首页期刊导航|计算机技术与发展
期刊信息/Journal information
计算机技术与发展
陕西省计算机学会
计算机技术与发展

陕西省计算机学会

王守智

月刊

1673-629X

ctad@vip.163.com

029-85522163

710054

西安市雁塔路南段99号

计算机技术与发展/Journal Computer Technology and DevelopmentCSTPCD
查看更多>>《计算机技术与发展》期刊，原名《微机发展》，中国计算机学会会刊，中国科技核心期刊、中国科技论文统计源期刊。中国学术期刊综合评价数据库统计源期刊，中国核心期刊数据库收录期刊，中国期刊全文数据库收录期刊，万方数据资源系统数字化期刊群上网期刊，中国学术期刊（光盘版）全文收录期刊。中国计算机学会和陕西省计算机学会共同主办。刊名为著名科学家胡启恒院士亲笔所提，中国计算机学会名誉理事长张效祥院士写了创刊词。1991年创刊，国内统一刊号CN61-1450/TP，国际刊号:ISSN 1673-629X。该刊为综合性学术技术刊物、月刊。该刊在国内外有广泛的覆盖面，国内读者分布在全国30个省市，国际读者分布在北美、西欧、韩国、日本以及我国港、澳、台等38个国家和地区。几年来高水平的论文刊登数量明显增加，各类自然科学基金论文刊登数量已超过80%，各项指标在我国自然科学自动化、计算机类（TP）多种期刊中排名前列，已成为全国最具影响力的自然科学杂志之一。 该刊在我国计算机界有广泛的作者群体，主要稿件来源单位有：北京大学、清华大学、南京大学、复旦大学、同济大学、浙江大学、中国科学技术大学、国防科技大学、上海交通大学、西安交通大学、北京航空航天大学、南京航空航天大学、华中科技大学、哈尔滨工业大学、西北工业大学、吉林大学、武汉大学、中山大学、四川大学、山东大学、厦门大学、天津大学、重庆大学、中南大学、东北大学、上海大学、福州大学、安徽大学、西北大学等全国数百所重点大学以及中国科学院、中国航空、航天、电子、中国水电、中国建筑、中国测绘科学研究院等重点研究院所等。 刊载内容涉及国内外计算机科学的发展方向、技术和创新的最新成就、软件工程的最新成果、应用开发的成功经验等，在学术界有较好的影响。为我国计算机的创新、设计、开发、应用创造了一个宽舒和谐的学术交流的氛围，提供了一个良好的学术、技术展示的平台，成为我国计算机和嵌入式系统领域最具有代表性的前沿性的刊物之一。该刊的编委是来自北京大学、清华大学、南京大学、复旦大学等九所知名大学和七所重要研究所，以及美国、加拿大的外籍专家共22位著名教授或研究员组成。以沈绪榜院士为首的编委会顾问组把握着期刊的大方向.
正式出版
收录年代

    图像分割述评:基本概貌、典型算法及比较分析

    张婧张策张茹王宇彬...
    1-8页
    查看更多>>摘要：图像分割作为计算机视觉领域的一个重要分支，在可穿戴计算、自动驾驶、医学图像分析等方面都发挥着重要作用，并有着广泛应用。为了更好地了解图像分割领域的发展以及研究现状，该文对图像分割进行了深入梳理和系统述评。首先，对图像分割的含义以及其工作流程、指标等进行阐释;然后，对图像分割方法按照时间的跨度进行分类——基于阈值和区域、基于图论和聚类，以及基于深度学习的图像分割，对每类方法的代表性算法进行分析介绍，较为全面地总结了每类方法的基本思想和优缺点;最后，对该领域目前存在的问题和未来的发展方向进行展望，提出实时图像语义分割、弱监督或非监督语义分割和三维场景的语义分割是目前研究中的主要挑战。

    图像分割分割算法语义分割深度学习像素分类

      原文链接:
    • 国家科技期刊平台
    • NETL
    • NSTL
    • 万方数据
    • 维普

    基于U-Net网络的医学图像分割研究综述

    宋杰刘彩霞李慧婷
    9-16页
    查看更多>>摘要：近年来随着深度学习技术的快速发展，卷积神经网络(CNN)成为语义分割的重要支撑框架，被广泛运用于多种目标检测与分割的任务当中。在医学图像分割任务中，U-Net网络以其优异的分割性能、可拓展性的网络结构等特点成为该领域研究的热点。如今有众多学者从网络的结构等方面对U-Net进行改进以优化网络性能、提升分割准确度。研究通过对相关文献的分析，首先介绍了基于U-Net的经典改进模型;然后阐述了六大U-Net改进机制:注意力机制、inception模块、残差结构、空洞机制、密集连接结构以及集成网络结构;随后介绍了医学图像分割常用评价指标和非结构化改进方案，这些非结构化改进方法包括数据增强、优化器、激活函数和损失函数四个方面;之后列举并分析了在肺结节、视网膜血管、皮肤病和颅内肿瘤新冠肺炎四大医学图像分割领域的改进模型;最后对U-Net网络的未来发展进行展望，为相关研究提供思路。

    医学图像分割深度学习人工智能U-Net卷积神经网络

      原文链接:
    • 国家科技期刊平台
    • NETL
    • NSTL
    • 万方数据
    • 维普

    基于传递式领域自适应的异构样本增强方法

    翟利志任一夫白洁高学攀...
    17-22页
    查看更多>>摘要：小样本问题广泛存在于数据驱动建模。领域自适应方法通过将源域中的样本知识迁移到目标域，从而实现目标域中的小样本增强，然而此类方法在实际应用中受限，原因在于难以应对领域分布差异较大的样本增强场景。针对上述问题，该文提出基于传递式领域自适应的异构样本增强方法。首先，提出传递式探索策略，通过私有特征和共享特征设计了面向异构域的领域分布探索策略，有效地缓解了负迁移，并为后续分布匹配提供支撑;然后，提出分布联合匹配机制，通过联合匹配异构领域的边缘分布和条件分布，并嵌入自适应机制，从而保证了异构域分布的匹配精度。该方法在业界公认的田纳西-伊斯曼数据集进行验证，实验结果表明该方法在异构域中的建模表现优于其他方法。

    域适应样本增强迁移学习小样本数据驱动建模

      原文链接:
    • 国家科技期刊平台
    • NETL
    • NSTL
    • 万方数据
    • 维普

    基于自适应密度邻域关系的多标签在线流特征选择

    张海翔李培培胡学钢
    23-29页
    查看更多>>摘要：流特征选择指从以流形式到来的特征数据中选出最优特征子集，现有方法大多在模型训练中需要事先学习领域信息并预设给定参数值。实际应用中，由于不同的数据集数据结构和来源不同，在模型学习过程中研究人员无法提前获取相关领域知识且针对不同类型数据集指定一个统一参数存在巨大挑战。基于此，提出一种基于自适应密度邻域关系的多标签在线流特征选择方法(multi-label online stream feature selection based on adaptive density neighborhood relation，ML-OFS-ADNR)，基于邻域粗糙集理论，所提方法在特征依赖计算时无需任何先验领域信息。此外，提出了一种新的自适应密度邻域关系，使用周围实例的密度信息，可以在流特征选择过程中自动选择适当数量的邻域，不需要事先指定任何参数。通过模糊等价约束，ML-OFS-ADNR可以选择高依赖低冗余度的特征。实验表明在10 种不同类型的数据集上，所提方法在特征数量相同的情况下优于传统特征选择方法和先进的在线流特征选择方法。

    多标签分类流特征邻域粗糙集自适应密度邻域在线流特征选择

      原文链接:
    • 国家科技期刊平台
    • NETL
    • NSTL
    • 万方数据
    • 维普

    在线社交网络中的多主题谣言溯源

    戴树兴夏正友
    30-36页
    查看更多>>摘要：随着通信技术的快速发展，用户之间的信息可以很快地流通，同时也导致谣言在社交网络中传播，因此亟需对谣言来源进行检测以确保社交网络的公信力。目前关于谣言溯源的研究方向基本注重于单主题谣言传播，然而社交网络中存在大量不同主题的谣言，谣言源头以及谣言主题数量越多，产生的不良影响越大。针对多主题谣言同时存在的情况，信息的传播过程需要被重新定义。因此，该文提出了一种多主题独立级联模型，并在该模型的基础上定义了谣言溯源问题。从已感染的网络子图中，基于影响力最大化的原则找出前k个可疑节点，这组节点被认为是最可能的谣言来源。并证明了该问题是NP难的，以及目标函数是单调且子模的。在此基础上，提出了一种基于影响力最大化的近似比为(1-1/e)的贪婪算法。在大型真实数据集上的实验表明，平均误差距离控制在 1 跳之内。而且与其他算法相比，该算法具有更高的准确性以及有效性。

    多主题社交网络谣言溯源谣言来源独立级联

      原文链接:
    • 国家科技期刊平台
    • NETL
    • NSTL
    • 万方数据
    • 维普

    基于EfficientNet的无锚框目标检测模型

    卜子渝杨哲刘纯平
    37-43页
    查看更多>>摘要：目标检测是计算机视觉的热门研究方向之一，包含分类和定位两个任务。针对单阶段目标检测模型普遍存在的两个问题:训练时正负样本的不均衡以及锚框的设置需要人工干预，提出一种基于EfficientNet的无锚框目标检测模型(Anchor-free Efficientnet-based Object Detector，AEOD)。AEOD先筛选出落在目标框中的特征点，再根据特征点所作的预测计算代价矩阵，在训练时基于代价矩阵为目标动态分配正负样本，从而达到平衡二者数量的目的。此模型通过特征图中的特征点直接预测目标的位置和形状，不仅省去了人工设置锚框的环节，还提高了可检出目标的数量。此外，可缩放的EfficientNet进一步提高了模型的泛化能力，使之可以接收多尺度的输入。在PASCAL VOC07+12 数据集中，AEOD最高可以获得91。3%的平均精度(mAP)，检测速度达到32。1 FPS，较其他主流的目标检测模型有显著提升。

    深度学习计算机视觉目标检测正负样本分配算法无锚框

      原文链接:
    • 国家科技期刊平台
    • NETL
    • NSTL
    • 万方数据
    • 维普

    基于判别性特征增强的小样本细粒度图像识别

    齐妍孙涵
    44-51页
    查看更多>>摘要：小样本细粒度图像识别是深度学习领域中一个热门的研究课题，其基本任务是在学习有限数量样本的情况下识别出某一大类下的子类别的图像。得益于卷积神经网络的快速发展，小样本细粒度图像识别在精度方面取得了显著的成果，但其性能仍受限于同一子类图像间的高方差以及不同分类任务中判别性特征的差异性。针对上述问题，提出了一种基于判别性特征增强的小样本细粒度图像识别算法(DFENet)。DFENet设计了对称注意力模块来增强类内视觉一致性学习，从而减少背景的影响，提高同类样本之间共享的特征表示的权重。此外，DFENet引入通道维度的判别性特征增强模块，利用支持集样本中同类样本内和不同类样本之间的通道关系进一步挖掘适合于当前任务的判别性特征，以提高识别准确率。在三个经典的细粒度数据集CUB-200-2011，Stanford Dogs，Stanford Cars上进行了广泛的实验。实验结果表明，该方法均取得了有竞争性的结果。

    小样本细粒度图像识别深度学习特征增强注意力机制视觉一致性

      原文链接:
    • 国家科技期刊平台
    • NETL
    • NSTL
    • 万方数据
    • 维普

    基于类间排名相关性的解耦知识蒸馏

    陈颖朱子奇徐仕成李敏...
    52-58页
    查看更多>>摘要：知识蒸馏(KD)从提出到现在已经取得了很大的成功，不过很多蒸馏策略都是把目光放在了中间层的特征，反而忽略了logit蒸馏的可发展性。解耦知识蒸馏(DKD)的提出使得logit蒸馏重回大众视野。不论是知识蒸馏还是解耦知识蒸馏，都是使用了强一致性约束条件从而导致蒸馏效果次优，特别是在教师网络和学生网络架构悬殊时这种现象尤为突出。针对这个问题，提出了基于类间排名关系一致性的方法。该方法保留教师和学生非目标类预测间的关系，利用类间的排名相关性作为知识蒸馏模型中代理损失和评价指标之间的关系，从而进行教师网络与学生网络的关系匹配。该方法把这种较为轻松的关系匹配扩展到解耦知识蒸馏中，并在数据集CIFAR-100 和ImageNet-1K进行验证。实验结果表明，该方法对于CIFAR-100 的分类准确率达到了77。38%，比基准方法提高了0。93 百分点，提高了解耦知识蒸馏图像分类的效果，证明了方法的有效性。同时，对比实验的结果证明该方法更具有竞争力。

    知识蒸馏解耦知识蒸馏强一致性约束关系匹配排名相关性

      原文链接:
    • 国家科技期刊平台
    • NETL
    • NSTL
    • 万方数据
    • 维普

    基于改进SURF的增强现实图像匹配方法

    贾一鑫邓魏永殷强毋涛...
    59-64页
    查看更多>>摘要：针对传统增强现实图像匹配算法鲁棒性不强且效率不高的问题，提出一种改进的SURF匹配算法。首先，使用SURF算法进行特征点检测，并通过 Haar 小波模板确定特征主方向，在得到特征主方向后构建特征描述符;由于传统SURF算法采用高达64 维的矩形描述符，导致算法的计算量非常大，并且鲁棒性不强。因此，该文使用DAISY圆形描述符替代原始算法中的矩形描述符，DAISY是三层同心圆结构，每层包含8 个采样点，可以得到25 个维度的描述符，这种结构使得算法的鲁棒性大大增强并且降低了计算复杂度;接着，使用特征描述符计算欧氏距离进行特征点匹配;最后，对得到的匹配点集使用随机抽样一致(RANSAC)与三角不规则网络(TIN)算法进行优化，剔除误匹配点。实验结果表明，该算法虽然略微增加了时间复杂度，但鲁棒性变得更强，并且算法的效率和匹配精度也大大提高，平均精度达到了95%以上。

    增强现实图像匹配SURF算法DAISY描述符随机抽样一致三角不规则网络

      原文链接:
    • 国家科技期刊平台
    • NETL
    • NSTL
    • 万方数据
    • 维普

    一种面向商品检索的多尺度度量学习方法

    行阳阳张索非宋越吴晓富...
    65-70页
    查看更多>>摘要：商品图像检索是一个典型的大规模度量学习任务，其特点在于商品零售平台需要定期上架新类型的商品，且同一类型的商品外观会不时发生变化。已有的工作表明:传统基于单一的度量学习虽然可以将商品检索模型的识别范围扩展到未知商品类别上，但是其性能仍然受限。为此，提出了一种基于多尺度监督信息的深度度量学习商品检索方法。该方法利用商品多个尺度的标签信息训练并使用协同注意力机制对不同尺度的深度特征进行有效融合，提高了深度学习模型挖掘重要信息的能力，从而有效提高了其在细粒度级别下的检索性能。在大规模商品检索数据集上的实验结果表明，该方法在mAP和Rank-1 上分别为43。0%和65。9%。相比于传统度量学习方法分别提升了6。4%和7。8%。

    度量学习商品识别多尺度图像检索特征融合

      原文链接:
    • 国家科技期刊平台
    • NETL
    • NSTL
    • 万方数据
    • 维普