生成对抗网络的理论研究与应用不断获得成功，已经成为当前深度学习领域研究的热点之一。对生成对抗网络理论及其应用从模型的类型、评价标准和理论研究进展等方面进行系统的综述：分别分析基于显式密度和基于隐式密度的生成模型的优缺点；总结生成对抗网络的评价标准，解读各标准之间的关系，并从应用层面介绍生成对抗网络在图像及其他领域中的研究进展，即通过图像转换、图像生成、图像修复、视频生成、文本生成及图像超分辨率等的应用；从模型的结构表示、训练控制、性能稳定以及评价标准等角度分析生成对抗网络的理论研究进展。研究讨论生成对抗网络的挑战，展望未来可能存在的发展方向。
文本情感分析是自然语言处理领域的一个重要分支，广泛应用于舆情分析和内容推荐等方面，是近年来的研究热点。根据使用的不同方法，将其划分为基于情感词典的情感分析方法、基于传统机器学习的情感分析方法、基于深度学习的情感分析方法。通过对这三种方法进行对比，分析其研究成果，并对不同方法的优缺点进行归纳总结，介绍相关数据集和评价指标及应用场景，对情感分析子任务进行简单概括，发现将来的情感分析问题的研究趋势及应用领域，并为研究者在相关领域方面提供一定的帮助和指导。
医学图像配准技术对于病灶检测、临床诊断、手术规划，疗效评估等有着广泛的应用价值。系统性地总结了基于深度学习的配准算法，从深度迭代、全监督、弱监督到无监督学习的研究发展趋势，分析了各种方法的优势与局限。总体来看，无论是对数据的要求、配准精度，还是计算效率，无监督学习因其不依赖金标准和解剖标签，采用端到端的网络配准框架就可以自动执行需要的任务等优势成为研究的主流方向。然而，基于无监督学习的医学图像配准方法在医学图像领域的可解释性、跨模态多样性和可重复可扩展性方面同样面临着一些研究难点和挑战，这为将来实现更精准的医学图像配准方法指明了研究方向。
深度学习技术发展迅速，在医学图像处理领域取得了显著成果。但是由于医学图像样本少，标注困难，使得深度学习的效果远未达到预期。近年，利用迁移学习方法缓解医学图像样本不足的问题，提高深度学习技术在医学图像领域的效果，成为了研究热点之一。介绍了迁移学习方法的基本概念、类型、常用策略及模型，根据迁移学习方法的类型，对当前医学图像领域具有代表性的相关研究进行了梳理与小结，对该领域的未来发展进行了总结和展望。
命名实体识别（Named Entity Recognition，NER）作为自然语言处理领域经典的研究主题，是智能问答、知识图谱等任务的基础技术。领域命名实体识别（Domain Named Entity Recognition，DNER）是面向特定领域的NER方案。在深度学习技术的推动下，中文DNER取得了突破性进展。概括了中文DNER的研究框架，从领域数据源的确定、领域实体类型及规范制定、领域数据集的标注规范、中文DNER评估指标四个角度对国内外已有研究成果进行了综合评述；总结了目前常见的中文DNER的技术框架，介绍了基于词典和规则的模式匹配方法、统计机器学习方法、基于深度学习的方法、多方融合的深度学习方法，并重点分析了基于词向量表征和深度学习的中文DNER方法；讨论了中文DNER的典型应用场景，对未来发展方向进行了展望。
注意力机制因其优秀的效果与即插即用的便利性，在深度学习任务中得到了越来越广泛的应用。主要着眼于卷积神经网络，对卷积网络注意力机制发展过程中的各种主流方法进行介绍，并对其核心思想与实现过程进行提取与总结，同时对每种注意力机制方法进行实现，针对同型号辐射源设备实测数据进行对比实验与结果分析，并依据主流方法的思想与实验的结果总结并阐述了卷积网络中的注意力机制的研究现状与未来其发展方向。
传统A*算法是移动机器人全局路径规划的常用算法之一，但是算法搜索效率低、规划路径转折点多、面对复杂环境中随机出现的动态障碍物无法实现动态路径规划。针对这些问题，在考虑全局最优的基础上将改进A*与DWA算法融合，量化环境中的障碍物信息，根据此信息调节A*算法启发函数的权重，提高算法的效率和灵活性。基于Floyd算法思想设计路径节点优化算法，删除冗余节点，减少转折，提高路径平滑度。基于全局最优设计DWA算法的动态窗口评价函数，用于区分已知障碍物和未知动态、静态障碍物，提取改进A*算法规划路径的关键点作为DWA算法的临时目标点，在全局最优的基础上实现了改进A*与DWA算法融合。实验结果表明，在复杂环境中，融合算法规划路径既能保证全局最优，又能及时有效地躲避环境中出现的动静态障碍物，实现复杂环境中的动态路径规划。
视觉多目标跟踪是计算机视觉领域的热点问题，然而，场景中目标数量的不确定、目标之间的相互遮挡、目标特征区分度不高等多种难题导致了视觉多目标跟踪现实应用进展缓慢。近年来，随着视觉智能处理研究的不断深入，涌现出多种多样的深度学习类视觉多目标跟踪算法。在分析了视觉多目标跟踪面临的挑战和难点基础上，将算法分为基于检测跟踪（Detection-Based-Tracking，DBT）、联合检测跟踪（Joint-Detection-Tracking，JDT）两大类及六个子类，研究不同类别算法的优缺点。分析表明，DBT类算法结构简单，但算法各子环节的关联度不高，JDT类算法融合多模块联合学习，在多项跟踪评价指标中占优。DBT类算法中特征提取模块是解决目标遮挡问题的关键，但损失了算法速度，JDT类算法对检测模块更为依赖。目前，多目标跟踪跟踪总体是从DBT类算法向JDT发展，分阶段实现算法准确度与速度的均衡；提出多目标跟踪算法未来在数据集、各子模块、具体场景应用等方面的发展方向。
路径规划的目的是让机器人在移动过程中既能避开障碍物，又能快速规划出最短路径。在分析基于强化学习的路径规划算法优缺点的基础上，引出能够在复杂动态环境下进行良好路径规划的典型深度强化学习DQN（Deep Q-learning Network）算法。深入分析了DQN算法的基本原理和局限性，对比了各种DQN变种算法的优势和不足，进而从训练算法、神经网络结构、学习机制、AC（Actor-Critic）框架的多种变形四方面进行了分类归纳。提出了目前基于深度强化学习的路径规划方法所面临的挑战和亟待解决的问题，并展望了未来的发展方向，可为机器人智能路径规划及自动驾驶等方向的发展提供参考。
神经风格迁移技术主要用于对图像、视频等进行风格化，使其具有艺术美感，该领域极具应用价值，是人工智能的热门研究领域之一。为推动神经风格迁移领域的研究发展，对神经风格迁移技术进行了全面概述。简述了非真实感渲染技术和传统的纹理迁移技术。对现有神经风格迁移模型进行了分类整理，并详细探讨了各类代表性模型的算法原理及后续改进，分析了神经风格迁移技术的应用市场。提出对风格迁移模型质量的评判应该从定性评估和定量评估两个方面来考虑，并从各个角度讨论了现阶段风格迁移技术存在的问题以及未来研究方向。最后强调应提高模型的综合能力，在保证生成质量的情况下提升生成速度以及泛化能力。
语义相似度计算旨在计算文本之间在语义层面的相似程度，是自然语言处理中一项重要的任务。针对现有的计算方法不能充分表示句子的语义特征的问题，提出基于Transformer编码器的语义特征抽取的模型TEAM，利用Transformer模型的上下文语义编码能力充分提取句子内的语义信息，对句子进行深层语义编码。此外，通过引入交互注意力机制，在编码两个句子时利用交互注意力机制提取两个句子之间关联的相似特征，使模型更擅长捕捉句子内部重要的语义信息，提高了模型对语义的理解和泛化能力。实验结果表明，该模型在英文和中文的语义相似度计算任务上能够提高结果的准确性，较已有方法表现出更好的效果。
随着卷积神经网络（Convolutional Neural Network，CNN）的不断发展，目标检测作为计算机视觉中最基本的技术，已取得了令人瞩目的进展。介绍了强监督目标检测算法对数据集标注精度要求高的现状。对基于弱监督学习的目标检测算法进行研究，按照不同的特征处理方法将该算法归为四类，并分析比较了各类算法的优缺点。通过实验比较了各类基于弱监督学习的目标检测算法的检测精度，并将其与主流的强监督目标检测算法进行了比较。展望了基于弱监督学习的目标检测算法未来的研究热点。
在导弹智能突防的过程中，从海量的遥感图像数据中检测敌方反导阵地具有极大的应用价值。由于弹载部署环境算力有限，设计了一种兼顾轻量化，检测精确率以及检测速度的遥感目标检测算法。制作了典型遥感军事目标数据集，通过K-means算法对数据集聚类分析。利用MobileNetV2网络代替YOLOv3算法的主干网络，保证网络的轻量化和检测速度。提出了适用于遥感目标特性的轻量化高效通道协同注意力模块和目标旋转不变性检测模块，将其嵌入检测算法中，在网络轻量化的基础上提升检测精确率。实验结果表明，提出算法的精确率达到97.8%，提升了6.8个百分点，召回率达到95.7%，提升了3.9个百分点，平均检测精度达到95.2%，提升了4.4个百分点，检测速度达到了每秒34.19张图，而网络大小仅为17.5?MB。结果表明该算法能满足导弹智能突防的综合要求。
针对高速公路场景下的车辆目标检测问题，提出了一种改进的YOLOv4网络对交通场景下车辆目标进行检测的方法；制作了一个多天候、多时段、多场景的车辆目标数据集，并依据数据集得到检测模型；提出多标签检测方法，并在多标签之间建立约束关系，得到更完善的车辆信息；提出了一个图像拼接检测方法，将多幅图像通过拼接层连接后进行车辆检测，以此提升网络的运行效率。实验结果表明，多样化数据集提高了车辆检测精度，减少了车辆目标的误检、漏检，同时改进的网络结构较大提升了检测速度，上述方法可以为高速公路场景下的车辆目标检测与实际应用提供参考。
图像超分辨率重建旨在从低分辨率图像恢复出高分辨率清晰图像。阐述了典型图像超分辨率重建方法的思想，从上采样位置和上采样方法、学习策略、损失函数等维度，对典型和最新的基于深度学习的图像超分辨率重建算法进行了评述，分析了最新的发展现状，并对未来发展趋势进行了展望。
使用深度强化学习解决单智能体任务已经取得了突破性的进展。由于多智能体系统的复杂性，普通算法无法解决其主要难点。同时，由于智能体数量增加，将最大化单个智能体的累积回报的期望值作为学习目标往往无法收敛，某些特殊的收敛点也不满足策略的合理性。对于不存在最优解的实际问题，强化学习算法更是束手无策，将博弈理论引入强化学习可以很好地解决智能体的相互关系，可以解释收敛点对应策略的合理性，更重要的是可以用均衡解来替代最优解以求得相对有效的策略。因此，从博弈论的角度梳理近年来出现的强化学习算法，总结当前博弈强化学习算法的重难点，并给出可能解决上述重难点的几个突破方向。
域名生成算法（DGA）存在变化多、部分类别样本难获取的特点，使得采用传统机器学习的恶意域名检测模型准确性不高。提出一种基于迁移学习和多核CNN的小样本DGA恶意域名检测模型。该模型将目标域名映射到向量空间中，使用样本充足的DGA种类进行预训练，并迁移预训练得到的参数到小样本检测模型。采用多核CNN小样本分类模型根据发音习惯进行域名特征提取并分类。通过实验对比发现，无知识迁移的小样本分类模型只有11类域名准确率超过92%，经过迁移学习的多核CNN模型20类准确率超过92%，11类准确率超过97%，检测效果接近数据充足时的分类效果。
针对基本樽海鞘群算法收敛速度慢、收敛精度低、易陷入局部最优的缺点，提出了一种融合黄金正弦混合变异的自适应樽海鞘群算法AGHSSA（Adaptive Salp Swarm Algorithm with Golden Sine Algorithm and Hybrid Mutation）。该算法引入了自适应变化的权重因子以加强精英个体的引导作用，提升收敛速度与精度。通过黄金正弦算法优化领导者位置更新方式，增强算法的全局搜索和局部开发能力。融合邻域重心反向学习与柯西变异对最优个体位置进行扰动，提升算法跳出局部最优的能力。通过对12个基准测试函数进行仿真实验来评估改进算法的寻优能力，实验结果表明，改进算法能显著提升寻优速度和精度，并且具备较强的跳出局部最优的能力。
尽管自深度学习发展以来，减少大量人工标记样本的需求使得零样本学习取得了不错的进展，以至于已经拥有比较完善的理论体系。但是对于零样本学习应用的研究寥寥无几，如何有效地对应用领域进行梳理是现阶段急需解决的问题。对零样本的理论体系进行介绍，通过一个例子引出零样本学习的定义，继而与广义零样本、监督学习比较，再而列举4个关键问题以及现有的解决方案，给出文本、图像、视频三方面常用的数据集；按照关键技术（属性、嵌入以及生成模型）出现时间顺序，对13个典型模型如何进行零样本学习展开描述，并对优点、缺点、创新点、挑选数据集以及表现进行总结；从词、图像、视频3个维度详细介绍了零样本学习在各个领域的应用；提出了零样本学习过程中出现的挑战并给出了对应的潜在研究方向。
边缘计算作为智能铁路5G网络的关键技术，将数据缓存能力、流量转发能力与应用服务能力下沉到网络边缘，有效契合智能铁路的低时延、大带宽、海量连接需求，以支持智能轨道交通应用。然而，由于其在物理位置、业务类型等多方面发生了变化，且铁路场景外部环境复杂、高度动态性、可信度低，使智能铁路业务的边缘节点面临新的安全挑战。结合5G边缘计算安全的研究现状，基于终端、边缘网络、边缘节点和边缘应用四个方面分析铁路5G边缘计算面临的安全威胁，在细化安全需求和挑战、标准进展的基础上，综述和总结可适用于铁路MEC安全的研究方法和评价指标，结合铁路5G边缘计算特点，提出铁路MEC端到端安全服务方案和未来智能铁路MEC安全研究的发展方向。
针对传统长短时记忆网络（Long Short-Term Memory，LSTM）和卷积神经网络（Convolution Neural Network，CNN）在提取特征时无法体现每个词语在文本中重要程度的问题，提出一种基于LSTM-Attention与CNN混合模型的文本分类方法。使用CNN提取文本局部信息，进而整合出全文语义；用LSTM提取文本上下文特征，在LSTM之后加入注意力机制（Attention）提取输出信息的注意力分值；将LSTM-Attention的输出与CNN的输出进行融合，实现了有效提取文本特征的基础上将注意力集中在重要的词语上。在三个公开数据集上的实验结果表明，提出的模型相较于LSTM、CNN及其改进模型效果更好，可以有效提高文本分类的效果。
针对SDN控制器中网络路由的优化问题，基于强化学习中的PPO模型设计了一种路由优化算法。该算法可以针对不同的优化目标调整奖励函数来动态更新路由策略，并且不依赖于任何特定的网络状态，具有较强的泛化性能。由于采用了强化学习中策略方法，该算法对路由策略的控制相比各类基于Q-learning的算法更为精细。基于Omnet++仿真软件通过实验评估了该算法的性能，相比传统最短路径路由算法，路由优化算法在Sprint结构网络上的平均延迟和端到端最大延迟分别降低了29.3%和17.4%，吞吐率提高了31.77%，实验结果说明了基于PPO的SDN路由控制算法不仅具有良好的收敛性，而且相比静态最短路径路由算法与基于Q-learning的QAR路由算法具有更好的性能和稳定性。
针对遥感图像中飞机目标检测精度低、检测速度慢、背景复杂等问题，提出了一种基于深度学习的改进YOLOv4目标检测算法。改进YOLOv4的主干特征提取网络，保留高分辨率的特征层，去除了用于检测大目标的特征层，减少语义丢失。在卷积神经网络中使用DenseNet（密集连接网络）加强对飞机目标的特征提取，减少梯度消失问题。对数据集使用[K]-means算法得到效果最佳的先验框数量和尺寸。在RSOD（Remote Sensing Object Detection）数据集和DIOR（Detection In Optical Remote sensing images）数据集上的实验表明，该算法满足实时性的需求，且该算法的精确度达到95.4%，较原算法提升了0.3个百分点；召回率达到86.04%，提升了4.68个百分点；mAP值达到85.52%，提升了5.27个百分点。
随着当今信息技术的飞速发展，信息的存在形式多种多样，来源也十分广泛。不同的存在形式或信息来源均可被称之为一种模态，由两种或两种以上模态组成的数据称之为多模态数据。多模态数据融合负责将多个模态的信息进行有效的整合，汲取不同模态的优点，完成对信息的整合。自然现象具有十分丰富的特征，单一模态很难提供某个现象的完整信息。面对保持融合后具有各个模态信息的多样性以及完整性、使各个模态的优点最大化、减少融合过程造成的信息损失等方面的融合要求，如何对各个模态的信息进行融合成为了多个领域广泛存在的一个新挑战。简要阐述了常见的多模态融合方法、融合架构，总结了三个常见的融合模型，简要分析协同、联合、编解码器三大架构的优缺点以及多核学习、图像模型等具体融合方法。在多模态的应用方面，对多模态视频片段检索、综合多模态信息生成内容摘要、多模态情感分析、多模态人机对话系统进行了分析与总结。指出了当前多模态融合出现的问题，并提出未来的研究方向。
针对目前在变电站中应用广泛的巡检机器人，探讨了其巡检路径的问题，依据离散数学理论中的哈密顿回路方法和路径的常规规划算法，研究了一种变电站的巡检路径为矩形分布时的机器人巡检路径问题。针对不同巡检方式，分别提出：全局巡检方式，采用新提出的哈密顿算法，当巡视起点被设定后，其他被巡视的任何点均可被归类，从而找出其巡检路径的哈密顿回路；重点设备巡检方式，采用Dijkstra算法和遗传算法相结合的方法；固定点巡检方式，采用Dijkstra算法。其中，三种巡检方式分别针对电量充足、低电量返回及充电完毕继续巡视等方面给出仿真结果，并将其在某变电站进行了试用。研究结果表明，三种巡检方式下的算法均有效可行，新提出的哈密顿回路算法巡视的路径比常规方法相对要短，算法的运算速度相对更快。
学业情绪能够影响和调节学习者的注意、记忆、思维等认知活动，情绪自动识别是智慧学习环境中情感交互和教学决策的基础。目前情绪识别研究主要集中在离散情绪的识别，其在时间轴上是非连续的，无法精准刻画学生学业情绪演变过程，为解决这个问题，基于众包方法建立真实在线学习情境中的中学生学习维度情感数据集，设计基于连续维度情感预测的深度学习分析模型。实验中根据学生学习风格确定触发学生学业情绪的学习材料，并招募32位实验人员进行自主在线学习，实时采集被试面部图像，获取157个学生学业情绪视频；对每个视频进行情感Arousal和Valence二维化，建立包含2 178张学生面部表情的维度数据库；建立基于ConvLSTM网络的维度情感模型，并在面向中学生的维度情感数据库上进行实验，得到一致性相关系数（Concordance Correlation Coefficient，CCC）均值为0.581，同时在Aff-Wild公开数据集上进行实验，得到的一致相关系数均值为0.222。实验表明，提出的基于维度情感模型在Aff-Wild公开数据集维度情绪识别中CCC相关度系数指标提升了7.6%~43.0%。
折扣{0-1}背包问题（Discounted {0-1} Knapsack Problem，DKP）是一个NP-困难的组合优化问题，尽管已经存在一些求解DKP的智能优化算法，但目前尚没有用蚁群优化（Ant Colony Optimization，ACO）算法求解DKP的研究。提出了一个求解DKP的改进ACO（Modified ACO，MACO）算法。MACO算法使用整数编码以保证每组物品最多只有一个物品被选中，在MACO算法构造解的每一步，采用组内竞争选择来降低算法的时间复杂性，对计算选择概率的公式，放弃启发式信息以减少参数并简化算法参数设置，对蚂蚁构造出的解，经修复后使用基于价值密度和价值的混合贪婪优化算子来提高算法的寻优能力。在四类测试用例上对MACO算法进行了测试并与其他算法进行比较，实验结果表明MACO算法的性能明显优于其他算法。
深度强化学习算法能够很好地实现离散化的决策行为，但是难以运用于高度复杂且行为连续的现代战场环境，同时多智能体环境下算法难以收敛。针对这些问题，提出了一种改进的深度确定策略梯度（DDPG）算法，该算法引入了基于优先级的经验重放技术和单训练模式，以提高算法收敛速度；同时算法中还设计了一种混合双噪声的探索策略，从而实现复杂且连续的军事决策控制行为。采用Unity开发了基于改进DDPG算法的智能军事决策仿真平台，搭建了蓝军步兵进攻红军军事基地的仿真环境，模拟多智能体的作战训练。实验结果显示，该算法能够驱动多作战智能体完成战术机动，实现绕过障碍物抵达优势区域进行射击等战术行为，算法拥有更快的收敛速度和更好的稳定性，可得到更高的回合奖励，达到了提高智能军事决策效率的目的。
针对无人机图像中违章建筑多为小目标且存在部分遮挡目标导致的检测速率慢、误检率高的问题，提出一种基于YOLOv5网络的违章建筑检测方法。在原来的批量标准化模块开始和结束处分别添加中心和缩放校准增强有效特征并形成更稳定的特征分布，加强网络模型的特征提取能力。用平滑处理后的KL（Kullback-Leibler）散度损失函数替换原损失函数置信度中的交叉熵，进一步提高模型的泛化性能。对YOLOv5的主干特征提取网络进行改进，将残差模块替换为LSandGlass模块减少信息损失并剔除低分辨率的特征层以减少语义丢失。实验结果表明，与原版的YOLOv5相比，改进后模型的训练更容易使得网络收敛，检测违章建筑的速度有了较大提升，同时提高了检测的精确度。
生成对抗网络（Generative Adversarial Nets，GANs）模型可以无监督学习到更丰富的数据信息，其包括生成模型与判别模型，凭借二者之间的对抗提高性能。针对传统GANs存在着梯度消失、模式崩溃及无法生成离散数据分布等问题，已经提出了大量的变体模型。介绍了生成对抗网络模型的理论和组成结构；介绍了几种典型的变体模型，重点介绍了生成对抗网络模型在图像生成、图像分割、图像分类、目标检测及图像超分辨率重建应用领域上的研究进展及现状。在研究现状和问题基础上进行了深入分析，进一步总结和探讨了GANs模型在医学图像处理领域中未来发展的趋势和所面临的挑战。
为了克服多时段控制模型数据输入源连续型数据离散化选取的随意性与经验性，提出一种基于传感网与人工智能理论相结合的交叉口多时段控制深度注意力递归网络输入源选取优化方法。利用Synchro与Sumo仿真评价功能模块对数据输入源进行标准化处理。以已标记好的控制方案中起始时间等关键属性作为模型输入，同时以最优数据输入源选取点为数据输出构建模型。通过对整个模型输入层、中间层、输出层和优化方法进行仿真实现，并以某城市实际交通流量数据为测试数据进行评价对比分析。结果表明，该创新模型与传统50%位、80%位取值法相比，信号配时方案更加精准高效，交叉口全天总延误时间有效降低。
手势自古以来在人类交流方面扮演着非常重要的角色，而基于视觉的动态手势识别技术是利用计算机视觉、物联网感知等新兴技术和3D视觉传感器等新型设备让机器能够理解人类的手势，从而让人类能和机器更好地交流，因此对于人机交互等领域的研究很有意义。介绍了动态手势识别中所用到的传感器技术，并比较了相关传感器的技术参数。通过追踪近年来国内外关于视觉的动态手势识别技术，陈述了动态手势识别的处理流程：手势检测与分割、手势追踪、手势分类。通过对比各流程所涉及的方法，可以发现深度学习具有较强的容错性、高度并行性、抗干扰性等一系列优点，在手势识别领域取得了远高于传统学习算法的成就。最后分析了动态手势识别目前遇到的挑战和未来可能的发展方向。
随着四旋翼飞行器在工程实践中的应用越发广泛，对其控制系统的精确性、快速性、适应性等要求也不断提高。近些年的研究热点——数字孪生，正是借助数据和模型模拟物理实体在现实环境中的行为，通过对物理对象的精准数字化，可用于提高物理实体或系统的运行效率。将数字孪生技术引入四旋翼飞行器的控制系统，建立四旋翼飞行器的数字孪生系统体系架构。详细阐述该体系架构搭建所涉及的相关技术：四旋翼飞行器的数字孪生建模；以传感器技术与无线通讯技术为载体的数据采集与传输；本地数据库配合Hadoop技术进行大数据存储、挖掘。对实际的四旋翼飞行器进行了模型仿真与实地测试，验证了所设计的数字孪生系统的有效性，达到了四旋翼飞行器的运行过程透明化和利用孪生数据优化飞行控制与机身状态的效果。
目前在对抗样本生成研究领域，基于梯度的攻击方法由于生成速度快和资源消耗低而得到广泛应用。然而，现有大多数基于梯度的攻击方法所得对抗样本的黑盒攻击成功率并不高。最强基于梯度的攻击方法在攻击6个先进防御黑盒模型时的平均成功率只有78.2%。为此，提出一种基于腐蚀深度神经网络架构中批归一化层的对抗攻击算法来改进现有基于梯度的攻击方法，以实现所得对抗样本的黑盒攻击成功率进一步提升。在一个ImageNet兼容数据集上做了大量实验，实验结果表明所提出的算法在单模型攻击和集成模型攻击中均能与现有基于梯度的攻击方法有效组合，实现在几乎不增加额外计算开销条件下增强对抗样本的攻击性能。此外，所提算法还使得最强基于梯度的攻击方法针对6个先进防御黑盒模型的平均攻击成功率提升了9.0个百分点。
