首页期刊导航|电子与信息学报
期刊信息/Journal information
电子与信息学报
电子与信息学报

吴一戎

月刊

1009-5896

jeit@mail.ie.ac.cn

010-58887066

100190

北京市北四环西路19号

电子与信息学报/Journal Journal of Electronics & Information TechnologyCSCD北大核心CSTPCDEI
查看更多>>本刊是电子科学高级综合性学术刊物。主要刊登有关电子与信息科学方面的具有创新性的、高水平的文章。
正式出版
收录年代

    基于高分辨率类激活映射算法的弱监督目标实时检测

    孙辉史玉龙张健一王蕊...
    1051-1059页
    查看更多>>摘要：受益于深度学习的发展,目标检测技术在各类视觉任务中得到广泛关注.然而,获取目标的边框标注需要高昂的时间和人工成本,阻碍了目标检测技术在实际场景中的应用.为此,该文在仅使用图像类别标签的基础上,提出一种基于高分辨率类激活映射算法的弱监督目标实时检测方法,降低网络对目标实例标注的依赖.该方法将目标检测细划分为弱监督目标定位和目标实时检测两个子任务.在弱监督定位任务中,该文利用对比层级相关性传播理论设计了一种新颖的高分辨率类激活映射算法(HR-CAM),用于获取高质量目标类激活图,生成目标伪检测标注框.在实时检测任务中,该文选取单镜头多盒检测器(SSD)作为目标检测网络,并基于类激活图设计目标感知损失函数(OA-Loss),与目标伪检测标注框共同监督SSD网络的训练过程,提高网络对目标的检测性能.实验结果表明,该文方法在CUB200和TJAB52数据集上实现了对目标准确高效的检测,验证了该文方法的有效性和优越性.

    弱监督定位目标检测对比层级相关性传播理论类激活映射算法目标感知损失函数

      原文链接:
    • 维普
    • 万方数据

    基于双层孪生神经网络的区块链智能合约分类方法

    郭加树王琪李择亚武梦德...
    1060-1068页
    查看更多>>摘要：当前通过深度学习方法进行区块链智能合约分类的方法越来越流行,但基于深度学习的方法往往需要大量的样本标签数据去进行有监督的模型训练,才能达到较高的分类性能.该文针对当前可用智能合约数据集存在数据类别不均衡以及标注数据量过少会导致模型训练困难,分类性能不佳的问题,提出基于双层孪生神经网络的小样本场景下的区块链智能合约分类方法:首先,通过分析智能合约数据特征,构建了可以捕获较长合约数据特征的双层孪生神经网络模型;然后,基于该模型设计了小样本场景下的智能合约训练策略和分类方法.最后,实验结果表明,该文所提方法在小样本场景下的分类性能优于目前最先进的智能合约分类方法,分类准确率达到94.7％,F1值达到94.6％,同时该方法对标签数据的需求更低,仅需同类型其他方法约20％数据量.

    智能合约区块链孪生网络以太坊

      原文链接:
    • 维普
    • 万方数据

    基于多尺度分区有向时空图的步态情绪识别

    张家波高洁黄钟玉徐光辉...
    1069-1078页
    查看更多>>摘要：为了有效获取节点之间在多尺度、远距离以及在时间和空间位置上的依赖关系,以提高对步态情绪识别精度,本文首先提出一种构建分区有向时空图的方法:使用所有帧节点进行构图,然后按区域有向连接.其次,提出一种多尺度分区聚合与分区融合的方法.通过图深度学习对图节点进行更新.并对相似节点特征进行融合.最后,提出一个多尺度分区有向自适应时空图卷积神经网络(MPDAST-GCN)方法.网络通过在时间维度上构建图,获取远距离帧节点特征,并自适应地学习每帧上的特征数据.MPDAST-GCN将输入数据分类成高兴、伤心、愤怒和平常4种情绪类型.并在发布的Emotion-Gait数据集上,相比于目前最先进的方法实现6％的精度提升.

    步态情绪识别情绪识别图深度学习

      原文链接:
    • 维普
    • 万方数据

    规则压缩模型和灵活架构的Transformer加速器设计

    姜小波邓晗珂莫志杰黎红源...
    1079-1088页
    查看更多>>摘要：基于注意力机制的Transformer模型具有优越的性能,设计专用的Transformer加速器能大幅提高推理性能以及降低推理功耗.Transformer模型复杂性包括数量上和结构上的复杂性,其中结构上的复杂性导致不规则模型和规则硬件之间的失配,降低了模型映射到硬件的效率.目前的加速器研究主要聚焦在解决模型数量上的复杂性,但对如何解决模型结构上的复杂性研究得不多.该文首先提出规则压缩模型,降低模型的结构复杂度,提高模型和硬件的匹配度,提高模型映射到硬件的效率.接着提出一种硬件友好的模型压缩方法,采用规则的偏移对角权重剪枝方案和简化硬件量化推理逻辑.此外,提出一个高效灵活的硬件架构,包括一种以块为单元的权重固定脉动运算阵列,同时包括一种准分布的存储架构.该架构可以高效实现算法到运算阵列的映射,同时实现高效的数据存储效率和降低数据移动.实验结果表明,该文工作在性能损失极小的情况下实现93.75％的压缩率,在FPGA上实现的加速器可以高效处理压缩后的Transformer模型,相比于中央处理器(CPU)和图形处理器(GPU)能效分别提高了12.45倍和4.17倍.

    自然语音处理Transformer模型压缩硬件加速器机器翻译

      原文链接:
    • 维普
    • 万方数据

    基于多维信号特征的无人机探测识别方法

    聂伟戴琪霏杨小龙王平...
    1089-1099页
    查看更多>>摘要：如今,无人机(UAVs)在军用民用领域得到大规模应用,在无人机带来便利的同时也带来了巨大的安全隐患.针对无人机的探测识别技术逐渐成为研究热点,传统的无人机探测方法主要是通过获取雷达回波信号、无人机声音信号和光电信号的方式对无人机进行探测.然而,这类方法往往容易受到环境影响具有一定的局限性,无法对无人机进行精确的定位和识别.该文提出一种基于多维信号特征的无人机识别方法,该方法首先通过自适应三角阈值法从接收到的无线信号中探测并筛选出无人机信号,同时解析获取的无线信号的信道状态信息(CSI).然后,利用正交匹配追踪算法(OMP)进行参数估计来获取无人机的位置信息对无人机进行定位.最后,提取无人机信号中的盒维数和径向积分双谱(RIB)来对无人机进行分类识别.通过实验,该方法对无人机的3维定位精度小于1 m,对无人机的分类识别精度最高能达到100％.

    无人机参数估计特征提取目标识别目标定位

      原文链接:
    • 维普
    • 万方数据

    基于双流-非局部时空残差卷积神经网络的人体行为识别

    钱惠敏陈实皇甫晓瑛
    1100-1108页
    查看更多>>摘要：3维卷积神经网络(3D CNN)与双流卷积神经网络(two-stream CNN)是视频中人体行为识别研究的常用架构,且各有优势.该文旨在研究结合两种架构且复杂度低、识别精度高的人体行为识别模型.具体地,该文提出基于通道剪枝的双流-非局部时空残差卷积神经网络(TPNLST-ResCNN),该网络采用双流架构,分别在时间流子网络和空间流子网络采用时空残差卷积神经网络(ST-ResCNN),并采用均值融合算法融合两个子网络的识别结果.进一步地,为了降低网络的复杂度,该文提出了针对时空残差卷积神经网络的通道剪枝方案,在实现模型压缩的同时,可基本保持模型的识别精度;为了使得压缩后网络能更好地学习到输入视频中人体行为变化的长距离时空依赖关系,提高网络的识别精度,该文提出在剪枝后网络的首个残差型时空卷积块前引入一个非局部模块.实验结果表明,该文提出的人体行为识别模型在公共数据集UCF101和HMDB51上的识别准确率分别为98.33％和74.63％.与现有方法相比,该文模型具有参数量小、识别精度高的优点.

    人体行为识别双流卷积神经网络3维卷积神经网络网络剪枝非局部模块

      原文链接:
    • 维普
    • 万方数据

    基于非局域性正交乘积态的动态量子秘密共享方案

    宋秀丽李闯
    1109-1118页
    查看更多>>摘要：当前的量子秘密共享(QSS)存在资源制备开销较大、安全性不强的问题,该文提出一种基于正交乘积态的可验证量子秘密共享方案弥补上述不足,且多方成员能动态地加入或退出秘密共享.该方案将正交乘积态的粒子分成两个序列,第1个序列在多个参与者之间传输,前一个参与者对其执行嵌入份额值的酉算子后传输给下一个参与者,直到全部份额聚合完成;对于另一个序列,只有最后一个参与者(验证者)对接收到的粒子执行Oracle算子.然后,验证者对两个序列中的粒子对执行全局测量,得到秘密值的平方剩余.最后,借鉴Rabin密码中密文与明文之间非单一映射的思想,验证者联合Alice验证测量结果的正确性,并从测量结果确定出秘密值.安全性分析表明,该方案能抵抗常见的外部攻击和内部攻击,且验证过程具有强安全性;由于非局域性正交乘积态以两个序列分开传输,因此增强了秘密重构过程的安全性.性能分析表明,该方案使用正交乘积态作为信息载体,量子资源开销较小,且将正交乘积基的维度从低维拓展到d维,参与者人数能动态地增加和减少,使得方案具有更好的灵活性和通用性.

    量子秘密共享正交乘积态动态加入或退出Rabin密码

      原文链接:
    • 维普
    • 万方数据

    一种面向联邦学习对抗攻击的选择性防御策略

    陈卓江辉周杨
    1119-1127页
    查看更多>>摘要：联邦学习(FL)基于终端本地的学习以及终端与服务器之间持续地模型参数交互完成模型训练,有效地解决了集中式机器学习模型存在的数据泄露和隐私风险.但由于参与联邦学习的多个恶意终端能够在进行本地学习的过程中通过输入微小扰动即可实现对抗性攻击,并进而导致全局模型输出不正确的结果.该文提出一种有效的联邦防御策略-SelectiveFL,该策略首先建立起一个选择性联邦防御框架,然后通过在终端进行对抗性训练提取攻击特性的基础上,在服务器端对上传的本地模型更新的同时根据攻击特性进行选择性聚合,最终得到多个适应性的防御模型.该文在多个具有代表性的基准数据集上评估了所提出的防御方法.实验结果表明,与已有研究工作相比能够提升模型准确率提高了2％～11％.

    联邦学习对抗性攻击防御机制对抗性训练

      原文链接:
    • 维普
    • 万方数据

    基于混沌理论与DNA动态编码的卫星图像加密算法

    肖嵩陈哲杨亚涛马英杰...
    1128-1137页
    查看更多>>摘要：针对卫星图像在传输、存储过程中涉及的信息安全问题,该文提出一种新型的基于混沌理论与DNA动态编码的卫星图像加密算法.首先,提出一种改进型无限折叠混沌映射,拓宽了原有无限折叠混沌映射的混沌区间.之后,结合改进型Chebyshev混沌映射与SHA-256哈希算法,生成加密算法的密钥流,提升算法的明文敏感性.然后,利用混沌系统的状态值对Hilbert局部置乱后的像素进行DNA编码,实现DNA动态编码,解决了DNA编码规则较少所带来的容易受到暴力攻击的弱点.最后,使用混沌序列完成进一步混沌加密,从而彻底混淆原始像素信息,增加加密算法的随机性与复杂性,得到密文图像.实验结果表明,该算法具有较好的加密效果和应对各种攻击的能力.

    卫星图像加密混沌理论DNA动态编码哈希算法

      原文链接:
    • 维普
    • 万方数据

    分数阶光敏神经元的动力学特性分析及其同步研究

    杨宁宁孟诗悦吴朝俊
    1138-1146页
    查看更多>>摘要：神经元是神经系统的基本单位,神经元模型的准确性影响对其本质特征的分析和理解.该文研究了由分数阶电容和电感构成的分数阶光敏FitzHugh-Nagumo(FHN)神经元电路.利用分岔图、相轨迹图和时间序列图分析了分数阶光敏神经元模型的动力学特性.研究发现,随着分数阶阶次的降低,分数阶光敏神经元的活跃度增加.当选取不同参数时,神经元系统可以诱发不同的放电模式,如周期放电态、混沌放电态和尖峰放电态.此外,利用电突触耦合的方式连接两个分数阶光敏神经元.通过调整耦合强度,可以实现分数阶光敏神经元系统之间的相位同步和完全同步.最后,采用dSPACE验证了外部光信号对神经元兴奋性的调制作用.

    神经元光敏神经元分数阶微积分同步

      原文链接:
    • 维普
    • 万方数据