首页期刊导航|计算机工程
期刊信息/Journal information
计算机工程
华东计算技术研究所　上海市计算机学会
计算机工程

华东计算技术研究所　上海市计算机学会

游小明

月刊

1000-3428

hdsce@sohu265359.sohuvip.net

021-54972331

200233

上海市桂林路418号

计算机工程/Journal Computer EngineeringCSCD北大核心CSTPCD
查看更多>>本刊是中国电子科技集团公司第三十二研究所（华东计算技术研究所）主办的学术性刊物，是上海市计算机学会会刊。主要特点：以最快的速度、科学求实的精神，精选刊登代表计算机行业前沿科研、技术、工程方面的高、精、尖优秀论文。贯彻党的“双百”方针，繁荣科技创作，促进国内外学术交流，探讨和传播计算机科学的理论和实践，加速和促进我国计算机事业的发展。
正式出版
收录年代

    深度学习在脊柱图像分割中的应用综述

    姜百浩刘静仇大伟姜良...
    1-15页
    查看更多>>摘要：深度学习算法在脊柱图像分割中具有学习和自适应能力强、对图像有非线性映射能力等优点，相较于传统分割方法，能更好地提取脊柱图像中的关键信息，并且抑制不相关信息，辅助医生准确定位病灶区域，实现精准、高效分割。从深度学习算法、脊柱疾病类型、图像类型、实验分割结果、性能评估指标等方面，对深度学习在脊柱图像分割中的应用现状进行归纳、总结并加以分析。介绍深度学习模型和脊柱图像分割的背景，从而引出深度学习在脊柱图像分割中的应用;介绍常见的几种脊柱疾病类型，阐述其在图像分割中的难点，并介绍脊柱图像分割中常用的公开数据集、图像分割的方法流程以及图像分割评价指标等要素;结合具体实验总结分析基于卷积神经网络模型、U型网络模型及其改进的模型在椎骨、椎间盘以及脊柱肿瘤图像分割中的应用进展;结合以往的实验结果和当前深度学习模型的研究进展，总结目前临床研究的局限性以及分割效果不足的原因，针对所存在的问题提出相应的解决方法，并对未来的研究和发展进行展望。

    深度学习卷积神经网络U型网络脊柱疾病图像分割

      原文链接:
    • 国家科技期刊平台
    • NETL
    • NSTL
    • 万方数据

    基于深度学习的自然场景文本检测综述

    连哲殷雁君云飞智敏...
    16-27页
    查看更多>>摘要：基于深度学习的自然场景文本检测技术已成为计算机视觉和自然语言处理领域的重要研究方向，不仅具有广泛的应用前景，而且也为研究人员提供了一个探索神经网络模型和算法的新平台。首先，介绍自然场景文本检测技术的相关概念、研究背景和发展现状。接着，分析近年来基于深度学习的文本检测方法并将其分为基于检测框、基于分割、基于两者混合、其他4类，阐述4类经典和主流方法的基本思路和主要算法流程，归纳总结不同方法的使用机制、适用场景、优劣点及仿真实验结果和环境设置，明确不同方法之间的关联关系。然后，介绍自然场景文本检测的常用公共数据集和文本检测性能评估方法。最后，指出基于深度学习的自然场景文本检测技术目前所面临的主要挑战并对其未来发展方向进行展望。

    深度学习计算机视觉自然场景文本文本检测多方向文本检测多尺度文本检测

      原文链接:
    • 国家科技期刊平台
    • NETL
    • NSTL
    • 万方数据

    一种面向工业物联网的远程安全指令控制方案

    陈纪成包子健罗敏何德彪...
    28-35页
    查看更多>>摘要：随着工业领域对智能化要求的不断提高，工业物联网(IIoT)得到了快速发展，其可以有效提高工业生产中的流程效率和决策质量，具有广阔的应用前景。然而，近年来IIoT的安全问题逐渐凸显。针对远程指令控制这一应用场景，设计一种基于SM9标识密码算法的两方协同群签名算法，并结合区块链实现面向IIoT的远程安全指令控制方案，以保障IIoT中远程指令操作的安全性。该方案基于国密SM9标准，群管理员审核指令，并与发起指令签署请求的用户协同完成群签名，群签名在保护签名者身份隐私的同时可以由群管理员在必要时公开签名者身份。通过引入区块链技术，实现IIoT平台的去中心化管理，并通过智能合约获取指令执行历史数据，方便后续审计与追责。此外，方案在签名验证阶段通过批量验证来有效减少计算消耗。安全性及性能分析结果表明:在签名数量超过20条时，该方案通过批量验证的方式可以使得计算量减少50%以上;相较对比方案，所提方案在IIoT环境下安全性和实用性更高。

    SM9标识密码算法群签名两方协同签名工业物联网区块链

      原文链接:
    • 国家科技期刊平台
    • NETL
    • NSTL
    • 万方数据

    基于对比学习的小样本金属表面损伤分类

    吴冠荣李元祥王艺霖陆雨寒...
    36-43页
    查看更多>>摘要：现有小样本分类方法局限于从每轮支持信息中归纳出类内共性，忽略了在迭代过程中类间关联性以及样本本身携带的类别信息。由于金属损伤纹理细微、多变，因此所形成的特征分布类间距离小、类内距离大。因特征分布聚合性差导致小样本分类性能降低且新类泛化性变差，提出一种基于内外双层训练模型架构的小样本金属表面损伤分类方法。内模型在利用度量手段完成元分类任务的同时，引入双模态特征作为外模型特征空间的信号，即在新映射空间下利用类别标签信息有监督地对比不同类别的图像特征、优化特征分布，使类间区分度更大、类内聚合度更高。在训练阶段中外模型反传对比损失，间接加强原有特征空间的表征能力，从而提高内模型的度量水平，提升分类精度。同时，利用类别嵌入作为动态类别中心，可以有效减少小样本问题中的噪声干扰，加强模型泛化性能。在GC10、NEU及APSD 3 个常用的金属损伤数据集上的实验结果表明，相比ProtoNet、MatchingNet、RelationNet等主流方法，该方法具有较优的分类精度，特别是新类别的泛化能力得到大幅提升，5-way 5-shot设定下分类精度至少提高了5。24、1。39和6。37个百分点，分类错误下降率分别为36。00%、17。94%和66。15%;此外，新类分类精度分别从 36。53%、82。43%、31。89%提升至 69。12%、91。57%、48。23%。5-way 1-shot设定下分类精度分别至少提高8。34、3。01和4。61个百分点，分类错误下降率分别为28。32%、23。37%和46。57%。

    金属表面损伤对比学习度量学习元学习小样本分类

      原文链接:
    • 国家科技期刊平台
    • NETL
    • NSTL
    • 万方数据

    基于灰度图谱分析的IP软核硬件木马检测方法

    倪林刘子辉张帅韩久江...
    44-51页
    查看更多>>摘要：随着芯片设计、制造、封装等流程的分工细化，利用第三方知识产权(IP)软核进行二次开发可以明显提升设计效率，减少重复工作。但是大量非自主可控IP软核被用于加速设计时，可能导致芯片在设计阶段被植入硬件木马，使得芯片安全性难以保证。当前IP软核安全检测方法主要依赖功能测试、代码覆盖率和翻转率分析，或在语义层面进行关键字匹配，且无法对加密IP软核进行检测。在分析硬件木马结构及其在IP软核中实现特征的基础上，利用非可控IP软核与"Golden"IP软核中寄存器传输级(RTL)代码灰度图谱的特征差异，基于Trust-Hub构建"Golden"软核集，提出基于灰度图谱特征的IP软核硬件木马检测模型和算法。以功能篡改型IP软核B19-T100为实验对象，通过调整合适的成像矩阵参数，利用分块匹配对比方式实现硬件木马检测，结果表明，该算法的检测精度达97。18%。在对B19、B15、S38417等5类共18个样本进行测试时，所提算法的平均检测精度达92%以上，表明其可实现对硬件木马的有效识别，检测精度和适用性较强。

    知识产权软核硬件木马灰度图谱芯片安全特征差异

      原文链接:
    • 国家科技期刊平台
    • NETL
    • NSTL
    • 万方数据

    基于Ghost-SE-Res2Net的多模型融合语音唤醒词检测方法

    虞秋辰周若华袁庆升
    52-59页
    查看更多>>摘要：语音唤醒词检测(WWD)是语音交互中的关键技术，选择合适大小的检测窗对WWD性能的影响很大。提出一种新的多模型融合方法，通过融合小检测窗和大检测窗的检测结果来提高WWD性能。多模型融合方法包含两个分类模型，分别使用小检测窗和大检测窗，均基于轻量化的挤压与激励残差网络(SE-Res2Net)模块，即Ghost-SE-Res2Net，SE-Res2Net结构的多尺度机制可显著提升WWD的能力。在Ghost-SE-Res2Net中，首先使用Ghost卷积替换SE-Res2Net中的普通卷积以降低模型参数量，然后使用注意力池化层替换SE-Res2Net中的全局平均池化层进一步提升WWD能力。在实际检测时融合连续3个小检测窗模型的检测结果的最大值和1个大检测窗模型的检测结果，来判断唤醒词是否被触发。在训练时引入困难样本挖掘算法，选择性地学习较难检测的唤醒词信息以提高分类模型的检测性能。在包含2个唤醒词的Mobvoi数据集上评估系统性能，实验结果表明，在每小时0。5次错误唤醒的情况下，该系统在2个唤醒词上的错误拒绝率分别为0。46%和0。43%，实现了与先进基线相似的性能，并且系统参数量比基线少31%。

    唤醒词检测Ghost模块Res2Net结构错误拒绝多模型融合

      原文链接:
    • 国家科技期刊平台
    • NETL
    • NSTL
    • 万方数据

    高效的一次性弱间隙序列模式挖掘算法

    杨鸿茜武优西耿萌刘靖宇...
    60-67页
    查看更多>>摘要：间隙约束序列模式挖掘作为序列模式挖掘的一个重要分支，可以发现模式在序列中的重复出现。然而，当前研究主要针对单项序列进行挖掘，并且序列中每一项都被认为具有相同意义。为解决该问题，提出一次性弱间隙序列模式挖掘(OWP)算法，该算法由准备阶段、支持度计算和候选模式生成3个步骤组成。在准备阶段，建立倒排索引，并对不频繁的项进行剪枝;在支持度计算方面，利用倒排索引结构记录出现位置，避免对原始数据集的重复扫描;在候选模式生成方面，采用模式连接策略，减少冗余候选模式的生成。在项集序列和单项序列共6个真实数据集上的实验结果表明，OWP算法相比OWP-p、Ows-OWP和OWP-e算法在运行时间上分别提升了 2。653、1。348、3。592倍，在内存消耗上分别减少了3。51%、0。07%、5%，说明OWP算法可以更高效地挖掘出用户感兴趣的模式。此外，OWP算法在以D1数据集为基础的6倍大小的数据集上的运行时间比D1数据集增长了3。763倍，内存消耗增长了2。310倍，运行时间和内存消耗的增加倍数均小于数据集大小的增加倍数，说明OWP算法具有良好的可扩展性。

    序列模式挖掘项集挖掘间隙约束一次性条件弱间隙约束

      原文链接:
    • 国家科技期刊平台
    • NETL
    • NSTL
    • 万方数据

    基于方面-词性感知的方面级情感分析

    夏卫欢廖列法张守信张燕琴...
    68-77页
    查看更多>>摘要：方面级情感分析是自然语言处理的研究热点之一，其任务目的是预测句子中给定方面的情感极性。目前已有研究大多忽略了方面词和特定词性单词在过滤情感极性相关上下文语义信息和理解上下文语法信息中的作用。为此，提出一种基于方面-词性感知的图卷积网络ASP_POSGCN。采用双向长短期记忆网络建模上下文和词性信息，经由门控机制筛选方面词相关上下文语义信息，再使用词性信息隐藏层状态进一步过滤;同时设计方面-词性感知矩阵算法，根据不同词性单词对方面词情感极性的贡献重构句子原始依存关系以获取重构依存句法图，将原始依存句法图和重构依存句法图应用于双通道图卷积网络和多图感知机制;最后，使用过滤后的上下文语义信息与双通道图卷积网络的输出计算注意力得到最终分类表示。实验结果表明，该模型在Twitter、Laptop14、Restaurant14 和Restaurant164 个公开数据集上的准确率分别为 74。57%、79。15%、83。84%、91。23%，F1 值分别为72。59%、75。76%、77。00%、77。11%，与传统方面级情感分析基准模型相比均有提升，有助于方面级的情感极性分类。

    方面级情感分析图卷积网络门控机制词性信息多图感知机制

      原文链接:
    • 国家科技期刊平台
    • NETL
    • NSTL
    • 万方数据

    具有规定性能的多智能体动态事件触发编队控制

    张建强杨凯军欧阳凌丛
    78-88页
    查看更多>>摘要：针对多智能体系统编队控制过程中面临的性能约束、输入饱和、通信资源受限等问题，研究一类具有规定性能的高阶非仿射多智能体系统编队控制问题，提出一种有限时间动态事件触发编队控制策略。首先利用反步法设计控制律，并引入微分跟踪技术解决"计算爆炸"问题，有效避免对复杂虚拟控制律的求导过程;其次采用模糊逻辑系统估计系统内部的不确定性，通过设计性能函数和饱和补偿系统使得多智能体满足规定瞬态性能并防止输入饱和所带来的影响;随后为了解决通信资源受限的问题，构造一个具有动态阈值的自适应事件触发协议，有效减少控制器与执行器之间的通信量;最后利用李雅普诺夫稳定性理论分析闭环系统的稳定性，保证编队误差将渐近收敛至0且系统中所有信号均有界。采用含有1个领导者和5个跟随者的多智能体模型进行仿真验证，结果表明，在该有限时间动态事件触发编队控制策略下，多智能体系统最终形成以领导者为圆心、跟随者都在圆上的编队队形，且编队误差在规定的范围内演化。

    多智能体系统非线性系统规定性能输入饱和动态事件触发控制

      原文链接:
    • 国家科技期刊平台
    • NETL
    • NSTL
    • 万方数据

    融合词性语义扩展信息的事件检测模型

    严海宁余正涛黄于欣宋燃...
    89-97页
    查看更多>>摘要：事件检测是事件抽取中的关键步骤，依赖于触发词进行事件类型分类。现有主流事件检测方法在稀疏标记数据上性能较差，模型过度拟合密集标注的触发词，在稀疏标记的触发词或者未见过的触发词上容易失效。改进方法通常通过扩充更多训练实例来缓解这一问题，但扩充后的数据分布不平衡，存在内置偏差，仍然表现不佳。为此，建立一种融合词性语义扩展信息的事件检测模型。对词粒度扩展信息进行分析，在不增加训练实例的条件下缩小候选触发词的范围，并对候选触发词进行语义扩展，挖掘候选触发词的上下文中蕴含的丰富语义，缓解了标记数据稀疏造成模型训练不充分的情况。通过词性筛选模块寻找候选触发词并对其进行语义扩展挖掘词粒度语义信息，融合句子粒度语义信息提升语义表征的鲁棒性，最终利用Softmax分类器进行分类完成事件检测任务。实验结果表明，该模型在ACE2005和KBP2015数据集上的事件检测任务中的F1值分别达到79。5%和67。5%，有效提升了事件检测性能，并且在稀疏标记数据实验中的F1值达到78。5%，明显改善了标记数据稀疏带来的不良影响。

    事件检测稀疏标记词性筛选语义扩展语义融合动态多池化

      原文链接:
    • 国家科技期刊平台
    • NETL
    • NSTL
    • 万方数据