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

    基于渐进式分解架构的风电时间序列预测

    丁浩周成杰车超赵天明...
    112-120页
    查看更多>>摘要：准确预测风电机组各项指标对准确管控机组和调控电网的供需有着重要意义.预测指标任务可抽象为风电时间序列预测任务.目前时间序列预测模型主要采用深度学习模型,但是风电时间序列具有较强的波动性和随机性,导致绝大部分模型不能较好挖掘风电时间序列的复杂演化特性.为解决上述问题,提出了一种基于渐进式分解架构的风电时间序列预测方法,该方法首先应用神经网络池化分解方法将复杂的依赖关系简化并应用注意力机制学习长期趋势,然后运用多变量融合捕捉模块增强了网络整体的多变量关联挖掘能力,最后,融合趋势项和周期项对风电时间序列做出准确的预测.实验结果表明,该方法在风电时间序列的多步预测中均方误差相比基线模型至高可提升24%,在多尺度预测长度下表现出预测性能稳定提升的同时,计算效率显著优于同类模型.

    多变量时间序列预测神经网络attention机制时间序列分解

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

    自适应多尺度特征融合的单目图像深度估计

    陈国军付云鹏于丽香崔涛...
    121-128页
    查看更多>>摘要：在基于深度学习的单目图像深度估计方法中,卷积神经网络在下采样过程中会出现图像深度信息丢失的情况,导致物体边缘深度估计效果不佳.提出一种多尺度特征融合的方法,并采用自适应融合的策略,根据特征数据动态调整不同尺度特征图的融合比例,实现对多尺度特征信息的充分利用.由于空洞空间金字塔池化(ASPP)在单目深度估计任务中,会丢失图像中的像素点信息,影响小物体的预测结果.通过在对深层特征图使用ASPP时融合浅层特征图的丰富特征信息,提高深度估计结果.在NYU-DepthV2 室内场景数据集的实验结果表明,本文所提方法在物体边缘处有更准确的预测,并且对小物体的预测有明显的提升,均方根误差(RMSE)达到 0.389,准确率(δ<1.25)达到0.897,验证了方法的有效性.

    单目图像深度估计卷积神经网络多尺度特征

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

    基于改进U-Net的多流视网膜血管分割算法

    陆锡恒宣士斌
    129-138页
    查看更多>>摘要：针对传统U型网络特征冗余以及视网膜血管形态复杂、细血管分割困难等问题,提出一种基于改进U-Net的多流视网膜血管分割算法.算法包含两种特征流向,分别是全局分割流与边缘特化流.为了减少特征冗余,全局分割流在部分卷积的基础上采用快速提取模块替代传统的U-Net卷积块,构建了能够高效提取血管特征、加快算法推理速度的改进U-Net模型;为了减少噪声干扰、提升细血管的分割精度,边缘特化流利用形态学生成的边缘标注信息为指导,采用多个边缘提取模块,结合全局分割流的高级语义特征以及边缘注意力,更具针对性的提取血管细节信息,增强细血管的特征表达.在DRIVE与STARE数据集上进行了算法的有效性测试,敏感度分别为 0.8415和 0.8369,准确率分别为0.9701和0.9718,AUC值分别为0.9877和0.9909,整体性能优于现有算法.

    U-Net全局分割流部分卷积边缘特化流边缘注意力

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

    基于YOLOv8n的无人机航拍目标检测

    沈学利王灵超
    139-148页
    查看更多>>摘要：针对无人机航拍检测任务中小目标检测精度低的问题,提出一种基于YOLOv8n的目标检测算法(SFE-YOLO).首先,嵌入浅层特征增强模块,将输入特征的浅层空间信息与颈部获取的深层语义信息融合,以增强小目标特征表示能力,并使用全局上下文块(GC-Block)对融合信息进行重校准,抑制背景噪声.其次,引入可变形卷积来代替C2F中的部分标准卷积,提高网络对几何变化的适应性.再次,引入ASPPF模块,融合平均池化技术,增强模型对多尺度特征的表达并降低漏检率.最后,在颈部网络的基础上嵌入中尺度特征合成层,融合主干网络中更多的中间特征,使不同尺度的特征过渡更平滑,并通过跳跃连接增强特征重用性.该模型在数据集VisDrone2019 和VOC2012 上进行验证,mAP@0.5 值达到 30.5%和 67.3%,相较于基线算法YOLOv8n提升了 3.6%和 0.8%,能够提升无人机图像目标检测性能,同时具有较好的泛化性.

    无人机检测浅层特征融合ASPPFYOLOv8n中尺度特征融合

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

    融合结构邻居和语义邻居的解耦图对比学习推荐模型

    杨红伟曹家晟刘学军邢卓雅...
    149-160页
    查看更多>>摘要：基于GCN的协同过滤模型在推荐领域取得了较好的效果,但现有的图协同过滤学习方法通常不区分用户和项目的交互关系,不易挖掘用户行为的潜在意图.因此,提出了一种融合结构邻居和语义邻居的解耦图对比学习推荐模型.首先,将用户和项目嵌入投影到独立空间进行意图解耦;其次,在图传播阶段,依据用户和项目的意图特征挖掘其潜在语义邻居,根据意图相似性对结构邻居和语义邻居进行解耦表征学习,生成用户和项目的完整高阶表示.在对比学习阶段,对节点进行随机扰动并生成对比视图,构建结构和语义的对比学习任务;最后,根据多任务策略,对监督任务和对比学习任务进行联合优化.在真实数据集Yelp2018 和Amazon-Book上的实验表明,提出的模型相比最优基准模型NCL在两个数据集上的Recall@20 指标提高了 7.54%、5.65%,NDCG@20 指标提高了8.57%、6.28%.

    推荐系统协同过滤图对比学习解耦表示学习

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

    多样性引导的深度多视图聚类算法

    胡虹李学俊廖竞
    161-169页
    查看更多>>摘要：多视图聚类旨在从不同视图的多样性信息中,学习到更加全面和准确的共识表示,以提高模型的聚类性能.目前大部分多视图聚类算法采用希尔伯特-施密特独立性准则(HSIC)或自适应加权方法从全局考虑各视图的多样性,忽略了各视图样本之间的局部多样性信息学习.针对上述问题,提出了多样性引导的深度多视图聚类算法.首先,提出了融合多头自注意力机制的软聚类模块,多头自注意力机制用来学习全局多样性,软聚类模糊C均值算法用来学习局部多样性;其次,在深度图自编码器网络结构中引入软聚类模块,以达到多样性信息引导潜在表示生成的目的;然后,将得到的各视图潜在表示进行加权融合得到共识表示,并采用谱聚类算法对共识表示进行聚类;最后,在 3 个常用数据集上进行了对比实验和消融实验.实验结果表明,提出的聚类算法具有良好的聚类效果,以及提出的多样性信息学习模块可以有效提高算法聚类性能.

    多视图聚类深度聚类软聚类多头自注意力机制多样性

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

    基于低时延和高精度脉冲神经网络的目标检测

    明晓钰李翔宇
    170-179页
    查看更多>>摘要：人工神经网络(artificial neural network,ANN)在众多领域取得了显著进展,但其对计算资源和能耗的高需求限制了其在硬件端的部署和应用.脉冲神经网络(spiking neural network,SNN)因其低功耗和快速推理的特性,在神经形态硬件上表现出色.然而,SNN的神经元动态和脉冲发放机制导致其训练过程复杂,目前主要研究集中在图像分类任务上,本文尝试将SNN应用于更为复杂的计算机视觉任务.本文以YOLOv3-tiny网络为基础,提出了Spiking YOLOv3 模型,其符合SNN特性的网络模型,在检测任务上实现了更高的准确度,并将平均推理时间减少至约原来工作的 1/4.此外,我们还分析了ANN-SNN转换过程中产生的转换误差,并采用量化激活函数对Spiking YOLOv3 模型进行了优化以减小转换误差.优化后的模型平均推理时间减少至约原来的 1/2,并在VOC与UAV数据集上实现在ANN-SNN无损转换,显著提升了基于该模型的检测效率.

    脉冲神经网络人工神经网络-脉冲神经网络(ANN-SNN)转换目标检测低时延和高精度

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

    基于对比学习和焦点损失的持续关系抽取

    王苏越马丽丽陈金广
    180-187页
    查看更多>>摘要：持续关系抽取旨在训练模型从不断变化的数据流中学习新关系,同时保持对旧关系的准确分类.然而,由于神经网络的灾难性遗忘问题,模型在学习完新关系之后,对旧关系的识别能力往往会大幅度降低.为了缓解灾难性遗忘对模型性能的影响,本文提出了一种基于对比学习和焦点损失的持续关系抽取方法.首先,在训练集与其增强样本集的并集上训练模型,以学习新任务;其次,从训练集中,为每个新关系选取并存储记忆样本;然后,将激活集中的示例与所有已知关系原型进行对比,以学习新旧关系;最后,利用关系原型进行记忆再巩固,并引入焦点损失提高模型对相似关系的区分.在TACRED数据集上进行实验,结果表明本文方法能够进一步缓解灾难性遗忘问题,提升模型的分类能力.

    持续关系抽取灾难性遗忘对比学习焦点损失关系原型

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

    LRCRaft:支持节点数据快速恢复的共识协议

    袁佳正胡晓鹏
    188-200页
    查看更多>>摘要：在支持纠删码的分布式存储系统中,最常用的编码是RS(Reed-Solomon)码.对于一个RS(k,m)编码条带,常见的配置是一个节点仅存储条带中的一个分片,这导致在节点出现故障的情况下,对其存储分片的恢复需要跨多个节点读取分片并重新编码生成恢复分片,容易造成系统网络拥塞.在需要恢复大量数据的场合,系统在恢复期间会处于较长时间的脆弱期,容错能力和吞吐量下降、读写时延升高时有发生.LRCRaft是一个基于LRC(local reconstruction code)的改进Raft共识协议,通过在Raft中引入LRC码、动态日志增补、状态机删减和分片版本一致性等机制,降低了Raft的读写时延,缩短了节点故障恢复时间.实验结果表明,相较于Raft,LRCRaft在不同恢复模式中恢复一个单节点故障数据时,恢复用时有着49.25%-74.97%的减少.

    分布式存储Raft共识协议纠删码局部重构码(LRC)节点数据恢复

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

    基于F范数群组效应和谱聚类的无监督特征选择

    林清水田鹏飞张旺
    201-212页
    查看更多>>摘要：基于谱聚类的无监督特征选择主要涉及相关系数矩阵和聚类指示矩阵,在以往的研究中,学者们主要关注于相关系数矩阵,并为此设计了一系列约束和改进,但仅关注相关系数矩阵并不能充分学习到数据内在结构.考虑群组效应,本文向聚类指示矩阵施加F范数,并结合谱聚类以使相关系数矩阵学习更为准确的聚类指示信息,通过交替迭代法求解两个矩阵.不同类型的真实数据集实验表明文中方法的有效性,此外,实验表明F范数还可以使方法更加鲁棒.

    无监督特征选择谱聚类群组效应F范数降维

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