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

    全局搜索和多实例判别特征的长时跟踪方法

    肖诗逢程旭
    1-13页
    查看更多>>摘要：长时目标跟踪相对于短时目标跟踪仍然是一个巨大的挑战.然而现有的长时跟踪算法通常在面对目标频繁出现消失、目标外观发生剧变等挑战中表现不佳.本文提出了一种基于局部搜索模块和全局搜索跟踪模块的全新、鲁棒且实时的长时跟踪框架.局部搜索模块利用TransT短时跟踪器生成一系列候选框,并通过置信度评分确定最佳候选框.针对全局重新检测开发了一个新颖的全局搜索跟踪模块,以Faster R-CNN为基础模型,在RPN阶段与R-CNN阶段引入非局部操作和多级实例特征融合模块,以充分挖掘目标实例级特征.为了改进全局搜索跟踪模块的性能,设计了双模板更新策略来提升跟踪器的鲁棒能力.通过使用不同时间点上更新的模板能够更好地适应目标的变化.根据局部或全局置信度分数判断目标是否存在,并在下一帧中选择局部或全局搜索跟踪策略.同时能够为局部搜索模块估计目标的位置和大小.此外还为全局搜索跟踪器引入了排名损失函数,隐式学习了区域提议与原始查询目标的相似度.通过在多个跟踪数据集上进行大量实验对提出的跟踪框架进行了广泛评估.结果一致表明,本文提出的跟踪框架实现了令人满意的性能.

    视觉目标跟踪长时跟踪全局搜索跟踪模板更新

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

    基于神经元统计建模分析的模型不确定性度量

    雷雅婧
    14-25页
    查看更多>>摘要：神经网络的不确定性反映模型对自身预测结果的置信水平,能在决策不可靠时促使及时的人工干预,提升系统安全性.然而,现有度量方法常需要对模型或训练过程进行显著修改且实施复杂度高.为此,本文提出一种基于神经元统计建模分析的不确定性度量方法.该方法充分利用模型单次前向传播过程中的激活值,首先以改进的核密度估计技术构建神经元的激活分布,模拟神经元的正常工作范围.接着采用邻域加权密度估计方法计算异常因子,用以量化测试样本与神经元激活分布的偏离程度.最终通过统计方法综合各神经元的异常因子作为样本的异常统计量,为模型不确定性的评估提供新的视角.实验结果涵盖多个公开数据集和模型,通过可视化特征图直观展示本文方法在区分域内外样本方面的显著效果.此外,本文方法在域外检测任务中表现出卓越性能,AUROC指标在多种实验设置下均超越其他现有方法,验证提出方法的通用性和有效性.

    不确定性分析深度学习激活分布异常因子域外检测

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

    基于学习博弈和契约论的分层联邦学习隐私保护激励机制

    宋彪薛涛刘俊华
    26-38页
    查看更多>>摘要：分层联邦学习(hierarchical federated learning,HFL)旨在通过多层架构的协作学习,同时保护隐私和优化模型性能.但其效果需依赖于针对参与各方的有效激励机制及应对信息不对称的策略.为了解决上述问题,本文提出一种保护终端设备、边缘服务器及云服务器隐私的分层激励机制.在边端层,边缘服务器作为中介应用多维合约理论设计不同类型的契约项,促使终端设备在不泄露数据采集、模型训练以及模型传输成本的情况下,使用本地数据参与HFL.在云边层,云服务器与边缘服务器间关于单位数据奖励和数据量的关系通过Stackelberg博弈进行建模,在不泄露边缘服务器单位利润的情况下,进一步将其转化为马尔可夫过程,并采用保护隐私的多智能体深度强化学习(multi-agent deep reinforcement learning,MADRL)方法逐渐接近斯塔克伯格均衡(Stackelberg equilibrium,SE).实验结果表明,本文提出的分层激励机制在性能上优于基线方法,云服务器的收益提升了接近 11%,单位成本获取增益提升接近18倍.

    分层联邦学习博弈论多维契约理论多智能体深度强化学习激励机制

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

    融合CNN和Transformer的图像去噪网络

    姜文涛卜艺凡
    39-51页
    查看更多>>摘要：目前基于深度学习的图像去噪算法无法综合考虑局部和全局的特征信息,进而影响细节处的图像去噪效果,针对该问题,提出了融合CNN和Transformer的图像去噪网络(hybrid CNN and Transformer image denoising network,HCT-Net).首先,提出CNN和Transformer耦合模块(CNN and Transformer coupling block,CTB),构造融合卷积和通道自注意力的双分支结构,缓解单纯依赖Transformer造成的高额计算开销,同时动态分配注意力权重使网络关注重要图像特征.其次,设计自注意力增强卷积模块(self-attention enhanced convolution module,SAConv),采用递进式组合模块和非线性变换,减弱噪声信号干扰,提升在复杂噪声水平下识别局部特征的能力.在 6 个基准数据集上的实验结果表明,HCT-Net相比当前一些先进的去噪方法具有更好的特征感知能力,能够抑制高频的噪声信号从而恢复图像的边缘和细节信息.

    图像去噪深度学习Transformer卷积神经网络注意力机制

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

    改进YOLOv7的视频监控小目标检测

    夏翔朱明
    52-62页
    查看更多>>摘要：小目标检测作为目标检测中一项极具挑战性的项目,广泛分布于日常生活中,在视频监控场景中,距离摄像头约 20m远处的行人人脸就可以被认为是小目标.由于人脸可能相互遮挡并容易受到噪声和天气光照条件的影响,现有的目标检测模型在这类小目标上的性能劣于中大型目标.针对此类问题,本文提出了改进后的YOLOv7 模型,添加了高分辨率检测头,并基于GhostNetV2 对骨干网络进行了改造;同时基于BiFPN和SA注意力模块替换PANet结构,增强多尺度特征融合能力;结合Wasserstein距离改进了原来的CIoU损失函数,降低了小目标对锚框位置偏移的敏感性.本文在公开数据集VisDrone2019 以及自制的视频监控数据集上进行了对比实验.实验表明,本文提出的改进方法mAP指标在VisDrone2019 数据集上提高到了 50.1%,在自制视频监控数据集上高于现有方法1.6个百分点,有效提高了小目标检测的能力,并在GTX1080Ti上达到了较好的实时性.

    小目标检测注意力机制特征融合损失函数

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

    基于边缘特征和注意力机制的图像语义分割

    王军张霁云程勇
    63-73页
    查看更多>>摘要：在语义分割任务中,编码器的下采样过程会导致分辨率降低,造成图像空间信息细节的丢失,因此在物体边缘会出现分割不连续或者错误分割的现象,进而对整体分割性能产生负面影响.针对上述问题,提出基于边缘特征和注意力机制的图像语义分割模型EASSNet.首先,使用边缘检测算子计算原始图像的边缘图,通过池化下采样和卷积运算提取边缘特征.接着,将边缘特征融合到经过编码器提取的深层语义特征当中,恢复经过下采样的特征图像的空间细节信息,并且通过注意力机制来强化有意义的信息,从而提高物体边缘分割的准确性,进而提升语义分割的整体性能.最后,EASSNet在PASCAL VOC 2012 和Cityscapes数据集上的平均交并比分别达到 85.9%和76.7%,与当前流行的语义分割网络相比,整体分割性能和物体边缘的分割效果都具有明显优势.

    语义分割空间细节信息边缘特征特征融合注意力机制

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

    多任务学习在不良言论与个体特征检测中的应用

    肖博健曹霑懋许莉芬
    74-83页
    查看更多>>摘要：多任务学习在自然语言处理领域有广泛应用,但多任务模型往往对任务间的相关性比较敏感.如果任务相关性较低或信息传递不合理,可能会严重影响任务性能.本文提出了一种新的共享-私有结构的多任务学习模型BB-MTL(BERT-BiLSTM multi-task learning model),并借助元学习的思想为其设计了一种特殊的参数优化方式MLL-TM(meta-learning-like train methods).进一步引入一个新的信息融合门SoWLG(Softmax weighted linear gate),用于选择性地融合每项任务的共享特征与私有特征.实验验证所提出的多任务学习方法,考虑到用户在网络上的行为与其个体特征密切相关,文中结合了不良言论检测、人格检测和情绪检测任务进行了一系列实验.实验结果表明,BB-MTL能够有效学习相关任务中的特征信息,在3项任务上的准确率分别达到了81.56%、77.09%和70.82%.

    多任务学习信息融合不良言论检测人格检测情绪检测

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

    基于CFL的去中心工控系统签名认证方案

    谢云飞赵东东石乐义
    84-93页
    查看更多>>摘要：近来,工业控制系统的身份认证和数字签名等安全问题受到越来越多的关注.本文将去中心化的CFL认证体制引入到工控系统身份认证中,提出了基于CFL的工控系统签名认证方案,建立了基于CFL认证体制的工控系统认证模型CFL-SYS,引入UKey作为证书载体,实现了签名验证过程去中心化;通过计算用户ID的哈希值生成随机私钥和标志私钥实现一人一密,满足了用户对私钥的私有权并且保护了用户的隐私.理论分析和实验结果表明,本文方案在吞吐量、系统验证响应时间等性能上能够满足毫秒级应用需求,能为大规模工业控制系统提供一种自主、可靠、高效的签名认证方案.

    工业控制系统数字身份认证CFL认证体制去中心化

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

    基于BM-TransUNet的咽后壁识别分割

    王世刚孙静雯
    94-102页
    查看更多>>摘要：图像分割经历了从基于传统的阈值分割等方法逐步发展到基于卷积神经网络的方法.传统的卷积神经网络在分割领域中表现突出,但训练速度慢、分割精度不够高等局限性也逐渐显现.为了克服这些局限性,本文在TransUNet网络的基础上进行改进,提出了基于BM-TransUNet网络的图像分割识别方法,在TransUNet网络的在第 1 层之后加上深度可分离卷积模块,并在编码器下采样的卷积层后引入注意力机制模块,让算法更好地探索分割对象特征,同时在编码器与解码器之间引入多尺度特征融合模块FPN.本文基于自制的咽后壁数据集,用于图像分割训练,并将训练后的BM-TransUNet网络与多种传统分割网络的效果进行对比.实验结果表明,相比于其他传统的深度学习模型,BM-TransUNet网络的识别方法具有较高的分类准确性和泛化能力,精确度Precision和Dice系数分别达到了93.61%和90.76%,显示出较好的计算效率,能有效地应用于分割任务.

    BM-TransUNet网络图像分割注意力机制模块多尺度特征融合模块咽后壁数据集

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

    基于SimCSE框架融合预训练模型层级特征的文本匹配

    盛成城陈进东张健
    103-111页
    查看更多>>摘要：SimCSE框架仅使用分类令牌[CLS]token作为文本向量,同时忽略基座模型内层级信息,导致对基座模型输出语义特征提取不充分.本文基于SimCSE框架提出一种融合预训练模型层级特征方法SimCSE-HFF(SimCSE with hierarchical feature fusion,SimCSE-HFF).SimCSE-HFF基于双路并行网络,使用短路径和长路径强化特征学习,短路径使用卷积神经网络学习文本局部特征并进行降维,长路径使用双向门控循环神经网络学习深度语义信息,同时在长路径中利用自编码器融合基座模型内部其他层特征,解决模型对输出特征提取不充分的问题.在STS-B的中文与英文数据集上,SimCSE-HFF方法效果在语义相似度Spearman和Pearson相关性指标上优于传统方法,在不同预训练模型上均得到提升;在下游任务检索问答上也优于SimCSE框架,具有更优秀的通用性.

    文本匹配SimCSE特征融合自编码器并行网络

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