目的视觉模仿学习旨在从高维图像观测中学习智能体控制策略，但相比基于低维本体状态的方法，其性能仍存在明显差距。主要原因在于，像素观测中的关键行为差异较为细微，视觉编码器难以学习具有充分判别性的状态表征。已有视觉对抗模仿学习方法主要关注专家样本与智能体样本之间的区分，未充分利用智能体回放样本的内部结构信息，也未显式建模智能体策略在训练过程中逐步接近专家策略的动态演化特征。为提升高维视觉观测下的表征判别能力与训练稳定性，本文提出一种基于校准对比学习的视觉对抗模仿学习方法。方法本文在生成对抗模仿学习框架中引入校准对比表示学习机制，通过“拉近相似状态、分离差异状态”的方式增强视觉编码器的判别能力。不同于已有方法主要关注专家样本与智能体样本之间的静态区分，本文进一步挖掘回放缓冲区的内部样本结构，并建模智能体样本质量随训练过程逐步提升的动态特征。具体而言，本文将智能体样本视为高质量样本与低质量样本的混合分布，并利用校准监督对比损失自适应调整其与专家样本之间的对比关系，从而提升视觉表征质量和对抗训练稳定性。结果在DMControl Suite的9个连续控制任务上进行了实验验证。实验结果表明，所提出方法CAIL（contrastive adversarial imitation learning）在多个任务上取得了更高的累计回报，并在训练早期表现出更好的样本效率。与代表性方法PCIL（policy contrastive imitation learning）相比，CAIL在1M时间步的平均性能提升了22.6%。消融实验进一步验证了智能体无监督对比损失和校准监督对比损失的有效性，可视化结果表明CAIL能够更加准确地关注智能体关节等行为相关区域。结论本文提出的校准对比视觉对抗模仿学习方法能够更充分地利用智能体回放样本，并动态刻画智能体样本质量随训练过程变化的特征，从而提升视觉状态表征的判别能力和对抗训练稳定性。该方法为高维视觉观测条件下的模仿学习提供了一种有效的表征学习思路。

目的针对实际视频监控场景中，无人机目标像素占比小、外观特征微弱，易被复杂动态背景掩盖，传统单帧目标检测算法无法有效利用帧间时序运动信息，导致微小目标漏检、误检频发的核心问题，开展视频微小无人机目标检测方法研究，为低空安防系统提供可靠的视觉检测方案。方法提出时序运动感知双分支网络（Temporal Motion-Aware Dual-Branch Network， TMAD-Net）。具体地，空间语义提取分支提取多帧堆叠图像的空间语义特征，显式运动先验分支通过去噪帧差图像捕捉目标高频运动特征，并使用运动-空间自适应融合模块融合双分支特征，从运动与空间维度自适应增强目标信号、抑制背景噪声，后输入主干网络完成微小无人机目标检测。结果在公开的ARD-MAV数据集以及真实场景采集的Phone与DJI两个无人机数据集上开展对比实验，结果表明，在ARD-MAV数据集中，mAP50从基线的0.264提升至0.588，mAP50-95从0.155提升至0.334；在Phone数据集中，mAP50从基线的0.802提升至0.887，mAP50-95从0.590提升至0.638；在DJI数据集中，mAP50从0.316提升至0.822，mAP50-95从0.083提升至0.266；推理速度达122FPS，满足实时检测需求。结论所提时序运动感知双分支网络模型通过显式分离并深度融合多帧空间与运动特征，结合运动-空间自适应融合模块精准校准，有效弥补了传统单帧算法对微小目标特征表征能力不足的缺陷，突破了复杂背景下视频微小目标检测的性能瓶颈，显著提升了微小无人机目标检测的准确率与鲁棒性。

目的语音深度伪造归因是指通过捕捉不同语音合成模型生成语音时留下的独特模型特征，精准识别并确认伪造语音来源的技术，不仅能为人工智能治理提供可解释性证据，也能推动AI语音行业的规范发展，倒逼平台落实内容溯源与监管义务，已成为人工智能安全的研究热点之一。然而，已有方法存在特征提取能力不足、泛化性能有限的问题，难以满足实际应用需求。方法为此，本文提出一种少样本数据下的语音深度伪造归因方法（Low-resource Audio Deepfake Attribution，LADAR），利用多层特征融合的特征提取策略与多原型学习机制，实现少样本数据下的语音深度伪造精准归因。具体来说，首先构建基于多层特征融合的特征提取方法，通过可学习注意力权重聚合预训练Wav2Vec2-BERT 2.0模型的各层隐藏状态，并引入浅层偏置因子，将全局特征动态融合，生成强判别性的模型嵌入表示；其次，设计多原型学习模块，为每类伪造方法生成多个原型向量以丰富类内多样性，提高识别准确率；最后，分别在已知和未知语音伪造场景下验证LADAR方法的归因性能。结果与已有方法相比，针对已知语音伪造方法场景，LADAR方法的准确率分别提升35.25%、26.26%、9.22%和5.65%，F1分数分别提升38.82%、27.42%、7.23%和5.74%；针对未知语音伪造方法场景，LADAR方法的准确率分别提升了15.80%、37.51%、10.73%和10.42%，F1分数分别提升了20.29%、34.17%、11.40%和12.33%；结论对比实验结果表明，LADAR方法可有效解决语音深度伪造归因问题，具有较强的准确性和泛化性，可为司法取证、溯源追踪等实际场景提供了有效的技术支撑。

目的多光谱遥感图像林地变化检测是生态监测领域的重要研究方向之一。针对双时相图像中成像条件差异引起的伪变化，以及复杂地物变化在尺度与形态上的多样性问题，设计了一种频域增强分层交互网络，以提升复杂场景下林地变化检测的准确性与鲁棒性。方法首先，构建频域特征增强模块，在频域对双时相特征进行增强，以抑制由成像条件不一致引起的风格差异等伪变化干扰。其次，设计跨时相相关引导交互模块，通过对双时相特征的充分交互与相关性引导，增强网络对局部细微变化区域的识别能力。最后，通过空-谱耦合交互模块，对不同网络深度的变化特征进行整合，融合浅层细粒度结构信息与深层语义信息，实现对多尺度、多形态林地变化对象的联合感知。结果实验在3个林地变化检测数据集上与Spectral-Former、CSANet（cross-temporal interaction symmetric attention network）、TriTF（triplet Transformer framework）、DIEFEN（differential information-enhanced feature exchange network）、FrFTML（fractional Fourier transform domain decoupling-based adaptive weighted metric learning network）和AIWSEN（Adaptive information weighting and synchronized enhancement network）等先进方法进行了对比分析。在R1数据集中，所提出方法的Kappa系数达到0.8102，相比性能次优方法提升1.09%；在R2数据集中，Kappa系数提升2.62%；在R3数据集中，Kappa系数提升1.74%。同时，在三个数据集上的消融实验进一步验证了所提模块的有效性。结论本文所提方法能有效缓解双时相风格差异引起的伪变化干扰，并提升对细微变化与多尺度变化对象的检测能力，从而获得更为准确、稳定的林地变化检测结果。

目的随着人脸伪造技术的快速发展与广泛传播，由其引发的虚假信息泛滥与身份冒用诈骗等社会问题日益严峻。现有的基于人脸图像重建的伪造检测方法仅进行真实或伪造人脸的单视角重建，未显式放大二者重建前后的差异，导致网络模型的检测准确率和泛化性能提升有限。针对上述问题，提出一种差异化重建驱动的残差引导人脸伪造检测方法，扩大真伪人脸重建前后的差异，显著提升了模型检测性能。方法首先，为了显式放大真伪人脸重建前后的差异，提出一种对比差异化重建网络（Contrastive Differential Reconstruction Network，CDRNet），分别为真实与伪造人脸构建清晰与模糊图像的重建目标，提升整体网络模型对真伪人脸的辨别能力。其次，考虑到现有检测方法对残差图的引导信息利用不充分等问题，设计了残差双域引导模块（Residual Dual-Domain Guidance Module，RDDGM），深度融合图像的空间域与高频域特征，并利用重建残差信息引导融合后的双域特征，增强了网络模型捕捉细微伪造痕迹的能力。此外，为了促使模型学习不同伪造方法之间的通用伪造特征，设计了文本感知损失模块（Text-Aware Loss Module，TALM），通过引入文本模态信息的引导，进一步优化对比差异化重建结果，大幅提升了网络模型对未知伪造方式的泛化性能。结果在域内实验中，与性能最好的对比方法相比，该方法的准确率（accuracy，ACC）与曲线下面积（area under the curve，AUC）指标分别提升2.83%和1.75%。在跨域实验中，该方法在5个公开测试集上与13种典型方法进行性能测试与比较，平均AUC指标提高1.75%。结论本文在人脸伪造检测中创新性结合对比学习与图像差异化重建，显著提升了模型对未知伪造方式的检测准确率，在多个基准测试中性能优于已有方法。

目的小样本图像分类旨在利用极少量标注样本完成新类别识别。现有图文语义增强方法多依赖类别名称或简短提示，语义粒度较粗，难以充分刻画类别局部属性、外观细节及类间细微差异；同时，文本语义与视觉特征之间存在模态鸿沟，简单融合方式难以实现充分对齐。为此，提出一种面向多粒度语义对齐的图文语义多分支对齐网络（text-visual semantic multi-branch alignment network，TSMA-Net）。方法设计语义信息挖掘模块，以类别名称为语义锚点，引导大语言模型离线生成包含外观特征、局部属性和差异线索的细粒度语义描述，并通过语义精炼压缩冗余信息与歧义表达。进一步通过语义适配模块，将类别名称语义与多角度细粒度语义表示进行加权融合，得到更加稳健且具有判别性的类别文本表示。在此基础上，提出多分支对齐模块，将融合语义投影到多个独立子空间，与视觉特征进行深度对齐和交互，并结合残差重校准结构抑制跨模态噪声，提升语义特征的表达能力。最终通过视觉原型与语义增强原型双路径协同完成查询样本分类。结果在miniImageNet、tieredImageNet、CIFAR-FS和FC100上，TSMA-Net均取得稳定提升。与相同Visformer-Tiny骨干的SimpleFSL相比，在1-shot/5-shot任务上分别提升2.11%/0.47%、2.35%/0.49%、1.21%/0.28%和0.54%/0.10%。消融实验验证了各模块的有效性。结论所提出的TSMA-Net能够在小样本场景下有效挖掘更丰富、更具判别性的类别语义信息，并实现语义与视觉特征的深度对齐，从而提升类别原型的表征能力与分类性能。该方法在多个标准基准数据集上表现出良好的有效性与泛化能力，尤其在1-shot任务中优势更为明显。