- Самообучение с помощью метрического обучения для адаптации семантической сегментации домена без исходного кода(arXiv)
Автор:Брахим Батухан Аккая, Угур Халици
Аннотация. Методы неконтролируемой адаптации домена без исходного кода направлены на обучение модели для использования в целевом домене с использованием предварительно обученной модели исходного домена и немаркированных данных целевого домена, где исходные данные могут быть недоступны. из-за вопросов интеллектуальной собственности или конфиденциальности. Эти методы часто используют самообучение с псевдомаркировкой, порогом которой является достоверность предсказания. В сценарии без источника из целевых данных исходит только контроль, а пороговое значение ограничивает вклад самообучения. В этом исследовании мы используем самообучение с подходом среднего учителя. Сеть учеников обучается со всеми прогнозами сети учителей. Вместо пороговой обработки прогнозов градиенты, рассчитанные на основе псевдометок, взвешиваются на основе надежности прогнозов учителя. Мы предлагаем новый метод, который использует метрическое обучение на основе прокси для оценки надежности. Мы обучаем метрическую сеть на функциях кодировщика сети учителя. Поскольку учитель обновляется с помощью скользящего среднего, пространство функций кодировщика медленно меняется. Таким образом, метрическая сеть может обновляться во время обучения, что обеспечивает сквозное обучение. Мы также предлагаем онлайн-метод ClassMix на основе метрик для увеличения входных данных студенческой сети, где патчи, которые нужно смешивать, выбираются на основе надежности метрики. Мы оценили наш метод в сценариях «синтетика-реальность» и «межгород». Тесты показывают, что наш метод значительно превосходит существующий современный метод.
2. Идентификация специфического эмиттера Few-Shot с помощью гибридного увеличения данных и глубокого обучения метрик(arXiv)
Автор:Чэн Ван, Сюэ Фу, Ю Ван, Гуань Гуй, Харис Гаканин, Хикмет Сари, Фумиюки Адачи
Аннотация:Специальная идентификация отправителя (SEI) — это потенциальная технология аутентификации физического уровня, которая является одним из наиболее важных дополнений аутентификации верхнего уровня. SEI на основе радиочастотного отпечатка пальца (RFF) предназначен для того, чтобы отличать один излучатель друг от друга по неизменяемым радиочастотным характеристикам электронных компонентов. Благодаря мощной способности глубокого обучения (DL) извлекать скрытые функции и выполнять классификацию, оно может извлекать сильно разделяющие функции из массивных выборок сигналов, что позволяет использовать SEI. Учитывая условие ограниченных обучающих выборок, мы предлагаем новый метод SEI с несколькими выстрелами (FS-SEI), основанный на гибридном дополнении данных и глубоком метрическом обучении (HDA-DML), который избавляется от зависимости от вспомогательных наборов данных. В частности, HDA, состоящий из вращения и CutMix, предназначен для увеличения разнообразия данных, а DML используется для извлечения семантических признаков с высокой степенью различения. Предлагаемый метод FS-SEI на основе HDA-DML оценивается на крупномасштабном наборе данных автоматического зависимого наблюдения (ADS-B) с открытым исходным кодом и реальном наборе данных WiFi. Результаты моделирования двух наборов данных показывают, что предлагаемый метод обеспечивает более высокую производительность идентификации и более высокую различимость признаков, чем пять последних методов FS-SEI.
3.Адаптивная аугментация внутри класса с коррекцией соседей для глубокого обучения метрик(arXiv)
Автор: Чжэнь Фу, Чжэндун Мао, Бо Ху, Ан-Ан Лю, Юндун Чжан
Аннотация . Глубокое метрическое обучение направлено на изучение пространства встраивания, в котором семантически похожие образцы расположены близко друг к другу, а разные отталкиваются друг от друга. Чтобы исследовать более жесткие и информативные обучающие сигналы для увеличения и обобщения, последние методы сосредоточены на создании синтетических образцов для увеличения потерь при обучении. Однако в этих методах используются только детерминированные и независимые от классов поколения (например, простая линейная интерполяция), которые могут покрыть только ограниченную часть пространств распределения вокруг исходных выборок. Они упускают из виду широкие характерные изменения разных классов и не могут моделировать обильные внутриклассовые вариации на протяжении поколений. Следовательно, сгенерированные образцы не только лишены богатой семантики в пределах определенного класса, но также могут быть зашумленными сигналами, мешающими обучению. В этой статье мы предлагаем новую структуру внутриклассового адаптивного расширения (IAA) для глубокого метрического обучения. Мы обоснованно оцениваем внутриклассовые вариации для каждого класса и генерируем адаптивные синтетические выборки для поддержки извлечения сложных выборок и повышения показателей потерь при обучении. Кроме того, для большинства наборов данных, которые имеют несколько выборок в классе, мы предлагаем поправку на соседние объекты, чтобы пересмотреть неточные оценки в соответствии с нашим открытием корреляции, когда аналогичные классы обычно имеют схожие распределения вариаций. Обширные эксперименты с пятью тестами показывают, что наш метод значительно улучшает и превосходит современные методы по производительности поиска на 3%-6%. Наш код доступен по адресу https://github.com/darkpromise98/IAA.
