- Региональный прогноз осадков на основе расширения CycleGAN (arXiv)
Автор: Джэхо Чой, Юра Ким, Кван-Хо Ким, Сон-Хва Юнг, Ихюн Чо.
Аннотация: 8 августа 2022 года на центральный регион Кореи обрушился необычно сильный проливной дождь. Многие низменные районы были затоплены, поэтому движение и жизнь были сильно парализованы. Это был критический ущерб, вызванный проливным дождем всего за несколько часов. Это событие напомнило нам о необходимости более надежного регионального метода прогнозирования осадков. В этой статье мы привносим циклически согласованные состязательные сети (CycleGAN) в область временных рядов и расширяем ее, чтобы предложить надежную модель для прогнозирования текущей погоды в регионе. Предлагаемая модель генерирует составные гибридные данные об осадках на поверхности (HSR) через 10 минут после настоящего времени. Также предложенная модель обеспечивает надежный прогноз до 2 часов с постепенным увеличением временных шагов обучения. В отличие от существующих сложных методов прогнозирования текущей погоды, предлагаемая модель не использует рекуррентные нейронные сети (RNN) и обеспечивает временную причинность посредством последовательного обучения в цикле. Наш метод прогнозирования текущей погоды превосходит по эффективности сверточную долговременную кратковременную память (ConvLSTM), основанную на RNN. Кроме того, мы демонстрируем превосходство нашего подхода посредством качественных и количественных сравнений с MAPLE, алгоритмом МакГилла для прогнозирования текущей погоды с помощью лагранжевой экстраполяции, одной из моделей реального количественного прогноза осадков (QPF).
2. CycleGANWM: метод водяных знаков CycleGAN для подтверждения права собственности (arXiv)
Автор: Дундонг Лин, Бенедетта Тонди, Бин Ли, Мауро Барни.
Аннотация: В связи с распространением и широким использованием глубоких нейронных сетей (ГНС) защита их прав на интеллектуальную собственность (ПИС) становится все более важной. В этой статье представлен новый модельный метод водяных знаков для сетей неконтролируемого преобразования изображений в изображения (I2IT), названный CycleGAN, который использует визуальное качество перевода изображений и встраивание водяных знаков. В этом методе сначала обучается декодер водяных знаков. Затем декодер замораживается и используется для извлечения битов водяных знаков при обучении модели водяных знаков CycleGAN. Водяные знаки CycleGAN (CycleGANWM) обучены специальным функциям потерь и оптимизированы для обеспечения хорошей производительности как при выполнении задачи I2IT, так и при внедрении водяных знаков. Для проверки водяного знака в этой работе используется тест статистической значимости, чтобы определить принадлежность модели на основе извлечения битов водяного знака. Мы оцениваем устойчивость модели к постобработке изображений и улучшаем ее путем точной настройки модели с добавлением увеличения данных на выходных изображениях перед извлечением битов водяных знаков. Мы также проводим атаку на суррогатную модель при доступе к модели через черный ящик. Экспериментальные результаты доказывают, что предложенный метод эффективен и устойчив к некоторой постобработке изображений, а также способен противостоять атаке суррогатной модели.
