首页期刊导航|计算机工程与应用
期刊信息/Journal information
计算机工程与应用
华北计算技术研究所
计算机工程与应用

华北计算技术研究所

陶小雪

半月刊

1002-8331

ceaj@vip.163.com

010-89055542

100083

北京619信箱26分箱

计算机工程与应用/Journal Computer Engineering and ApplicationsCSCD北大核心CSTPCD
查看更多>>《计算机工程与应用》是由中国电子科技集团公司主管，华北计算技术研究所主办的面向计算机全行业的综合性学术刊物，中国计算机学会会刊，中国科技核心期刊、北大中文核心期刊、RCCSE中国核心学术期刊、中国科学引文数据库（CSCD）来源期刊、中国学术期刊综合评价数据库（CAJCED）统计源期刊、中国科技论文与引文数据库（CSTPCD）统计源期刊、中文科技期刊数据库（VIP）收录期刊、《中国学术期刊文摘》首批收录源期刊，被收录在英国《科学文摘》（SA/INSPEC）、俄罗斯《文摘杂志》（AJ）、美国《剑桥科学文摘》（CSA）、美国《乌利希期刊指南》（Ulrich’s PD）、《日本科学技术振兴机构中国文献数据库》（JST）、波兰《哥白尼索引》（IC），中国期刊方阵双效期刊、中国精品科技期刊、工业和信息化部精品期刊、中国最具国际影响力学术期刊、中国“百强科技期刊”、中国“期刊数字影响力100强”，入选“庆祝中华人民共和国成立70周年精品期刊展”。办刊方针：坚持走学术与实践相结合的道路，注重理论的先进性和实用技术的广泛性，在促进学术交流的同时，推进了科技成果的转化。覆盖面宽、信息量大、报道及时是本刊的服务宗旨。报导范围：行业最新研究成果与学术领域最新发展动态；具有先进性和推广价值的工程方案；有独立和创新见解的学术报告；先进、广泛、实用的开发成果。主要栏目：热点与综述，理论与研发，大数据与云计算，网络、通信与安全，模式识别与人工智能，图形图像处理，工程与应用，其他热门栏目。
正式出版
收录年代

    面向航拍路面裂缝检测的AC-YOLO

    白锋马庆禄赵敏
    153-164页
    查看更多>>摘要：针对当前道路巡检智能化程度不足以及效率低等现状，为提高利用无人机道路巡检检测效率与检测精度，在YOLOv8s的基础上针对无人机航拍场景提出改进模型AC-YOLO，在主干网络引入动态大卷积核注意机制LSK-attention来扩展模型的感受野，提高对路面裂缝范围检测的准确性。在颈部结构设计多尺度特征融合策略，融入BiFPN网络，改善对细小裂缝的检测。替换损失函数为WIoUv3，优化梯度分配策略，使模型更加关注裂缝主体。在数据集UAV-PDD2023上进行实验验证，改进后AC-YOLO精准度达到0。895，较原模型提高0。128，mAP50达到0。791，提高0。071，F1得分提高0。051，模型大小减小8。5％，FPS达到了 129，提高4％。同时采用不同任务验证了模型泛化性能，实验结果证明AC-YOLO具有更强的检测性能，能有效应用于无人机视角下的路面裂缝检测。

    道路巡检裂缝检测航拍裂缝增强感知特征融合

      原文链接:
    • 万方数据
    • 维普

    基于反向最近邻的密度估计聚类算法

    许梅梅侯新民
    165-173页
    查看更多>>摘要：基于相互最近邻的密度峰聚类算法(DenMune)通过相互最近邻计算数据点的局部密度，是一种有效的聚类手段。但该算法存在构建聚类骨架不合理的问题，在分配弱点时采用硬投票策略，易产生错误。因此提出一种新的基于反向最近邻的密度估计聚类算法(RNN-DEC)。该算法引入反向最近邻来计算数据点的局部密度，将数据点分成强点、弱点和噪声点。使用强点构建聚类算法的骨架，通过软投票的方式将弱点分配到与其相似度最高的簇中去。提出了一种基于反向最近邻的簇融合算法，将相似度高的子簇融合，得到最终的聚类结果。实验结果表明，在一些合成数据集和UCI真实数据集上，相比较于其他经典算法，该算法具有更好的聚类效果。

    反向最近邻局部密度密度聚类算法子簇融合

      原文链接:
    • 万方数据
    • 维普

    融合语义分割与模糊推理的无认机应急降落选址算法

    李迪肖敏任东谢咏昶...
    174-185页
    查看更多>>摘要：随着无人机的应用领域从娱乐摄影拓展到物流、军事和灾害响应，对于无人机的自主智能化要求也越来越高。针对无人机紧急情况下自主降落区域复杂难以保证着陆安全的问题，提出了一种实时语义分割网络与模糊推理相结合的降落选址算法(STDC-LSSNet)。考虑到潜在危险因素在航拍图像上占比小、易被错误分割的问题，提出了小目标特征提取模块(small target feature capture module，STFCM)，通过计算不同尺度特征的相似性并进行权重分配，强化小目标特征的表达。考虑到安全区域与危险区域边界混淆会导致无人机降落存在巨大风险，提出了边界特征融合模块(boundary feature fusion module，BFFM)，将浅层网络由拉普拉斯卷积得到的边界信息与深层网络的语义信息进行特征融合，引入注意力机制，增强边界区域特征的表达。通过对分割得到的图像进行模糊推理，从而精确识别应急降落地点。所提算法在公开数据集Semantic Drone和AeroScapes上与最先进的算法进行了广泛的对比实验，mIoU提升1。72个百分点和3。89个百分点，实时分割速度达到210FPS，选址的速度达到58。62 ms，实现了无人机在复杂情况下的应急降落选址。

    无人机自主降落实时语义分割模糊推理注意力机制

      原文链接:
    • 万方数据

    融合BiLSTM与CNN的推特黑灰产分类模型

    朱恩德王威高见
    186-195页
    查看更多>>摘要：当前推特等国外社交平台，已成为从事网络黑灰产犯罪不可或缺的工具，对推特上黑灰产账号进行发现、检测和分类对于打击网络犯罪、维护社会稳定具有重大意义。现有的推文分类模型双向长短时记忆网络(bi-directional long short-term memory，BiLSTM)可以学习推文的上下文信息，却无法学习局部关键信息，卷积神经网络(convolu-tion neural network，CNN)模型可以学习推文的局部关键信息，却无法学习推文的上下文信息。结合BiLSTM与CNN两种模型的优势，提出了 BiLSTM-CNN推文分类模型，该模型将推文进行向量化后，输入BiLSTM模型学习推文的上下文信息，再在BiLSTM模型后引入CNN层，进行局部特征的提取，最后使用全连接层将经过池化的特征连接在一起，并应用softmax函数进行四分类。模型在自主构建的中文推特黑灰产推文数据集上进行实验，并使用TextCNN、TextRNN、TextRCNN三种分类模型作为对比实验，实验结果显示，所提的BiLSTM-CNN推文分类模型在对四类推文进行分类的宏准确率为98。32％，明显高于TextCNN、TextRNN和TextRCNN三种模型的准确率。

    文本分类双向长短期记忆网络(BiLSTM)卷积神经网络(CNN)黑灰产推特

      原文链接:
    • 万方数据
    • 维普

    动态时间序列建模的多模态情感识别方法

    李佳泽梅红岩贾丽云李文娅...
    196-205页
    查看更多>>摘要：现有的情感识别研究未充分考虑语音信号中的局部-全局信息和长期时间依赖关系，文本特征提取也存在特征稀疏和信息丢失的问题。为解决上述问题，提出动态时间序列建模的多模态情感识别方法。设计动态时间窗口模块分割语音信号从而捕捉局部-全局信息，并通过双向序列建模捕获信号中的空间信息。考虑到文本信息对情感分析的重要性，采用基于Transformer模型的卷积神经网络捕捉文本中不同位置间的依赖关系建模较长的上下文信息，最后将两种模态进行融合得到最终的情感分类。模型在IEMOCAP数据集上的实验结果表明，相比其他主流模型具有更好的多模态情感识别效果。

    多模态情感分析动态时间窗口双向时间序列建模卷积神经网络多模态融合

      原文链接:
    • 万方数据
    • 维普

    基于前后景分割的图像情感分析

    高玮军刘书君孙子博
    206-213页
    查看更多>>摘要：图像是生活中重要的信息源之一，对其所表达的内容进行细节分析，可以更充分地利用信息资源。随着信息化的快速发展，针对图像模态开展情感分析工作已成为目前研究的一大热点。图像情感分析的主要环节依次为:情感特征提取、情感空间的选择、特征融合和情感识别分类。现有的大部分图像情感分析工作以图像整体为单位进行输入，未能充分发挥图像中局部特征的情感作用。如果不能对图像的全局特征和局部特征作出区分，当图像出现清晰度不高、背景噪声较多等问题时，图像的全局特征就会变得较为敏感，特征提取和识别工作将会受到严重干扰，对情感分析的准确性产生一定影响。针对目前图像情感分析存在的不足，提出一种基于前后景分割的图像情感分析方法。该方法以YOLOv5为框架，引入ConvNeXt模块和AFF模块，分别进行特征提取和注意力融合。实验结果表明，与目前比较流行的几种图像情感分析方法相比，该方法对于包含更多情感信息和语义信息的场景更为适用，性能也有所提升。

    图像情感分析前后景分割特征融合YOLOv5局部特征全局特征

      原文链接:
    • 万方数据
    • 维普

    融合事件类型的中文事件抽取方法

    王瑾睿李劼
    214-220页
    查看更多>>摘要：事件抽取技术是自动化地从文本信息中获得结构性数据的重要手段，也是自然语言处理领域的重点研究方向之一。事件抽取包含两个子任务，事件类型检测与事件论元抽取。近年来的事件抽取研究引入了预训练语言模型作为文本的语义表征，然后采用序列标注BIO完成抽取任务，但此类方法容易存在标签歧义问题。因此又有学者提出在事件文本特征中融入特征知识以避免歧义，可现有的融合方法忽略了事件抽取各个子任务间的依赖关系。为解决以上问题，针对事件抽取任务采用联合学习的算法框架，通过门融合机制将事件类型信息作为新知识融入事件的文本表示中，再进行事件触发词抽取与事件论元抽取。实验结果证明该算法模型在论元抽取任务上较之基线方法表现更优异。

    文本事件抽取预训练语言模型门融合

      原文链接:
    • 万方数据
    • 维普

    融合快速边缘注意力的Transformer跟踪算法

    薛紫涵葛海波王淑贤安玉...
    221-231页
    查看更多>>摘要：针对长期目标跟踪中出现模型退化和跟踪漂移的问题，提出了一种融合快速边缘注意力的Transformer跟踪算法TransFEA(fast edge attention on Transformer)。使用 ResNet-50作为 Siamese 网络的骨干网络，并在其每个残差块后端引入注意力网络进行特征提取，增强目标的关键信息和全局信息;边缘注意力网络(edge attention net-work，EA)提取模板与搜索区域的特征向量，快速注意力网络(fast attention network，FA)计算注意响应值，确定两个区域的相似度，以此调整目标位置。设计多层感知器预测边界框，避免过多超参数，使跟踪器实现了准确性与轻量化的平衡。实验结果表明，TransFEA在LaSOT数据集上成功率和准确率分别为65。3％、69。1％，运行可以达到90 FPS，提高了长期跟踪的成功率和准确率。

    Transformer网络边缘注意力网络快速注意力网络多层感知器

      原文链接:
    • 万方数据
    • 维普

    结合通道剪枝和通道注意力的轻量型车辆点云补全网络

    杨晓文冯泊栋韩慧妍况立群...
    232-242页
    查看更多>>摘要：针对现有的点云补全网络多关注于补全的精度而忽视补全效率问题，提出了一种轻量型点云补全网络来准确、高效地修复自动驾驶中的不完整车辆点云。为了提高网络推理效率，采用一种高效的一次性通道剪枝技术提高网络的补全效率;在特征提取阶段，网络加入通道注意力模块，将加权特征与全局特征拼接，通过两层多维特征信息提取，得到最终的特征向量;将特征向量传入双解码器结构中，分别通过全连接层和多层感知机生成稠密的粗糙点云和输入点云偏差值;将粗糙点云与输入点云偏差值相加得到最终的精细化完整点云。在PCN数据集和KITTI数据集上进行实验，实验结果表明在补全缺失车辆信息的实时性上有着显著的提升，并且在补全精度上也有不错的表现。

    点云补全通道剪枝通道注意力轻量型深度学习

      原文链接:
    • 万方数据
    • 维普

    改进YOLOv7的结直肠息肉检测算法

    薛钦原胡珊珊胡新军严松才...
    243-251页
    查看更多>>摘要：计算机辅助诊断对提高息肉诊断准确率和降低结直肠癌死亡率至关重要，但息肉形态各异，息肉类似物和肠内的复杂环境导致目前的方法存在较多的误诊和漏诊。因此提出了一种改进的YOLOv7结直肠息肉检测算法(YOLOv7-IDH)，使用含隐式知识的高效解耦头，充分利用隐含信息并防止分类和回归任务之间相互干扰;引入全局注意力机制，增强模型对浅层特征的提取能力;对SPPCSPC模块进行优化，减少模型参数和提高收敛速度。实验结果表明，改进模型在组合数据集上的F1分数和mAP@0。5分别达到了 94。8％和97。1％，可以满足息肉自动检测的要求。

    息肉检测深度学习计算机辅助诊断解耦头注意力机制

      原文链接:
    • 万方数据
    • 维普