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

    联合对比学习与图神经网络的自优化单细胞聚类

    蒋维康王劲贤
    1-13页
    查看更多>>摘要：单细胞RNA测序技术(single-cell RNA sequencing,scRNA-seq)在单个细胞的水平上对转录组进行高通量测序分析,其核心应用是识别具有不同功能的细胞亚群,通常基于细胞聚类来完成.然而,scRNA-seq数据高维度、高噪声、高稀疏的特点使得聚类充满挑战.常规的聚类方法表现不佳,现有的单细胞聚类方法也大多只考虑基因的表达模式,而忽略了细胞之间的关系.针对这些问题,提出了一个联合对比学习与图神经网络的自优化单细胞聚类方法(self-optimizing single-cell clustering with contrastive learning and graph neural network,scCLG).该方法采用自编码器来学习细胞的特征分布.首先构建细胞-基因图,使用图神经网络进行编码,以有效利用细胞之间的关系信息.通过子图采样和特征掩码获取增广视图用于对比学习,进一步优化特征表示.最后使用自优化的策略将聚类模块和特征模块联合训练,不断优化特征表示和聚类中心,实现更准确的聚类.在 10 个真实的scRNA-seq数据集上的实验表明,scCLG能够学习到细胞特征的良好表示,在聚类精度上全面优于其他方法.

    单细胞RNA测序聚类对比学习图神经网络自编码器

      原文链接:
    • 万方数据
    • 维普

    利用潜在稀疏表示学习的增强局部保持投影方法

    彭帅胡良臣
    14-27页
    查看更多>>摘要：降维在机器学习和模式识别领域中起着至关重要的作用.目前,现有的基于投影的方法往往只单一地利用了数据之间的距离信息或表示关系来保持数据的结构,难以有效捕捉高维空间中数据流形的非线性特征和复杂相关性.为了解决这个问题,本文提出了一种利用潜在稀疏表示学习的增强局部保持投影(enhanced locality preserving projection with latent sparse representation learning,LPP_SRL)方法.所提出方法不仅利用距离信息以保留数据的局部结构,而且利用多重局部线性表示来揭示数据的全局非线性结构.此外,为了在投影学习和稀疏自表示之间建立联系,本文采用了一种新策略,将稀疏自表示中的字典替换为低维表示的重构样本.通过这种方法,能够有效地过滤掉不相关的特征和噪声,从而更好地保留原始特征空间中的主要成分.在多个公开可用的基准数据集上进行的大量实验证明了所提出方法的有效性和优越性.

    降维投影学习稀疏表示主成分图像分类

      原文链接:
    • 万方数据
    • 维普

    融合物理信息的热带气旋强度估计

    丁嘉慕乐璐辉杭仁龙
    28-37页
    查看更多>>摘要：热带气旋强度的精确估计是进行有效强度预测的基础工作,对于灾害预报至关重要.当前基于深度学习的热带气旋强度估计技术展现出了优越的性能,但仍然存在着物理信息融合不足的问题.因此,本文基于深度学习框架,提出一种融合物理信息的热带气旋强度估计模型(physical factor fusion for tropical cyclone intensity estimation,PF-TCIE),来估计西北太平洋的热带气旋强度.PF-TCIE由多通道卫星云图学习分支和物理信息提取分支组成.多通道卫星云图学习分支用于提取热带气旋云系特征,物理信息提取分支用于提取物理因子特征,来约束云系特征的学习.本文数据选用葵花-8 卫星资料和ERA-5 再分析资料.实验证明,在引入多个通道后,模型的RMSE误差较单通道降低了3.7％.同时,物理信息的引入使模型的误差进一步下降了8.5％.PF-TCIE的RMSE最终达到了4.83 m/s,优于大部分深度学习方法.

    热带气旋强度估计融合物理信息深度学习葵花-8卫星图像ERA-5再分析资料

      原文链接:
    • 万方数据
    • 维普

    融合多特征的骨签释文实体识别

    石雨梦王慧琴王展刘瑞...
    38-47页
    查看更多>>摘要：构建适用于汉长安城骨签释文的命名实体识别模型,用来解决由于汉长安城骨签释文关键内容缺失,而导致无法对部分骨签释文进行分类的问题.本文将汉长安城骨签释文原始文本作为数据集,采用BIOE(begin,inside,outside,end)标注方法对释文实体进行数据标注,并提出融合字结构特征、字词结构特征的多特征融合网络模型(multi-feature fusion network,MFFN).该模型不仅考虑了单个字符的结构特征,还融合了字与词的结构特征,以增强模型对骨签释文的理解能力.实验结果表明,MFFN模型能够更好地识别汉长安城骨签释文的命名实体,实现骨签释文分类,优于现有NER模型,为历史学家和研究人员提供更加丰富和准确的数据支持.

    骨签实体识别BIOE标注方法多特征融合释文分类

      原文链接:
    • 万方数据
    • 维普

    基于特征解耦和开放性学习的小样本开放集识别

    吴少玲罗会兰
    48-57页
    查看更多>>摘要：在小样本开放集识别任务中,有效区分闭集和开集样本是一项具有挑战性的任务,尤其在样本稀缺的情况下.现有方法在构造已知类分布边界时存在模糊性,未能很好地实现闭集和开集空间的区分.为了解决这一问题,本文提出了基于特征解耦和开放性学习的小样本开放集识别方法.其目的是通过特征解耦模块,迫使模型解耦类别性特征和开放性特征,从而扩大未知类与已知类之间的差异.为了有效实现特征解耦,引入了开放性学习损失来促进特征的开放性学习.通过结合相似度度量值和反开放性分值作为损失优化对象,更好地引导模型学习到更具区分性的特征表示.实验结果表明,本文方法在公共数据集miniImageNet和tieredImageNet上可以显著提高未知类样本的检测率,同时正确分类已知类别.

    小样本学习开放集识别小样本开放集识别特征解耦

      原文链接:
    • 万方数据
    • 维普

    基于扩散模型的解耦知识蒸馏

    王鹏宇朱子奇
    58-64页
    查看更多>>摘要：知识蒸馏(KD)是一种将复杂模型(教师模型)的知识传递给简单模型(学生模型)的技术,目前比较受欢迎的蒸馏方法大多停留在基于中间特征层,继解耦知识蒸馏(DKD)提出后基于响应的知识蒸馏又重新回到SOTA行列,这种使用强一致性约束条件的策略,将经典的知识蒸馏拆分为两个部分,解决了高度耦合的问题.然而,这种方法忽略了师生网络架构差距较大所引起的表征差距过大,进而导致学生模型由于体量较小无法更有效的学习到教师模型的知识的问题.为了解决这个问题,本文提出了使用扩散模型来缩小师生模型之间的表征差距,这种方法将教师特征传输到扩散模型中训练,然后通过一个轻量级的扩散模型对学生模型进行降噪从而缩小了师生模型的表征差距.大量的实验表明这种方法对比于基准方法在CIFAR-100、ImageNet数据集上均有较大的提升,在师生网络架构差距较大时依然能够保持较好的性能.

    知识蒸馏解耦知识蒸馏扩散模型表征差距师生网络

      原文链接:
    • 万方数据
    • 维普

    融合移位卷积与边缘检测的图像动态超分辨率重建

    沈学利朱晓铭金海波
    65-76页
    查看更多>>摘要：针对固定网络架构和深度网络层导致的信息无法完全表达复杂场景预测高质量图像、高计算成本及部署困难等问题,提出了一种具有宽网络结构的图像动态超分辨率网络(wide dynamic super-resolution network,W-SDNet).首先,设计了一个由移位卷积残差增强结构组成的残差增强块,以提高图像超分辨率的分层特征提取能力并减少计算成本.其次,引入一个宽增强模块通过其双分支的 4 层并行结构,在提取深度信息的同时利用动态网络的门机制选择性增强特征表达,同时通过边缘检测算子融合的注意力机制增强边缘细节的表现力.紧接着,采用组卷积和信道分割的细化块,以防止在广泛增强块中组件间的干扰.最后,通过一个构建块实现高质量图像的重建.实验结果表明,W-SDNet在 5 个公开测试数据集上放大 4 倍时的峰值信噪比(peak signal-to-noise ratio,PSNR)指标均优于现有主流算法,并且模型的参数量显著减少,证明了W-SDNet在超分辨率重建的复杂度、性能及恢复时间方面的优势.

    图像超分辨率移位卷积动态网络边缘检测注意力机制

      原文链接:
    • 万方数据
    • 维普

    基于ST-UNet和目标特征的混凝土裂缝检测

    范昊坤刘向阳
    77-84页
    查看更多>>摘要：混凝土裂缝对结构承载能力、耐久性和防水性有负面影响,因此早期裂缝检测具有重要意义.大数据和深度学习的快速发展,为裂缝智能检测提供了有效的方法.针对裂缝检测过程中图像正负样本不平衡,裂缝区域色彩深沉和低亮度的特点,提出一种基于ST-UNet(Swin Transformer U-Net)和目标特征的裂缝检测方法.该算法在网络中引入CBAM注意力机制,使网络更加关注图像中对裂缝检测起决定作用的像素区域,增强裂缝图像的特征表达能力;使用Focal+Dice混合损失函数代替单一交叉熵损失函数,处理样本图像正负样本分布不均的问题;设计APSD正则化项优化损失函数,针对裂缝区域色彩深沉、低亮度的问题,降低检测的漏检率与误检率.裂缝检测结果表明:IoU指标提升22％,Dice指数提升17％,该算法是有效可行的.

    U-Net语义分割损失函数正则化项裂缝检测

      原文链接:
    • 万方数据
    • 维普

    基于Swin Transformer的遥感图像超分辨率重建

    孔锐冉友红
    85-94页
    查看更多>>摘要：由于遥感图像中的物体具有不确定性,同时不同图像之间的特征信息差异较大,导致现有超分辨率方法重建效果差,因此本文提出一种结合Swin Transformer和N-gram模型的NG-MAT模型来实现遥感图像超分辨率.首先,在原始Transformer计算自注意力的分支上并联多注意力模块,用于提取全局特征信息来激活更多像素.其次,将自然语言处理领域的N-gram模型应用到图像处理领域,用三元N-gram模型来加强窗口之间的信息交互.本文提出的方法在所选取的数据集上,峰值信噪比在放大因子为 2、3、4 时达到了 34.68 dB、31.03 dB、28.99 dB,结构相似度在放大因子为 2、3、4 时达到了 0.9266、0.8444、0.7734,实验结果表明,本文提出的方法各个指标都优于其他同类方法.

    SwinTransformer超分辨率N-gram遥感图像

      原文链接:
    • 万方数据
    • 维普

    基于多尺度差异聚合机制的遥感影像道路提取

    许明周春晖姜彦吉
    95-104页
    查看更多>>摘要：针对高分辨率遥感图像中地物背景复杂多样,成像过程中道路区域易受树木、建筑物遮挡影响,从中提取道路时易出现局部断连和细节缺失问题,设计并实现了一种基于多尺度差异聚合机制的道路提取网络模型(MSDANet).网络模型整体采用编码-解码器结构,使用Res2Net模块作为编码器骨干网络获取细粒度多尺度特征信息,增大特征提取感受野;同时结合道路形态特征提出一种门控轴向引导模块,用于突出道路特征的表达,改善道路提取长距离断裂现象;此外,设计了一种应用于编解码器之间的多尺度差异聚合模块,用以提取浅层与深层特征间的差异信息并将其聚合,并通过特征融合模块将聚合特征与解码特征融合,促进解码器准确还原道路特征;在高分辨率遥感数据集DeepGlobe和CHN6-CUG上进行模型实验评估,所提方法的F1 值分别为 80.37％、78.17％,IoU分别为67.18％、64.17％,均优于对比模型.

    道路提取遥感影像多尺度差异聚合机制门控轴向引导Res2Net

      原文链接:
    • 万方数据
    • 维普