检索范围:
排序: 展示方式:
基于内嵌物理信息深度学习模型的增材制造工艺参数及熔池尺寸预测 Article
赵明志, 韦辉亮, 茅仪铭, 张长东, 刘婷婷, 廖文和
《工程(英文)》 2023年 第23卷 第4期 页码 181-195 doi: 10.1016/j.eng.2022.09.015
深度学习中的视觉可解释性 Review
Quan-shi ZHANG, Song-chun ZHU
《信息与电子工程前沿(英文)》 2018年 第19卷 第1期 页码 27-39 doi: 10.1631/FITEE.1700808
关键词: 人工智能;深度学习;可解释性模型
融合深度置信网络的串联隐马尔科夫模型及其在脱机手写识别中的应用 Article
Partha Pratim ROY, Guoqiang ZHONG, Mohamed CHERIET
《信息与电子工程前沿(英文)》 2017年 第18卷 第7期 页码 978-988 doi: 10.1631/FITEE.1600996
基于图像的深度学习降雨强度估计方法 Article
尹航, 郑飞飞, 段焕丰, Dragan Savic, Zoran Kapelan
《工程(英文)》 2023年 第21卷 第2期 页码 162-174 doi: 10.1016/j.eng.2021.11.021
关键词: 城市洪水 降雨图像 深度学习模型 卷积神经网络(CNN) 降雨强度
基于双向深度生成模型和功能磁共振成像数据的大脑编码和解码 Review
杜长德, 李劲鹏, 黄利皆, 何晖光
《工程(英文)》 2019年 第5卷 第5期 页码 948-953 doi: 10.1016/j.eng.2019.03.010
神经自然语言处理最新进展——模型、训练和推理 Review
周明, 段楠, 刘树杰, 沈向洋
《工程(英文)》 2020年 第6卷 第3期 页码 275-290 doi: 10.1016/j.eng.2019.12.014
基于深度Q学习网络与新训练算法的服务机器人主动物品检测模型 Research Article
刘少鹏,田国会,崔永成,邵旭阳
《信息与电子工程前沿(英文)》 2022年 第23卷 第11期 页码 1673-1683 doi: 10.1631/FITEE.2200109
深度三维重建:方法、数据和挑战 Review Article
刘彩霞1,孔德慧1,王少帆1,王志勇2,李敬华1,尹宝才1
《信息与电子工程前沿(英文)》 2021年 第22卷 第5期 页码 615-766 doi: 10.1631/FITEE.2000068
基于深度学习技术的集群电动汽车及家庭热水系统灵活性预测 Article
胡俊杰, 周华嫣然, 周羿宏, 张海婧, Lars Nordströmd, 杨光亚
《工程(英文)》 2021年 第7卷 第8期 页码 1101-1114 doi: 10.1016/j.eng.2021.06.008
深度学习中的对抗性攻击和防御 Feature Article
任奎, Tianhang Zheng, 秦湛, Xue Liu
《工程(英文)》 2020年 第6卷 第3期 页码 346-360 doi: 10.1016/j.eng.2019.12.012
在深度学习(deep learning, DL)算法驱动的数据计算时代,确保算法的安全性和鲁棒性至关重要。最近,研究者发现深度学习算法无法有效地处理对抗样本。这些伪造的样本对人类的判断没有太大影响,但会使深度学习模型输出意想不到的结果。最近,在物理世界中成功实施的一系列对抗性攻击证明了此问题是所有基于深度学习系统的安全隐患。因此有关对抗性攻击和防御技术的研究引起了机器学习和安全领域研究者越来越多的关注。本文将介绍深度学习对抗攻击技术的理论基础、算法和应用。然后,讨论了防御方法中的一些代表性研究成果。
基于RGBD和稀疏学习的鲁棒目标跟踪 Article
Zi-ang MA, Zhi-yu XIANG
《信息与电子工程前沿(英文)》 2017年 第18卷 第7期 页码 989-1001 doi: 10.1631/FITEE.1601338
基于众包标签数据深度学习的命名实体消歧算法 Article
Le-kui ZHOU,Si-liang TANG,Jun XIAO,Fei WU,Yue-ting ZHUANG
《信息与电子工程前沿(英文)》 2017年 第18卷 第1期 页码 97-106 doi: 10.1631/FITEE.1601835
关键词: 命名实体消歧;众包计算;深度学习
深度学习的几何学解释 Article
雷娜, 安东生, 郭洋, 苏科华, 刘世霞, 罗钟铉, 丘成桐, 顾险峰
《工程(英文)》 2020年 第6卷 第3期 页码 361-374 doi: 10.1016/j.eng.2019.09.010
本文从几何角度来理解深度学习,特别是提出了生成对抗网络(GAN)的最优传输(OT)观点。自然数据集具有内在的模式,该模式可被概括为流形分布原理,即同一类高维数据分布于低维流形附近。GAN主要完成流形学习和概率分布变换两项任务。其中,后者可以用经典的OT方法来实现。在此基础上,我们提出了一种新的生成模型,该模型利用自编码器(AE)进行流形学习,并利用OT映射进行概率分布变换。这个AE-OT模型提升了深度学习理论的严谨性和透明性、提高了计算的稳定性和效率,尤其是避免了模式崩溃问题。实验结果验证了我们的假设,并充分展示了我们提出的AE-OT模型的优点。
关键词: 生成,对抗,深度学习,最优传输,模式崩溃
标题 作者 时间 类型 操作