在深度学习中图像分类任务研究里发现,对抗攻击现象给深度学习模型的安全应用带来了严峻挑战,引发了研究人员的广泛关注。首先,围绕深度学习中用于生成对抗扰动的对抗攻击技术,对图像分类任务中重要的白盒对抗攻击算法进行了详细介绍,同时分析了各个攻击算法的优缺点;然后,分别从移动终端、人脸识别和自动驾驶三个现实中的应用场景出发,介绍了白盒对抗攻击技术的应用现状;此外,选择了一些典型的白盒对抗攻击算法针对不同的目标模型进行了对比实验并分析了实验结果;最后,对白盒对抗攻击技术进行了总结,并展望了其有价值的研究方向。
传统双足机器人行走使用轨迹跟踪控制,而人类行走大部分时间处于被动状态。针对半被动变长度弹性伸缩腿双足机器人从静止状态开始起步行走的问题,提出了一种起步行走仿人控制方法。首先,使用串联弹性驱动双足弹簧负载倒立摆(B-SLIP)模型;然后,利用拉格朗日方法建立行走动力学方程,并利用模型的自稳定性在双支撑阶段采用能量误差比例积分(PI)反馈控制与惰性控制方法控制后腿伸缩,在单支撑阶段采用摆动腿回摆方法控制机器人的高度和前向速度。仿真结果表明,所提出的控制策略可使双足机器人在水平面上实现起步行走过程,并且对应的控制系统对于外部周期扰动力具有抗干扰能力。
在交通安全领域,道路抛洒物易引发交通事故,构成了交通安全隐患。针对传统抛洒物检测方式识别率低、对于多类抛洒物检测效果不佳等问题,提出了一种基于实例分割模型CenterMask优化的道路抛洒物检测算法。首先,使用空洞卷积优化的残差网络ResNet50作为主干神经网络来提取特征并进行多尺度处理;然后,通过距离交并比(DIoU)函数优化的全卷积单阶段(FCOS)目标检测器实现对抛洒物的检测和分类;最后,使用空间注意力引导掩膜作为掩膜分割分支来实现对于目标形态的分割,并采用迁移学习的方式实现模型的训练。实验结果表明,所提算法对于抛洒物目标的检测率为94.82%,相较常见实例分割算法Mask R-CNN,所提的道路抛洒物检测算法在边界框检测上的平均精度(AP)提高了8.10个百分点。