- Эффективное извлечение признаков для системы обнаружения вторжений с использованием неотрицательной матричной факторизации и одномерного анализа (arXiv)
Автор: Swapnil Mane, Vaibhav Khatavkar, Niranjan Gijare, Pranav Bhendawade.
Аннотация: Система обнаружения вторжений (IDS) необходима для предотвращения злонамеренной активности. В основном IDS можно улучшить за счет машинного обучения, но эффективность модели снижается из-за большего количества заголовков (или функций), присутствующих в пакете (каждой записи). Предлагаемая модель извлекает практические функции с использованием неотрицательной матричной факторизации и анализа хи-квадрат. Чем больше признаков, тем экспоненциально увеличивается время и риск переобучения модели. Используя оба метода, предлагаемая модель использует иерархический подход, который уменьшит квадратичную ошибку и шум признаков. Предлагаемая модель реализована на трех общедоступных наборах данных, что дает значительное улучшение. Согласно недавнему исследованию, предложенная модель улучшила производительность на 4,66% и 0,39% соответственно с NSL-KDD и CICD 2017.
2. Дистилляция знаний для извлечения признаков в подводном VSLAM (arXiv)
Автор: Цзинхэ Ян, Мингминг Гонг, Гириш Наир, Чон Хун Ли, Джейсон Монти, Е Пу.
Аннотация: В последние годы обнаружение и сопоставление признаков на основе обучения превзошли методы, разработанные вручную, в случаях полета в воздухе. Однако изучить особенности подводного сценария сложно из-за отсутствия аннотированных наборов подводных данных. В этом документе предлагается кросс-модальная структура дистилляции знаний для обучения сети обнаружения и сопоставления подводных объектов (UFEN). В частности, мы используем данные RGBD в воздухе для создания синтетических подводных изображений на основе физической модели формации подводных изображений и используем их в качестве среды для извлечения знаний из модели учителя SuperPoint, предварительно обученной на изображениях в воздухе. Мы встраиваем UFEN в структуру ORB-SLAM3, чтобы заменить функцию ORB, введя дополнительный уровень бинаризации. Чтобы проверить эффективность нашего метода, мы создали новый набор подводных данных с наземными измерениями под названием EASI (https://github.com/Jinghe-mel/UFEN-SLAM), записанными в крытом резервуаре с водой для разных уровней мутности. Экспериментальные результаты на существующем наборе данных и нашем новом наборе данных демонстрируют эффективность нашего метода.
