首页期刊导航|计算机科学
期刊信息/Journal information
计算机科学
计算机科学

朱完元

月刊

1002-137X

jsjkx12@163.com

023-63500828

401121

重庆市渝北区洪湖西路18号

计算机科学/Journal Computer ScienceCSCD北大核心CSTPCD
查看更多>>本刊的读者对象是：大专院校师生，从事计算机科学与技术领域的科研、生产人员。办刊宗旨是：坚持“双百”方针，活跃计算机科学与技术领域的学术气氛，重点报导国内外计算机科学与技术的发展动态，为我国的计算机科学与技术立于世界之林、达到国际先进水平奋斗而矢志不渝。
正式出版
收录年代

    王怀民院士:开源生态演变趋势及其影响

    CCF微信公众号
    94页
      原文链接:
    • 万方数据
    • 维普

    基于距离泛化的二分图(α,β)-core高效分解算法

    张毅豪华征宇袁龙张帆...
    95-102页
    查看更多>>摘要：(α,β)-core分解作为图数据管理与分析研究中的热点问题,已经被广泛应用于电商欺诈检测和兴趣群组推荐等实际场景中.然而现有(α,β)-core模型在构建时仅考虑顶点距离为1的邻居,难以刻画出二部图社区中的细粒度信息.针对此问题,提出了基于距离泛化的(α,β,h)-core模型,即由二部图中两个不相交的顶点集构成一个最大子图,满足一个集合中的任何一个顶点至少有α个与它的距离不大于h的邻居顶点,另一个集合中的任何一个顶点至少有β个与它的距离不大于h的邻居顶点.通过引入距离为h的邻居,解决了(α,β)-core模型细粒度刻画能力不足的问题.由于新模型需要考虑距离不大于h的邻居,因此(α,β,h)-core分解变得更为困难.为此,提出了基于计算共享的分解策略,据此设计了高效的(α,β,h)-core分解算法,并分析了算法性能.考虑到确定距离不大于h的邻居顶点非常耗时,还提出一种(α,β,h)-core下界以减少重复计算距离不大于h的邻居顶点,进一步提高计算效率.在8个真实图数据上的对比实验结果验证了新模型的有效性和算法的高效性.

    二部图(α,β,h)-core分解高效算法

      原文链接:
    • 万方数据
    • 维普

    2024CCF-深信服"远望"科研基金(第二期)启动申报

    CCF微信公众号
    102页
      原文链接:
    • 万方数据

    一种基于层次超图注意力神经网络的服务推荐算法

    杨东昇王桂玲郑鑫
    103-111页
    查看更多>>摘要：随着Internet和 Web上各种服务和API数量的迅速增加,开发人员要快速准确地找到满足其需求的API变得越来越具有挑战性,因此亟需一个高效的推荐系统.目前,将图神经网络应用于服务推荐领域取得了巨大成功,但大多数方法仍然局限于简单的交互,忽略了 mashup和API调用之间的内在关系;为了解决这个问题,提出了一种基于层次超图注意力的服务推荐方法(H-HGSR)来进行API推荐.首先定义了 8种类型的超边,并探究了对应类型超边的超图邻接矩阵生成方法,然后提出了节点级和超边级的注意力机制.节点级注意力机制用于聚合特定类型超图邻接矩阵下的不同邻居的重要信息,以捕获mashup和API之间的高阶关系;超边级注意力机制用于对从不同类型超图邻接矩阵生成的节点嵌入进行加权组合.通过学习节点级和超边级注意力的重要性,可以获得更准确的嵌入表示.最后使用一个多层感知器神经网络(MLP)进行服务推荐.在Programmable Web真实数据集上进行了大量实验,结果表明,所提H-HGSR框架优于目前最先进的服务推荐方法.

    服务推荐超图图神经网络注意力机制

      原文链接:
    • 万方数据
    • 维普

    视觉表征学习综述

    王帅炜雷杰冯尊磊梁荣华...
    112-132页
    查看更多>>摘要：表征学习是人工智能算法中的重要一环,好的表征能够让后续的下游任务事半功倍.随着深度学习在计算机视觉领域的发展,视觉表征学习变得越来越重要,其目的是将复杂的视觉信息转换为更易于人工智能算法学习的表达.文中主要介绍了目前广泛使用的视觉表征学习的研究工作,根据数据依赖程度和类型的不同,将其划分为预训练视觉表征学习、生成式视觉表征学习、对比式视觉表征学习、解耦式视觉表征学习以及结合语言信息的视觉表征学习.具体而言,预训练视觉表征学习是基于有监督的预训练模型在视觉表征学习上的应用;生成式视觉表征学习利用生成模型学习视觉表征;对比式视觉表征学习主要介绍了利用对比学习思想来学习视觉表征的各类网络框架.此外,还介绍了利用变分自编码器和生成对抗网络在解耦式视觉表征学习中的应用,以及利用语言信息来增强视觉表征学习的各种方法.最后,总结了视觉表征学习的评价准则和未来展望.

    视觉表征学习人工智能算法解耦式视觉表征学习语言信息

      原文链接:
    • 万方数据
    • 维普

    自动驾驶场景下的图像三维目标检测研究进展

    周燕许业文蒲磊徐雪妙...
    133-147页
    查看更多>>摘要：二维目标检测技术由于缺乏对物理世界尺寸、深度等信息的描述,在自动驾驶场景中应用还存在较大的局限性.许多研究者结合自动驾驶实际需要,在图像三维目标检测上做了许多探索.为了对该领域进行全面研究,文中对近年来国内外发表的相关文献进行综述,介绍了基于图像的三维目标检测以及图像与点云融合的三维目标检测两类方法,并根据网络对输入数据的不同处理方式,对两类方法进一步细分,阐述了各个类别中的代表性方法,对各类方法的优劣进行总结,对比并分析了各算法的性能.此外,详细介绍了自动驾驶场景下三维目标检测的相关数据集和评价指标.最后,对图像三维目标检测领域中存在的挑战和困难进行了分析,并对未来可能的研究方向进行了展望.

    图像三维目标检测深度学习自动驾驶多模态融合计算机视觉

      原文链接:
    • 万方数据
    • 维普

    基于弱监督语义分割的道路裂缝检测研究

    赵卫东路明张睿
    148-156页
    查看更多>>摘要：基于弱监督语义分割的道路裂缝检测方法大多基于先分块后检测的流程,分块增加了标注的工作量和误判的分块数量.针对上述问题,提出了基于深度强化学习的道路裂缝分块分类模型,根据道路裂缝图像特点,对智能体的状态、动作和获取的奖励进行了设计,训练智能体自主选择裂缝分块,并将选择结果作为分块标签用于多尺寸分块道路裂缝检测.在cqu-bpdd等数据集上进行的对比实验,证明了所提方法在道路裂缝分割性能、裂缝平均宽度的测量准确度方面优于现有方法.

    道路裂缝检测弱监督语义分割裂缝分块深度强化学习

      原文链接:
    • 万方数据
    • 维普

    CCF东莞换届,新一届执监委会产生

    CCF微信公众号
    156页
      原文链接:
    • 万方数据
    • 维普

    基于特征插值的深度图对比聚类算法

    杨希洪郑群章佳欣王沛...
    157-165页
    查看更多>>摘要：Mixup是图像领域中一种有效的数据增强方法,它通过对输入图像以及标签进行插值来合成新的样本进而扩大训练分布.然而,在图节点聚类任务中,由于图数据拓扑结构的不规则性和连通性以及无监督的场景,设计有效的插值方法成为一项具有挑战性的任务.为了解决上述问题,首先通过设计不共享参数的编码器来获取视图的嵌入特征,有效融合节点的特征和结构信息.然后将视图的嵌入特征及其对应的伪标签进行混合插值,从而将Mixup引入聚类任务中.为了确保伪标签的可靠性,设置了阈值来筛选高置信度的伪标签,并通过EMA的方式更新模型参数,使模型平稳优化的同时考虑了训练的历史信息.此外,设计了一个图对比学习模块,以保证特征在不同视图下的一致性,从而减少信息冗余,提高模型的判别能力.最终,通过在6个数据集上的大量实验证明了所提方法的有效性.

    数据增强图对比聚类EMAMixup图神经网络

      原文链接:
    • 万方数据
    • 维普

    基于隐空间匹配的无监督目标漂移校正及跟踪

    范晓鹏彭力杨杰龙
    166-173页
    查看更多>>摘要：目标跟踪是计算机视觉领域的一个基础研究问题.随着跟踪技术的发展,现存的跟踪器主要存在两个挑战,即依赖于大量的数据标注信息和跟踪漂移,它们严重限制了跟踪器性能的提升.为了应对以上挑战,提出了无监督目标跟踪和隐空间匹配的方法.首先,通过可校正光流方法在前景中生成图像对;其次,利用生成的图像对从头开始训练孪生跟踪器;最后,使用隐空间匹配的方法,解决了跟踪器在目标形变较大、遮挡、出视野和漂移等情况下跟丢的问题.实验结果表明,算法UHOT的性能在多个数据集上有显著提升,在困难场景下展现出了较强的鲁棒性.与最新的无监督算法SiamDF相比,UHOT在VOT数据集上取得了 8％的增益,与最新的监督孪生跟踪器相当.

    无监督滑动窗口隐空间模板匹配目标跟踪

      原文链接:
    • 万方数据
    • 维普