摘要：雷达目标识别技术是人工智能在装备领域的重要应用，随着人工智能技术的发展，雷达识别也在不断进步，从模式识别、机器学习到近年来的发展迅猛的深度学习、迁移学习等

使用PyTorch构建GAN生成对抗网络源码 博客文章中包含了每行代码的详解，自行查看即可

在医疗领域，许多疾病的诊断依赖高倍数显微镜对细胞等微观物体的观测，但由于高倍数显微镜价格昂贵，操作复杂，且高倍数细胞显微图像重建工作存在低、高倍数显微图像之间图片风格不统一、细胞图像清晰度不致和训练数据不匹配等问题。为此，提出高倍数细胞显微图像生成式对抗网络。将全新激活函数引入Cyclean网络，在生成器中添加新的残差密集块并去掉BN层。同时为确保生成图像真实可信，在生成器训练过程中考虑细节感知损失。实验结果表明，该方法在保留低倍数显微图像基本信息的基础上，能够对高倍数显微图像细节进行有效的还原。

引入label信息的做法是，给判别器一个额外的one-hot向量作为输入，这个向量代表类别信息，另外，它还有额外的一个类别用来表示无标记的样本。比如，对于MNI

现代雷达对抗技术 作者：张锡祥 介绍雷达对抗技术

对抗图书馆 该库包含与PyTorch中实施的对抗性攻击有关的各种资源。 它针对寻求最新攻击实施方案的研究人员。 编写代码是为了最大程度地提高效率（例如，通过偏爱PyTorch的底层函数），同时保持简单性（例如，避免抽象）。 因此，大多数库（尤其是攻击）都是使用纯函数实现的（只要有可能）。 在着重于攻击的同时，该库还提供了一些与对抗性攻击有关的实用程序：距离（SSIM，CIEDE2000，LPIPS），可见回调，预测，损失和辅助功能。 最值得注意的是，来自utils/attack_utils.py的功能run_attack对具有给定输入和标签且具有固定批处理大小的模型进行了攻击，并报告了与复杂性相关的指标（运行时和向前/向后传播）。 依存关系 该库的目标是使用最新版本的PyTorch进行更新，以便可以定期更新依赖项（可能会导致重大更改）。 pytorch> = 1.7.0 火炬视觉>

随着战场电磁环境的日趋复杂，传统雷达电子战系统无法适应现代战场对抗需求 。文中介绍了电子战系统的内涵与发展方向，总结了认知雷达对抗体系的特点和优势，分析了发展认知雷达对抗系统的必要性和重要性。提出了认知雷达对抗技术的系统架构和处理流程，梳理了认知雷达对抗系统的关键技术，为认知雷达对抗系统的进一步研究和实现提供了方向和思路。

生成对抗神经网络matlab代码犯罪现场调查谋杀案 描述 利用来自 Wi-Fi 信号的信道状态信息 (CSI) 的无设备被动定位正在Swift成为现实。 虽然此功能将启用新的应用程序和服务，但它也引发了对公民隐私的担忧。 在这项工作中，我们针对此类基于 CSI 的定位方法之一提出了一种精心设计的混淆技术。 特别是，我们通过利用不可逆的随机序列来修改传输的 I/Q 样本。 发射机处的 I/Q 符号操作会在保留通信的同时扭曲 CSI 中的位置特定信息，因此攻击者无法再获得有关用户位置的信息。 我们针对基于神经网络 (NN) 的定位系统测试了该技术，并表明 CSI 的随机化使得不需要的定位实际上不可行。 定位系统和随机化 CSI 管理都是在真实设备中实现的。 我们实验室获得的实验结果表明，所考虑的定位方法（首先在一篇硕士论文中提出）无论环境如何都能顺利运行，并且向 CSI 添加随机信息会扰乱定位，从而为社区提供了一个系统同时具有位置隐私和通信性能。 存储库中包含的内容 使用 Matlab WLAN 工具箱生成 WiFi 帧并使用 SDR 平台传输它们。 每个帧的 CSI 可以随意人为更改，以

ESG工作组 03章三法与程序 01-SelectedDataset / 01-AudioFeatures 01-SelectedDataset / 02-AudioPreprocessing 01-audio-raw.wav： ：//sayedqasim.github.io/ESG-WGANGP/03-ChapterThree-MethodsAndProcedures/01-SelectedDataset/02-AudioPreprocessing/01-audio-raw.wav 01-audio-raw-approximated.wav： ： 02-audio-trimmed.wav： ：//sayedqasim.github.io/ESG-WGANGP/03-ChapterThree-MethodsAndProcedures/01-SelectedDataset/

针对现有基于深度学习的图像超分辨率重建方法，其对细节纹理恢复过程中容易产生伪纹理，并且没有充分利用原始低分辨率图像丰富的局部特征层信息的问题，提出一种基于注意力生成对抗网络的超分辨率重建方法.该方法中生成器部分是通过注意力递归网络构成，其网络中还引入了密集残差块结构.首先，生成器利用自编码结构提取图像局部特征层信息，并提升分辨率；然后，通过判别器进行图像修正，最终将图像重建为高分辨率图像.实验结果表明，在多种面向峰值信噪比超分辨率评价方法的网络中，所设计的网络表现出了稳定的训练性能，改善了图像的视觉质量，同时具有较强的鲁棒性.