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

    基于多任务学习的超分辨率辅助小目标检测

    张天鹏韩晶吕学强
    304-312页
    查看更多>>摘要：小目标通常具有低分辨率和模糊不清的特点，并容易受到遮挡和背景的影响，导致难以实现准确且实时的小目标检测。为提升检测效果，提出一种基于多任务学习的超分辨率辅助小目标检测算法Multi-YOLO。首先，引入一个超分辨率辅助分支引导主干网络提取有效特征，减少小目标信息丢失;其次，采用Anchor based协同监督Anchor free的双检测头训练方法来辅助提升检测准确性，另外，在骨干网络尾部使用CTR3模块加强目标信息与位置感知的关联性;最后，在推理阶段仅使用检测分支进行推理以保证推理速度。实验结果表明，Multi-YOLO相对于基准网络在VEDAI、COCO MiniTrain和SPCD数据集上均取得了一定的性能提升，其中在VEDAI数据集上，Multi-YOLO实现了 10。9％的平均精度均值(mAP)提升，且与基准模型大小相近。同时，与主流的单阶段目标检测网络相比，Multi-YOLO在小目标检测方面表现出色，并在精度和速度之间取得了平衡。

    深度学习小目标检测多任务学习超分辨率注意力机制

      原文链接:
    • 万方数据
    • 维普

    融合注意力的教师互一致性半监督医学图像分割

    郭敏张熙涵李阳
    313-323页
    查看更多>>摘要：医学图像分割在疾病辅助诊断中起着关键的作用。现有的深度分割模型需要依赖带有标注的数据完成大规模训练，而医学影像标注需要具有专业背景的临床医生进行像素级标注，导致标注数据获取困难。基于半监督的医学图像分割方法利用少量的标注数据和大量的未标注数据进行学习，可以在一定程度上缓解标注数据获取困难的问题。针对半监督分割模型不能充分利用未标注数据中的可学习信息的问题，提出一种半监督分割模型TCA-Net。该模型使用U-Net作为骨干网络，通过在U-Net中引入卷积块注意力模块(CBAM)与多头自注意力模块(MHA)来解决其在下采样过程中的信息丢失问题;为了充分利用未标注数据中的不确定性信息，构建一个教师互一致性模型，该模型由具有1个编码器和3个略有不同的解码器的学生模型与教师模型组成，通过在学生模型的概率映射与教师模型的伪标签之间添加一致性约束，以此在训练过程中最小化输出之间的差异，从而提升模型的分割效果。在公开的WORD腹部多器官数据集与ACDC心脏数据集上进行实验，结果表明，在使用20％标注数据的WORD数据集上，TCA-Net的Dice系数、Jaccard指数、HD95和ASD分别达到90。81％、83。79％、21。38和6。08，在ACDC数据集上分别达到89。69％、81。94％、1。66和0。45。消融实验与对比实验结果表明，TCA-Net能够有效提升未标注数据的利用率，在不同数据集上均达到了较好的分割效果，验证了模型的鲁棒性。

    医学图像分割半监督学习注意力机制平均教师模型一致性正则化

      原文链接:
    • 万方数据
    • 维普

    基于注意力机制的双路解码器图像去噪方法

    高煜宝文志诚
    324-332页
    查看更多>>摘要：目前大多数图像去噪算法在去除图像噪声的同时，通常会丢失图像的细节信息，特别是当噪声强度较大时甚至会出现失真。随着当前神经网络结构普遍趋向于深层设计，导致图像的浅层特征难以与深层特征融合。针对这些问题，提出一种基于注意力机制的双路解码器图像去噪方法。首先，设计一种残差密集块(RDB)来对U-Net网络进行改进，实现网络深度的增加，有效提升模型的稳定性并缓解梯度消失问题;其次，设计一种双路解码器结构，通过在不同尺度的解码器中进行多尺度特征提取，加强深浅层特征的融合;最后，通过在解码器中引入注意力机制，有针对性地捕获图像的边缘信息，增强模型的去噪表现。实验结果表明，相较于现有常见的图像去噪方法，所提方法不仅能够有效去除图像噪声，还能更好地恢复图像纹理细节，同时具有较快的去噪速度，在主观和客观评价中均获得了更好的结果。

    深度学习卷积神经网络图像去噪双路解码器多尺度

      原文链接:
    • 万方数据
    • 维普

    基于模型预测控制的多钢筋并行排布智能深化设计方法

    齐宏拓伍洲周绪红李盛...
    333-343页
    查看更多>>摘要：传统钢筋深化设计的大量排布工作是基于手动或半自动化的方式完成的，时间及人工成本较高。目前基于单根钢筋的智能设计方法存在3个问题:同向钢筋没有共享机制，无法利用相似信息，造成大量重复性计算;钢筋之间不具备协同机制，无法保证钢筋前后左右间距的一致性;优化策略基于局部信息进行智能体轨迹规划，难以应对复杂和特殊的钢筋排布场景。为解决上述问题，提出基于模型预测控制(MPC)的多钢筋并行排布智能设计方法，以提高钢筋的排布效率及质量。MPC是一种可以兼顾全局信息和局部信息的寻优策略，通过滚动优化和最优解首元素的应用，提高钢筋应对复杂环境的能力，实现钢筋智能避障和长度优化。多钢筋并行排布策略采用领航跟随者模式实现信息共享和行为协同，利用同向钢筋的相似信息，可减少重复性工作并保证钢筋间距一致。为提高优化效率和质量，结合群体智能的优点进一步改进差分进化算法，并将其作为MPC的求解器。实验结果表明，通过与单钢筋排布方法在不同障碍物情形下的对比，提出的多钢筋并行排布方法能够有效提高钢筋排布的质量、优化效率和应对复杂障碍物场景，并以预制混凝土楼梯构件设计为示例，验证了所提方法的可行性和有效性。

    智能建造深化设计智能优化设计钢筋排布模型预测控制进化算法

      原文链接:
    • 万方数据
    • 维普

    智慧教育下基于改进YOLOv8的学生课堂行为检测算法

    曾钰琦刘博钟柏昌钟瑾...
    344-355页
    查看更多>>摘要：为了加快教育的数字化转型，人工智能技术融入教与学全过程行为的精准分析与实证应用已成为当前的研究热点。针对目前学生课堂行为检测中存在的检测精度低、目标框密度高、重叠遮挡严重、尺度变化大以及数据量不平衡等问题，创建学生课堂行为数据集DBS Dataset，并提出一种基于改进YOLOv8的学生课堂行为检测算法VWE-YOLOv8。首先引入注意力机制CSWin-Transformer，增强模型对图像全局信息的提取能力，提高网络的检测精度;然后集成大可分离核心注意力(LSKA)模块到SPPF架构中，增加模型在多尺度目标上的识别能力;接着将遮挡感知注意力机制融入到检测头的设计中，将原有的Head结构修改为SEAMHead，实现模型对遮挡物体的有效检测;最后引入权重调整函数Slide Loss来处理样本不均衡问题。实验结果表明，与YOLOv8相比，在DBS Dataset和公开数据集SCB Dataset上，改进后VWE-YOLOv8的mAP@0。50分别提高了 1。16％、1。70％，mAP@0。50:0。95分别提高了 7。36％、2。13％，精度分别提升了 4。17％、6。74％，召回率分别提升了1。96％、3。13％，说明该算法具有更高的检测精度和较强的泛化能力，能够胜任学生课堂行为的检测任务，有力支撑智慧教育应用，助力教育数字化转型。

    智慧教育学生行为检测目标检测注意力机制大可分离核心注意力模块

      原文链接:
    • 万方数据
    • 维普

    基于凹凸性和转向角的古陶瓷碎片二次匹配算法

    刘鹏欢周强王莹朱建锋...
    356-366页
    查看更多>>摘要：碎片拼接是古陶瓷修复的关键工作，针对古陶瓷碎片形状随机、数量大、表面纹理弱且存在局部缺损而导致算法的精度较低、匹配时间较长等问题，提出一种基于凹凸性和转向角的古陶瓷碎片二次配算法。在提取古陶瓷碎片轮廓曲线的基础上，通过先后使用粗匹配和细匹配的二次匹配组合实现碎片的两两精确匹配。一次粗匹配先通过多边形逼近碎片轮廓曲线，以降低轮廓的复杂性，再提取多边形的顶点凹凸性和顶点转向角构建一次轮廓特征集合，最后利用凹凸互补性和遍历顶点对齐的双模态特征初次匹配算法来寻找大致匹配段，并得到粗匹配点集。二次细匹配先随机选取粗匹配点集中的任意相邻两点点对来提取碎片轮廓片段，以减少轮廓点数量并提高算法效率，再计算轮廓片段的轮廓转向角以提取二次轮廓特征集合，最后利用基于粒子群优化的二次匹配来搜索精确匹配段，并得到细匹配点集。实验结果表明，该算法对二维古陶瓷碎片的拼接效果较好，且具有较强的鲁棒性，拼接误差不超过2％，运行时间效率相比已有算法提高了 8％～20％。

    碎片拼接二次匹配算法轮廓提取凹凸性转向角粒子群优化

      原文链接:
    • 万方数据
    • 维普

    联邦异质性数据下半监督颈椎MRI分割模型

    潘恩元钟原李平
    367-376页
    查看更多>>摘要：利用分割的医学图像进行诊断在临床和医学研究上是一种有效的辅助方法，但由于医学图像的隐私性、分散性和标注困难等问题严重影响了其实际应用效果。对颈椎磁共振成像(MRI)图像分割来说，其图像数据获取更困难，且标注成本高昂，颈椎分割模型在面对不同来源的异质性数据时难以有效提取颈椎细节信息。因此，在联邦学习场景下，针对标注信息缺少以及数据异质性导致分割精度下降的问题，提出一种基于标签分离与引导的多尺度半监督分割网络M-FedLO。M-FedLO通过标签分离的方式分别对椎块与椎间盘进行分割，同时实现多尺度输出，使得椎块与椎间盘的边缘信息得到进一步提取，更好地分离出椎块与椎间盘。在联邦"全局+本地"的模式下，利用全局模型的标签引导，使本地模型在无标签数据上提取的特征与全局模型逼近一致，从而增强本地模型对无标签数据的利用。同时使用随机权重平均(SWA)算法对参数进行优化，缓解模型权重震荡问题，提升模型泛化能力。实验结果表明，与半监督基准分割模型相比，提出的模型不仅在非异质性上的颈椎MRI医学图像分割效果上取得一定的提升，而且在异质性的颈椎图像上也具有较好的成果。在颈椎数据集上与实验结果最好的ICT模型相比较，Disc相似性系数(DSC)指标达到86。86％，提升了 1。72个百分点。

    颈椎分割联邦学习异质性数据标签分离多尺度标签引导

      原文链接:
    • 万方数据
    • 维普

    基于对抗训练与Transformer的风力发电机故障分类方法

    王言国吕鹏远兰金江刘明哲...
    377-384页
    查看更多>>摘要：风力发电机故障分类的复杂性和多样性严重影响风能发电效率，传统的人工方法效率低下，准确率较低，已有的深度学习模型在真实环境中易受数据噪声干扰而表现不佳。为提升风力发电机故障分类模型在真实环境下的分类性能与鲁棒性，提出一种基于对抗训练与Transformer的故障分类方法。首先通过引入一维卷积与门控线性单元(GLU)增强注意力机制对局部特征的学习，保留易被忽略的局部信息，提升模型对于局部特征的敏感度。其次结合限制因子约束对抗样本，提高对抗样本产生的准确性。最后在消除错误样本的同时反馈生成过程，使其具备更好的抗干扰能力。实验结果表明，与5种常用的分类模型相比，所提模型分类性能平均提升7。76％，与真实结果之间的误差最小。局部增强的注意力机制和所提的对抗训练方法分别使模型的分类性能平均提升4。51％、4。95％。所提模型在10％～20％噪声环境中仍保持较好性能，增强了其在真实环境中的稳定性。该方法在提高分类准确率的同时使模型具备更强的泛化能力，对于提升风力发电机故障分类性能与鲁棒性具有重要意义。

    风力发电机门控线性单元Transformer模型对抗训练故障分类

      原文链接:
    • 万方数据
    • 维普

    投稿指南

    《计算机工程》编辑部
    封3页
      原文链接:
    • 万方数据