双通道卷积神经网络最新研究进展：8种创新应用方案

双通道卷积神经网络最新研究进展：8种创新应用方案

引用

CSDN

1.

https://m.blog.csdn.net/weixin_42645636/article/details/140276109

双通道卷积神经网络（CNN）是一种创新的深度学习架构，通过两个并行卷积层同时处理输入数据，能够更全面地捕捉和合并特征。这种结构不仅提高了特征表示能力和计算效率，还降低了过拟合风险，特别适用于复杂的视觉任务。本文总结了8种最新的双通道CNN改进和应用方案，涵盖了网络安全、虚假新闻检测、复合干扰识别和面部反欺骗等多个领域。

改进

基于混合双通道卷积神经网络的恶意软件检测

论文提出了一种基于混合双通道卷积神经网络（DCCNN）和增强蝠鲼觅食优化（EMRFO）算法的方法，用于恶意软件检测。该方法在多个性能指标上均表现出色，准确率高达99.4%。

创新点：

• 提出一种新的基于深度学习的混合双通道卷积神经网络（DCCNN）结构，用于同时进行局部和空间处理。
• 引入CB-STM-RENet作为DCCNN的优化技术，通过分割-变换-合并方法来增强网络性能。
• 结合了三种不同的深度学习架构（STM-RENet、DenseNet201和InceptionResNetV2）来优化DCCNN，并通过集成学习方法提高恶意软件检测的准确性。
• 使用了Google Code Jam（GCJ）数据集进行物联网（IoT）恶意软件检测的挑战。

基于注意力池化的双通道CNN虚假新闻检测

论文提出了一个名为DC-CNN的模型，专门用于检测虚假新闻。这个模型结合了Max-pooling层和Attention-pooling层，以提高对虚假新闻的检测能力。在COVID-19虚假新闻数据集上，DC-CNN模型实现了94.81%的F1分数。

创新点：

• 提出一种新的词嵌入方法（DWtext），专门针对中文文本，旨在减少噪声数据并降低语义歧义。
• 引入包含Max-pooling和Attention-pooling的并行双通道池化层，以增强模型对局部和全局特征的学习能力。
• 在池化层中加入注意力机制，以更好地捕捉句子中的长距离依赖关系和关键特征。

应用

基于双通道神经网络的复合干扰识别

本文提出了一种基于双通道神经网络和特征融合的复合干扰识别方法。该方法通过短时傅里叶变换和小波变换提取复合干扰的特征图像，并通过注意力模块自适应地提取和学习与任务相关的特征。在5 dB的干扰噪声比（JNR）条件下平均识别准确率超过93%，且当JNR达到7 dB时，平均准确率接近100%。

创新点：

• 提出双通道神经网络和特征融合的复合干扰识别方法，旨在提高在复杂电磁环境中识别多种复合干扰的能力。
• 同时输入通过短时傅里叶变换(STFT)和小波变换获得的特征，以丰富特征空间并增强复合干扰的表征能力。
• 在网络中引入DBB结构和一种简单的无参数注意力模块，以增强对任务相关特征的提取和学习能力。
• 设计了一个基于GRU的子网络进行特征融合。

基于表示约束的双通道网络面部反欺骗

论文提出了一种基于双通道卷积神经网络（CNN）的应用，专门用于面部反欺骗任务。这种网络结构通过双通道注意力机制（DCA）来学习活体和欺骗面部之间的重要线索，并通过内部对比估计（ICE）表示约束来最小化样本相似性损失。

创新点：

• 从网络优化和样本相似度测量的角度改进了反欺骗模型，并使用双通道网络（DCN）结构和约束表示学习方法来执行单模态人脸反欺骗算法。
• 设计了一个双通道注意（DCA）机制，通过将两个池化操作与逐点卷积相结合，并将其应用于分组CNN中，以捕获单模态人脸数据中的欺骗线索。
• 设计了一种内部对比估计（ICE）表示约束，基于活体和欺骗人脸样本的分布。