首页期刊导航|计算机系统应用
期刊信息/Journal information
计算机系统应用
计算机系统应用

苏振泽

月刊

1003-3254

csa@iscas.ac.cn

010-62661041

100080

北京中关村南四街4号

计算机系统应用/Journal Computer Systems & ApplicationsCSCD北大核心CSTPCD
查看更多>>专业技术性刊物。推广计算机系统在各行各业的应用技术成果和运行管理经验。
正式出版
收录年代

    基于图神经网络的关系抽取研究综述

    沈鑫怡李华昱闫阳张智康...
    1-11页
    查看更多>>摘要：在关系抽取任务中,通常利用构建依赖树或句法树来获得更深层和丰富的结构信息.图神经网络作为一种强大的图结构数据表示学习方法,可以更好地对这种复杂数据结构进行建模.本文介绍了基于图神经网络的关系抽取方法,旨在深入理解该领域的最新研究进展和趋势.首先简要介绍了图神经网络的分类和结构,然后详细阐述了基于图神经网络的关系抽取方法的核心技术和应用场景,包括句子级和文档级方法,以及实体关系联合抽取方法.并分析和比较了各个方法的优缺点和性能表现,并探讨了未来可能的研究方向和挑战.

    关系抽取图神经网络图结构数据实体关系联合抽取

      原文链接:
    • 万方数据
    • 维普

    基于深度学习的眼底血管图像分割研究进展

    贺鑫王晓燕周启香张文凯...
    12-23页
    查看更多>>摘要：眼底血管图像分割对青光眼、糖尿病视网膜病变等多种眼部疾病有较好的辅助诊断作用,目前深度学习因其强大的抽象特征发现能力,有望满足人们从眼底血管图像中提取特征信息进行图像自动分割的需求,成为眼底血管图像分割领域的研究热点.为更好把握该领域的研究进展,本文对相关数据集和评价指标整理归纳,对深度学习在眼底血管图像分割中的应用进行详细阐述,重点梳理各类分割方法的基本思想、网络结构及改进之处,分析现有眼底血管图像分割方法存在的局限性及面临的挑战,并对该领域未来的研究方向做出展望.

    眼底血管图像分割深度学习有监督学习无监督学习

      原文链接:
    • 万方数据
    • 维普

    基于图偏差网络的外部自编码器时间序列异常检测

    张孚容顾磊
    24-33页
    查看更多>>摘要：随着互联网和连接技术的提高,传感器产生的数据逐渐趋于复杂化.深度学习方法在处理高维数据的异常检测方面取得较好的进展,图偏差网络(graph deviation network,GDN)学习传感器节点之间关系来预测异常,并取得一定的效果.针对图偏差网络模型缺少对时间依赖性以及异常数据不稳定的处理,提出了基于图偏差网络的外部自编码器模型(graph deviation network-based external attention autoencoder,AEEA-GDN)深度提取表征,此外在模型训练时引入自适应学习机制,帮助网络更好地适应异常数据的变化.在3个现实收集传感器数据集上的实验结果表明,基于图偏差网络的外部自编码器模型比基线方法更准确地检测异常,且总体性能更优.

    异常检测图偏差网络自编码器外部注意力机制自适应学习

      原文链接:
    • 万方数据
    • 维普

    基于自编码标准流的异常点检测

    钟海鑫王晖郭躬德
    34-42页
    查看更多>>摘要：在大型和高维数据上进行有效检测,在实际应用中具有重要意义.异常点检测是指识别出偏离一般数据分布的数据点,其核心是密度估计.尽管像深度自编码高斯混合模型通过先降低维度,再进行密度估计已经取得了重大进展,但是它对低维潜在空间引入噪声,并且在对密度估计模块优化时存在一些限制,例如需要保证协方差是正定矩阵.为解决这些限制,本文提出一种用于无监督异常检测的深度自编码标准化流(deep autoencoder normalizing flow,DANF).该模型利用深度自编码器为每个输入样本生成低维潜在空间表示和重构误差,进而将其输入标准化流(normalizing flow,NF),最终映射成高斯分布.在多个公开的基准数据集上的实验结果表明,深度自编码标准化流模型显著优于最先进的异常检测技术,在评估指标F1-score上最高提升26.43％.

    异常检测无监督学习标准化流可逆变换密度估计

      原文链接:
    • 万方数据
    • 维普

    基于节点交互度的社会网络链路预测

    徐瑞阳徐振宇李家印许力...
    43-51页
    查看更多>>摘要：链路预测是通过已知的网络拓扑和节点属性挖掘未来时刻节点潜在关系的重要手段,是预测缺失链路和识别虚假链路的有效方法,在研究社会网络结构演化中具有现实意义.传统的链路预测方法基于节点信息或路径信息相似性进行预测,然而,前者考虑指标单一导致预测精度受限,后者由于计算复杂度过高不适合在规模较大网络中应用.通过对网络拓扑结构的分析,本文提出一种基于节点交互度(interacting degree of nodes,IDN)的社会网络链路预测方法.该方法首先根据网络中节点间的路径特征,引入了节点效率的概念,从而提高对于没有公共邻居节点之间链路预测的准确性;为了进一步挖掘节点间共同邻居的相关属性,借助分析节点间共同邻居的拓扑结构,该方法还创新性地整合了路径特征和局部信息,提出了社会网络节点交互度的定义,准确刻画出节点间的相似度,从而增强网络链路的预测能力;最后,本文借助6个真实网络数据集对IDN方法进行验证,实验结果表明,相比于目前的主流算法,本文提出的方法在AUC和Precision两个评价指标上均表现出更优的预测性能,预测结果平均分别提升22％和54％.因此节点交互度的提出在链路预测方面具有很高的可行性和有效性.

    链路预测节点交互度网络拓扑相似性社会网络

      原文链接:
    • 万方数据
    • 维普

    融合双分支动态偏好的会话推荐

    沈学利王乐田学成
    52-62页
    查看更多>>摘要：针对基于会话的推荐算法仅对用户单一偏好进行静态建模而无法捕捉用户受环境影响偏好产生的波动,从而降低推荐准确性的问题.提出融合双分支动态偏好的会话推荐方法:首先,通过异构超图来建模不同类型信息,设计双分支聚合机制获取以及整合异构超图中信息并且学习多类型节点之间的关系,再用价格嵌入增强器来加强类别和价格之间关系;其次,设计双层偏好编码器,其中采用多尺度时序Transformer提取用户动态价格偏好,利用软注意机制和反向位置编码学习用户动态兴趣偏好;最后,用门控机制融合用户多类型动态偏好,向用户进行推荐.通过在Cosmetics和Diginetica-buy两个数据集上进行实验,结果证明与其他对比算法相比在Precision和MRR评价指标中有显著的提升.

    推荐系统多类型动态建模异构超图双分支注意力机制

      原文链接:
    • 万方数据
    • 维普

    基于车载环境的交通目标跟踪

    孟令辰孟乔皇甫俊逸李鑫...
    63-72页
    查看更多>>摘要：针对车载环境下小目标难以识别和相机动态移动造成的目标跟踪精度下降问题,提出一种基于改进YOLOv5与ByteTrack的交通目标跟踪方法.首先,引入Transformer与加权特征金字塔(BiFPN)结构的思想重构YOLOv5检测网络,有效捕获了特征的全局依赖关系,缓解了深层卷积小目标信息丢失问题,改善了车载环境下的目标检测性能.此后,以ByteTrack为基础提出了添加相机移动补偿的CMC-ByteTrack跟踪方法,更精准地描述了视频前后帧的数据关联关系,提高了相机大幅位移时的跟踪精度.实验结果表明,改进YOLOv5的平均检测精度(mAP)达到了 82.2％,相比原算法提高了 3.9％,与CMC-ByteTrack结合后的跟踪准确性(MOTA)相比改进前的跟踪方法提高了 2.8％.

    YOLOv5目标跟踪Transformer特征融合相机移动补偿

      原文链接:
    • 万方数据
    • 维普

    多尺度特征金字塔融合的街景图像语义分割

    曲海成王莹董康龙刘万军...
    73-84页
    查看更多>>摘要：针对街景图像语义分割任务中的目标尺寸差异大、多尺度特征难以高效提取的问题,本文提出了一种语义分割网络(LDPANet).首先,将空洞卷积与引入残差学习单元的深度可分离卷积结合,来优化编码器结构,在降低了计算复杂度的同时缓解梯度消失的问题.然后利用层传递的迭代空洞空间金字塔,将自顶向下的特征信息依次融合,提高了上下文信息的有效交互能力;在多尺度特征融合之后引入属性注意力模块,使网络抑制冗余信息,强化重要特征.再者,以通道扩展上采样代替双线插值上采样作为解码器,进一步提升了特征图的分辨率.最后,LDPANet方法在Cityscapes和CamVid数据集上的精度分别达到了 91.8％和87.52％,与近几年网络模型相比,本文网络模型可以精确地提取像素的位置信息以及空间维度信息,提高了语义分割的准确率.

    语义分割MDSDCIDCP-LC属性注意力通道扩展上采样特征融合

      原文链接:
    • 万方数据
    • 维普

    结合注意力和改进样本选取方法的少样本高光谱分类孪生网络

    杨宇新郭躬德王晖
    85-94页
    查看更多>>摘要：针对高光谱图像(hyperspectral image)样本人工标记困难导致的样本数量不足的问题,本文提出了一个结合注意力和空间邻域的少样本孪生网络算法.它首先对高光谱图像进行PCA预处理,实现数据降维;其次,对模型训练样本采用间隔采样和边缘采样的方式进行选取,以有效减少冗余信息;之后,Siamese network以大小不同的patch形式进行两两结合,构建出样本对作为训练集进行训练,不仅实现了数据增强的效果,还能在提取光谱信息特征的同时,充分提取目标像素光谱信息以及其周围邻域空间信息;最后,添加光谱维度的注意力模块以及空间维度的相似度度量模块,分别对光谱信息和空间邻域信息进行权重分布,以达到提升分类性能的目的.实验结果表明,本文提出的方法在部分公开数据集上对比常用方法取得了较好的实验效果.

    高光谱图像分类Siamesenetwork注意力机制少样本学习深度学习

      原文链接:
    • 万方数据
    • 维普

    融合深度残差网络和字典学习的肺炎检测

    朱之强卞维新接标黄宜...
    95-102页
    查看更多>>摘要：由于空气污染与吸烟等原因,肺炎己成为人类死亡率最高的疾病之一.随着机器学习与深度学习技术在医疗图像检测上的应用,为临床专家诊断各类疾病提供了帮助.但由于缺少有效的配对肺部X射线数据集,以及现有针对肺炎检测的方法均采用不是针对肺炎任务的普遍分类模型,难以发现肺炎图像与正常图像的细微差别,导致识别失败.为此,本文通过数据裁剪、旋转等方式扩充数据集中的正常图像;再使用50层深度残差网络对胸部X射线中的浅层肺炎特征进行学习;然后,通过两层字典对残差网络学习到的肺炎特征进行更深度的抽象和学习,发现不同肺部图像之间的微小差别;最后,融合残差网络和字典学习提取到的多级肺炎特征,构建肺炎检测模型.为了验证算法的有效性,在Chest X-ray肺炎数据集上评估肺炎检测模型的性能.根据测试结果,本文提出模型的检测准确率为97.12％;指标测试中,精度与召回率之间的调和平均数上的得分为97.73％.与现有方法相比,获得了更高的识别精度.

    肺炎扩充数据集深度学习深度残差网络两层字典学习

      原文链接:
    • 万方数据
    • 维普