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

    一种基于特征增强的场景文本检测算法

    高楠张雷梁荣华陈朋...
    256-263页
    查看更多>>摘要：针对自然场景下图像文本复杂背景、尺度多变等造成的漏检、误检问题,提出了一种基于特征增强的场景文本检测算法.在特征金字塔融合阶段,提出了双域注意力特征融合模块(Dual-domain Attention Feature Fusion Module,D2AAFM).该模块能够更好地融合不同语义和尺度的特征图信息,从而提高文本信息的表征能力.同时,考虑到网络深层特征图在上采样融合过程中出现语义信息损失的问题,提出了多尺度空间感知模块(Multi-scale Spatial Perception Module,MSPM),通过扩大感受野来获取更大感受野的上下文信息,增强深层特征图的文本语义信息特征,从而有效地减少文本漏检、误检.为了评估所提算法的有效性,在公开数据集ICDAR2015,CTW1500以及 MSRA-TD500上进行实验,所提方法综合指标F值分别达到了82.8％,83.4％和85.3％.实验结果表明,该算法在不同数据集上都具有良好的检测能力.

    深度学习场景文本检测注意力机制多尺度特征融合空洞卷积

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    CCF公益日@重庆|走进企业赋能新兴互联网业态发展

    CCF微信公众号
    263页
      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于改进Swin Transformer的中心点目标检测算法

    刘家森黄俊
    264-271页
    查看更多>>摘要：针对Swin Transformer在提取局部特征信息和特征表达能力上存在的不足,提出了 一种基于改进Swin Transformer的中心点目标检测算法,以提高其在目标检测方面的性能.通过调整网络结构和引入反卷积模块来增强网络对局部特征信息的提取能力,利用 自适应二维高斯核和回归头模块检测目标中心点来增强特征表达能力,并在Swin Transformer block模块中加入dropout激活函数,以缓解网络过拟合问题.在Pascal VOC和MS COCO 2017数据集上分别对改进后的算法进行验证,实验结果表明,改进后的Swin Transformer算法在Pascal VOC数据集上的精确度达到了 81.1％,在MS COCO数据集上的精确度达到了 37.2％,明显优于其他主流目标检测算法.

    深度学习图像处理目标检测反卷积SwinTransformer

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    人机混合智能决策范式及作战应用研究

    丁炎炎冯建航叶玲郑少秋...
    272-281页
    查看更多>>摘要：人机混合智能结合机器智能和人类智能,充分发挥机器和人类各自的智能优势,实现智能的跨载体和跨认知.作为一种新型智能形式,人机混合智能具有广泛的应用前景.人机混合智能决策将人的思维引入机器智能系统中,利用多智能协同完成对某种任务或问题的混合决策.针对现有的人机混合智能决策研究缺少整体性的理论描述和分类对比,且缺少针对军事领域的作战决策系统的架构描述,从协同交互手段和决策阶段的角度对通用人机混合决策范式进行分类和比较,分析了不同范式下的人机混合智能决策系统在作战方面的应用.此外,总结了 目前人机混合智能决策范式和系统存在的问题,并展望了未来的发展方向.

    人机混合智能混合决策人在环内人在环上人在环外

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    CCF YOCSEF郑州特别活动:如何提升CCF服务新质生产力的能力

    CCF微信公众号
    281页
      原文链接:
    • NETL
    • NSTL
    • 万方数据

    图神经网络研究综述

    侯磊刘金环于旭杜军威...
    282-298页
    查看更多>>摘要：随着人工智能的快速发展,深度学习已经在图像、文本和语音等可在欧氏空间表示的数据中取得了巨大成功,但却一直无法很好地应用于非欧氏空间.近年来,图神经网络在非欧几里得空间中展现出了强大的表示学习能力,并广泛应用于推荐系统、自然语言处理以及机器视觉等众多领域.图神经网络模型基于信息的传播机制,具体地,图中的 目标节点通过聚合邻居节点的信息来更新自身的嵌入表示.利用图神经网络,可将众多现实问题(如社交网络、知识图谱和药物化学成分等)抽象成图网络,借助图中的连接边,对不同节点之间的依赖关系进行合理建模.鉴于此,对图神经网络进行了系统综述,首先介绍了图结构数据方面的基础知识,然后对图游走算法和不同类型的图神经网络模型进行了系统梳理.进一步地,详细阐述了当前图神经网络的通用框架和应用领域,最后对图神经网络的未来进行了总结与展望.

    图结构数据图游走算法图卷积神经网络图注意力网络图残差网络图递归网络

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于句信息增强词信息的方面级情感分类

    李怡霖孙成胜罗林琚生根...
    299-308页
    查看更多>>摘要：方面级情感分类属于细粒度的情感分类,旨在判断句子中指定方面词的情感极性.近年来,句法知识在方面级情感分类任务中得到了广泛应用.目前主流的模型利用句法依存树和图卷积神经网络进行情感极性的分类.然而,此类模型着眼于利用聚合后的方面词信息来判断情感极性,很少关注句子的全局信息对情感极性的影响,从而导致情感极性分类结果出现偏差.为了解决这一问题,提出了一种基于句信息增强词信息的方面级情感分类模型,该模型通过对比学习对句向量进行表示学习,以减小句向量对比损失为 目标调整词向量的特征表示,最后通过图卷积神经网络聚合意见词信息得出情感分类结果.在SemEva12014数据集和Twitter数据集上进行实验,结果表明,所提模型可以提高分类的准确性,综合验证了该方法的有效性.

    方面级情感分类句信息词信息对比学习图卷积神经网络

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于多任务联合训练的长文本多实体情感分析

    张昊妍段利国王钦晨郜浩...
    309-316页
    查看更多>>摘要：多实体情感分析旨在识别文中的核心实体并判断其对应的情感,是目前细粒度情感分析领域的研究热点,对长文本多实体情感分析的研究目前还处于起步阶段.文中提出了一种基于多任务联合训练的长文本多实体情感分析模型(PAM),首先采用TF-IDF算法提取文章中与标题相似的句子,剔除冗余信息以缩短文本长度,通过两个BiLSTM分别进行核心实体识别和情感分析任务的学习,获取各自需要的特征,然后利用融入相对位置信息的多头注意力机制将实体识别任务学习到的知识向情感分析任务传递,实现两个任务的联合学习,最后利用提出的Entity_Extract算法根据实体词在文本中出现的次数和先后位置从模型预测的候选实体中确定核心实体并获取其对应的情感.在搜狐新闻数据集上的实验结果证明了 PAM模型的有效性.

    长文本多实体细粒度情感分析多任务学习

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于知识辅助的结构化医疗报告生成

    史继筠张驰王禹桥罗兆经...
    317-324页
    查看更多>>摘要：医疗报告自动生成是文本摘要生成技术的重要应用.由于医疗问诊数据与通用领域的数据特征存在着明显的差异,传统的文本摘要生成方法不能充分理解并利用医疗文本中高复杂性的医疗术语,因此医疗问诊中包含的关键知识并没有得到充分的利用.此外,传统的文本摘要生成方法大多是直接生成摘要,并没有针对医疗报告结构化的特点自动选择过滤关键信息并生成结构化文本的能力.针对上述问题,提出了一种知识辅助的结构化医疗报告生成方法.该方法将实体引导的先验领域知识与结构引导的任务解耦机制相结合,实现了对医疗问诊数据的关键知识与医疗报告的结构化特点的充分利用.在IMCS21数据集上的实验验证了所提方法的有效性,其生成摘要的ROUGE分数与同类方法相比提升了 2％～3％,生成了更准确的医疗报告.

    医疗报告生成预训练模型生成式摘要领域知识先验任务解耦机制

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    一种面向中文自动问答的注意力交互深度学习模型

    蒋锐杨凯辉王小明李大鹏...
    325-330页
    查看更多>>摘要：随着互联网、大数据的飞速发展,以深度神经网络(DNN)为代表的人工智能技术迎来了黄金发展时期,自动问答作为人工智能领域的一个重要分支,也得到越来越多学者的关注.现有网络模型可以提取问题或答案的语义特征,但其一方面忽略了问题与答案之间的语义联系,另一方面也不能从整体上把握问题或答案内部所有字符之间的潜在联系.基于此,提出了两种不同形式的注意力交互模块,即互注意力交互模块和自注意力交互模块,并设计出一套基于所提注意力交互模块的深度学习模型,用于证明该注意力交互模块的有效性.首先将问题和答案中的每个字符映射成固定长度的向量,分别得到问题和答案对应的字嵌入矩阵;然后将字嵌入矩阵送入注意力交互模块,得到综合考虑问题与答案所有字符之后的字嵌入矩阵,并与之前的字嵌入矩阵相加,送入深度神经网络模块,用于提取问题与答案的语义特征;最后得到问题与答案的向量表示并计算两者之间的相似度.实验结果表明,所提模型的Top-1准确度较主流深度学习模型最高提升了 3.55％,证明了所提注意力交互模块对于改善上述问题的有效性.

    人工智能自动问答深度学习注意力字嵌入

      原文链接:
    • NETL
    • NSTL
    • 万方数据