关系以及体态分析相关知识，设计了一套运动分析系统。最后，通过在公共数据集上和真实场景中的测试，从质化和量化两个角度对所提出的算法和系统的可行性进行了评估实验。实验结果证明，本文算法在公共数据集上的检测精度最高可达937%；在实际场景的测试中，本文设计的算法和运动分析系统可以有效解决人体姿态识别中常见的遮挡等问题，并通过可视化系统展示了对人体运动姿态的多维度分析结果。

摘要:自动驾驶汽车是智能交通的重要组成部分，也是未来交通的发展趋势。提高自动驾驶技术的可靠性需要对自动驾驶汽车进行广泛的测试。然而，进行实车路测成本高昂且风险较高。如何建立模型生成多样且真实的交通场景，在测试自动驾驶技术的时候显得尤为重要。针对自动驾驶交通场景生成问题，提出了一个基于生成对抗网络的交通场景生成模型TSG-GAN。TSG-GAN模型利用丰富的交通场景数据（如车道的几何形状、人行横道、交通信号、周围车辆等）快速生成真实且多样的交通场景。在设置车辆驾驶意图的情况下，TSG-GAN模型可以精确地生成现实中未观察到的真实交通场景。通过在公开数据集上进行测试，验证了该模型的有效性。

摘要:为了保证重建视觉质量的同时提高重建速率，提出了一种基于空间金字塔生成对抗网络的视频超分辨率重建算法(SPyGAN),该方法在TecoGAN的基础上使用更轻量级的空间金字塔网络结构SPyNet和更高效的上采样方法，能够快速重建图像的高频纹理细节。主要对生成对抗网络TecoGAN的光流预测网络、图像重建模块和损失函数部分进行改进，实验结果表明，该算法与TecoGAN相比，PSNR和SSIM的平均值均有一定提高，此外参数量减少为53.86%,并且重建速率提高至239%,有效提升了模型的重建速率

摘要:针对步态识别易受环境干扰等问题，本文以步态特征提取方法为研究重点，基于对抗学习网络框架提出了改进型姿态估计算法提取步态特征。该方法利用改进型残差网络获取由低层次到高层次的步态特征，随着网络层数的加深，对残差网络做出相应的调整，突出对局部细节特征信息的聚焦；同时设计了时序编码器，不仅提高了步态特征对于环境变化的泛化性，还减少了环境对特征提取的影响。最终在三种不同的实验模式下，基于CASIA数据集进行了大量的实验，识别精度均在83%以上，最终证明本文所提出的特征提取方法在复杂环境展现出良好的灵活性。

摘要:为了实现对咖啡产地的快速溯源检测，提出了一种基于电子舌与生成对抗网络（GAN）-卷积降噪自编码器（CDAE）-极限学习机（ELM）组合模型相结合的检测方法。针对电子舌检测原始数据样本数量不足而导致深度学习模型准确率低、泛化能力差等问题，采用生成对抗网络（GAN）扩充训练样本数据规模，提高系统的鲁棒性；针对电子舌输出信号复杂、维度大、噪声多的特点，采用卷积降噪自编码器（CDAE）在低维特征空间对电子舌信号进行特征提取，提高关键特征的表达能力；最后，采用极限学习机（ELM）对提取的特征信息进行分类鉴别，构建咖啡产地溯源检测分析模型。利用该模型对五种不同产区的咖啡进行分类鉴别，结果表明：与基于离散小波变换（DWT）结合支持向量机（SVM）与极限学习机（ELM）等传统机器学习模型以及VGG16网络等深度学习模型相比，GAN-CDAE-ELM对不同产地咖啡分辨效果更优，其测试集的准确率、精确率、召回率、F1-Score分别达到了99.00%、99.03%、99.00%、0.9901。该研究为基于智能感官系统的咖啡产地快速辨识与检测提供一种新思路。

摘要:针对在低信噪比环境下传统语音增强方法适应性差和增强效果不理想的问题，提出一种基于Wasserstein散度的深度生成对抗网络(Wasserstein Divergence Deep Generative Adversarial Network)的语音增强方法。该方法以5个生成器和1个判别器为基础组成深度生成对抗网络，利用5个生成器进行5次增强处理，有效提高对抗网络在低信噪比条件下的增强效果，使用Wasserstein散度优化网络训练，改善传统GAN网络训练过程中存在的训练不稳定等问题，提高深度生成对抗网络训练的稳定性。在低信噪比环境下该方法相比于传统语音增强方法噪声适应性和增强效果都有明显提升。实验结果表明，与原始带噪语音相比，增强语音的分段信噪比平均提高6.1dB，语音质量感知评估测度和短时客观可懂度分别平均提升28.9%和10.6%。

摘要:近年来通过在生成对抗网络中加入条件标签，控制生成图像的类别或属性已经取得很大进展，但是生成图像的类别或属性的准确性有待提高。为此，在生成对抗网络的判别器中加入了强化学习，通过上一次的分类结果去指导当前的分类。另外为了让生成的细粒度图像更加逼真，使用注意力机制在只增加少量的计算损失下让图像有全局感受野，将多属性的星型生成对抗网络与自注意力生成对抗网络组合后的生成图像的质量较高。 强化组合式生成对抗网络的最大均差达到0.036 93，最近邻指标效果较优，能自动化较准确地生成指定了某些属性的艺术图像，实验生成的图片也能用来解决缺乏数据的问题。