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

    基于历史信息及改进SimSiam的道路目标检测

    姜世豪朱明
    192-200页
    查看更多>>摘要：视觉导航旨在通过环境中的视觉信息提供导航依据,其中关键任务之一就是目标检测.传统的目标检测方法需要大量的标注,且只关注图像本身,并未充分利用视觉导航任务中的数据相似性.针对以上问题,本文提出一种基于历史图像信息的自监督训练任务.该方法聚合同一位置的多时刻图像,通过信息熵区分前景与背景,将图像增强后传入SimSiam自监督范式进行训练.并改进SimSiam投影层和预测层中的MLP为卷积注意力模块和卷积模块,改进损失函数为多维向量间损失,以提取图像中的多维特征.最后,将自监督预训练所得模型用于下游任务的训练.实验表明,在处理后的nuScenes数据集上,本文提出的方法有效提高了下游分类及检测任务的精度,在下游分类任务上Top5准确率达到66.95%,检测任务上mAP达到40.02%.

    历史信息自监督学习目标检测

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

    语义和句法依赖增强的跨度级方面情感三元组抽取

    李增伟刘帅
    201-210页
    查看更多>>摘要：本研究针对目前跨度级别的方面情感三元组抽取模型忽视词性和句法知识的问题且存在三元组冲突的情况,提出了语义和句法依赖增强的跨度级方面情感三元组抽取模型SSES-SPAN(semantic and syntactic enhanced span-based aspect sentiment triplet extraction).首先,在特征编码器中引入词性知识和句法依赖知识,使模型能够更精准地区分文本中的方面词和观点词,并且更深入地理解它们之间的关系.具体而言,对于词性信息,采用了一种加权求和的方法,将词性上下文表示与句子上下文表示融合得到语义增强表示,以帮助模型准确提取方面词和观点词.对于句法依赖信息,采用注意力机制引导的图卷积网络捕捉句法依赖特征得到句法依赖增强表示,以处理方面词和观点词之间的复杂关系.此外,鉴于跨度级别的输入缺乏互斥性的保证,采用推理策略以消除冲突三元组.在基准数据集上进行的大量实验表明,我们提出的模型在效果和鲁棒性方面超过了最先进的方法.

    方面情感三元组提取方面提取观点提取词性信息句法依赖关系

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

    基于复小波变换全监督学习的微震波形降噪与相位拾取

    薛凯文杨依然刘炎奎
    211-222页
    查看更多>>摘要：由于井下微震信号有着更低的信噪比,导致信号拾取精度降低.现阶段基于小波阈值的信号降噪算法等在面对信噪比较低的信号时存在泛化性差,阈值难以衡量等问题.为解决这一问题,本文研究了一种复小波变换全监督学习的微震波形降噪方法.该方法首先利用复小波变换结合卷积自编器设计一个具有多个卷积和反卷积操作的编码-解码器完成图像的降噪过程.为验证此方法的有效性,首先在Stanford的Earthquake数据集上构建了Earthquake2023 进行训练和测试,并有着较好地拟合效果和训练结果.同时基于该方法降噪后信号设计了一种震相拾取方法,并达到了较高的拾取精度.本文设计了多组对比实验,结果表明此降噪方法能有效提高信号的峰值信噪比和均方根误差,两者分别提高了16 dB和24%,P波、S波初至到时拾取的误差相较于STA/LTA减小了0.3 ms.

    全监督学习复小波分解卷积自编码器震相拾取波形降噪

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

    基于多维侧窗聚类分块的退化书法文档二值化

    徐占洋张家瑞侍虹言秦飞扬...
    223-231页
    查看更多>>摘要：书法字文档图像在不良光照条件下的灰度值分布差异较大,低光照区域图像对比度较低、笔画形态纹理特征出现退化,传统方法通常仅考虑了局部信息的均值、平方差、熵等因素,在形态纹理方面考虑较少,从而对低对比度区域的特征信息不敏感.针对此类问题,本文提出了一种多维侧窗聚类分块的退化书法文档的二值化方法CS-SWF(clustering segmentation based SWF),该方法首先利用SWF卷积核描述具有相似形态学特征的像素块,之后提出多种修正规则利用下采样提取低纬度信息去修正特征区域.最后,对特征图中聚类块进行前后景分离,得到二值化结果图.本文使用FM、PSNR和DRD为指标,将现有方法和本文方法进行对比,实验结果表明,在自建的 100 张手写退化文档图像数据集下,本文方法在低对比度暗部区域的二值化效果较为稳定,在精准度和鲁棒性上优于对比算法.

    自适应二值化不均匀照明侧窗滤波器退化文档

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

    多级特征交互Transformer的多器官图像分割

    武书磊张方红杨有刘学文...
    232-241页
    查看更多>>摘要：多器官医学图像分割有助于医生做出临床诊断.针对CNN提取全局特征能力弱,Transformer提取局部特征能力弱,以及Transformer具有二次方计算复杂度的问题,提出了用于多器官医学图像分割的多级特征交互Transformer模型.所提模型采用CNN提取局部特征,局部特征经Swin Transformer输出全局特征;通过下采样分别产生多级局部和全局特征,每级局部和全局特征经过交互并增强;每级增强后的特征经多级特征融合模块进行交叉融合;再次融合后的特征经过上采样和分割头输出分割掩码.所提模型在Synapse和ACDC数据集上进行实验,平均DSC和平均HD95 系数值为 80.16%和 19.20 mm,均优于LGNet和RFE-UNet等代表性模型.该模型对多器官医学图像分割是有效的.

    多器官医学图像分割多级特征交互Transformer卷积神经网络(CNN)语义分割深度学习

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

    基于日志副本的Raft共识算法优化

    雷磊胡晓鹏黄岩
    242-250页
    查看更多>>摘要：在基于三副本策略的分布式存储系统中,当存储节点上的硬盘出现故障时,常见的处理方式是等待系统预设的时间.如果该故障硬盘超时未恢复,才开始恢复故障硬盘上的副本.这种处理方式存在的问题是,当三副本组中存在故障副本时,如果该副本组再有一个副本所在的硬盘发生故障,将导致系统无法继续提供服务,且不能自动恢复.本文提出一种基于日志副本的改进的Raft共识算法,即LR-Raft(log replica based Raft),日志副本没有完整状态机,可以快速加入集群,并参与投票与共识,提升了存在故障硬盘时系统的可用性;可以解决短时间内三副本中两个副本故障导致集群不可用和丢失数据的问题.实验结果表明,在副本组中引入日志副本后,与原Raft相比,LR-Raft在不同的工作负载下读写时延均明显降低,吞吐量显著提升.

    分布式存储系统Raft共识算法故障处理日志副本日志压缩优化

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

    基于文本挖掘的WUI火灾致灾因子网络构建及特征分析

    袁惠钟少波靳薇
    251-258页
    查看更多>>摘要：为预防和减少WUI火灾的发生,挖掘WUI火灾关键致灾因子,厘清致灾因子间的作用机制.本文首先基于本文挖掘技术从WUI火灾事故案例中得到致灾因子,使用Apriori算法得到致灾因子之间的关联规则.然后使用复杂网络理论构建WUI火灾致灾因子网络,计算网络拓扑特征参数,探析WUI火灾致灾因子网络特征.最后引入WUI火灾致因链风险度指标,挖掘出高风险连边,并提出断链措施.结果表明:WUI火灾致灾因子网络具有小世界特性,高温、强风、干旱等对其他致灾因子影响较大.燃烧废弃物、植物起火、应急响应速度、人为纵火、强风在不同致灾因子转换中具有重要作用,应加强管控.网络中风险度最高的边是燃烧废弃物→植物起火,通过颁布禁止擅自燃烧废弃物等规定,即可切断该风险链,实现对WUI火灾的预防和主动控制.

    WUI火灾致灾因子文本挖掘复杂网络拓扑特征风险度

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

    结合Roberta和Bi-FLASH-SRU的中文事件因果关系抽取

    陈泉林贾珺樊硕
    259-267页
    查看更多>>摘要：针对现有基于填表的事件关系抽取方法填表数目过多、表格特征获取不充分的问题,本文提出了结合Roberta和Bi-FLASH-SRU的中文事件因果关系抽取方法TF-ChineseERE.该方法通过制定填表策略,利用文本中已标记关系,将其转化为带有标签的表格;借助Roberta预训练模型和本文提出的双向内置闪电注意力简单循环单元(bidirectional built-in flash attention simple recurrent unit,Bi-FLASH-SRU)获取主客体事件特征,再利用表格特征循环学习模块挖掘全局特征,最后进行表格解码获得事件因果关系三元组.实验采用金融领域两个公开数据集进行验证,结果表明,本文提出的方法F1 值分别达到 59.2%和 62.5%,且Bi-FLASH-SRU模型训练速度更快,填表数目更少,证明了该方法的有效性.

    事件因果关系抽取RobertaBi-FLASH-SRU闪电注意力填表式抽取

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

    《计算机系统应用》稿约

    前插1页
      原文链接:
    • NETL
    • NSTL
    • 万方数据