首页期刊导航|现代计算机
期刊信息/Journal information
现代计算机
现代计算机

林楚昭

半月刊

1007-1423

lnzss@mail.sysu.edu.cn

020-84110804

510275

广州市海珠区新港西路135号中山大学园东区106栋西座1楼

现代计算机/Journal Modern Computer
查看更多>>《现代计算机》于1985年创刊，由中山大学主管主办，是一本面向计算机全行业的综合性学术刊物，一直以来致力于营造一个融洽的学术交流平台，帮助读者对象在学业、事业上更上一层楼。现为中国学术期刊综合评价数据库统计源期刊，中国期刊全文数据库全文收录期刊，中国核心期刊（遴选）数据库收录期刊，中国学术期刊（光盘版）收录期刊，全文入编中国学术期刊（光盘版）、中国期刊网、中华期刊网和中文科技期刊数据库、万方－数字化期刊数据库。
正式出版
收录年代

    面向可迁移跨域自适应学习的航空发动机剩余寿命预测方法

    李文骁李勇成李鹏马浩统...
    1-8页
    查看更多>>摘要：航空发动机剩余寿命(RUL)预测任务中数据集标签较少且工况多变,导致传感器时间序列之间存在明显分布差异,限制了RUL预测方法的泛化能力.跨域学习的提出为该任务提供了一种可行的解决方案.传统跨域学习通过域自适应方法最小化源域和目标域特征之间的分布差异,得到跨域对齐特征,实现跨域知识迁移.但随着航空发动机的退化,前后时间步的语义信息也发生变化,导致原先对齐特征的局部语义不匹配,影响模型性能.针对该问题,提出方法基于可迁移对抗方法对跨域RUL预测方法展开研究,通过优化局部域鉴别器输出的概率熵,使得对齐特征在局部上难以区分.利用模型在RUL预测过程中的目标互信息进行语义约束,得到同时具有局部可迁移性和目标语义重要性的域不变特征,提升模型的泛化能力.在CMAPSS航空发动机数据集上进行的实验表明,该方法在RMSE和SCORE两个指标上均超过现有的其他跨域自适应方法,证实了其有效性.

    剩余寿命预测跨域学习域自适应可迁移对抗

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

    基于FaceNet的犬只鼻纹识别

    李梦晗张晨蕾田存伟
    9-15,28页
    查看更多>>摘要：随着养宠家庭的增加,犬只身份识别成为一个重要问题,犬鼻纹独一无二,可以用来准确地辨认犬只身份.为了实现犬鼻纹识别,设计了一种基于FaceNet网络的犬只鼻纹识别方法.FaceNet的Backbone采用ResNet18,损失函数采用Triplet loss.并通过SRGAN网络对犬鼻纹图像预处理,放大图像分辨率,使鼻纹图像更加清晰.基于FaceNet网络的犬只鼻纹识别方法为犬只身份识别和鉴定提供了一种有效可行的解决方案.

    FaceNet犬鼻纹识别ResNet18

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

    基于距离视图表示与逐点细化结合的点云语义分割方法

    陈晗何鸿添雷印杰
    16-22页
    查看更多>>摘要：三维点云语义分割是机器实现环境感知的重要途径.在现有的研究中,基于体素的算法和基于点的算法在面对大规模的点云数据时计算效率低下.而基于距离视图的算法,在对点云进行投影和反投影时会不可避免地造成精度损失.针对上述问题,提出了基于距离视图表示与逐点细化结合的点云语义分割新框架RPNet.充分的实验表明,所提出的方法在三维点云室外场景数据集SemanticKITTI上的平均交并比达到64.2%,推理速度达到58帧/秒,兼顾了高精度和高速度.

    语义分割三维点云距离视图逐点细化

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

    基于改进点线特征的多源融合SLAM算法

    林嘉洁徐胜苏成悦陈元电...
    23-28页
    查看更多>>摘要：传统视觉SLAM算法在缺乏明显特征的场景或移动平台快速运动时,特征难以被检测和跟踪.提出了一种基于改进点线特征多源融合SLAM算法.前端通过相似短线段合并的策略改进EDLines线特征提取算法,提取长线段特征,后端融合了点、线特征和IMU数据,并采用非线性优化方法进一步估计相机位姿.实验结果表明,改进EDLines线特征提取算法相比传统LSD线特征提取算法,其特征提取速度提高4倍.在EuRoc数据集的测试中,本算法在不同场景下都具有很好的定位和建图效果,且具有较高的鲁棒性和实时性,对机器人实时的避障导航应用有较大的参考价值.

    SLAM算法EDLines算法IMU点线特征非线性优化

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

    多尺度注意力机制下的人脸表情识别算法设计

    蒋文豪
    29-33页
    查看更多>>摘要：为了优化在人脸表情较模糊情况下的识别效果,并更好地获取表情的表征数据,设计一种多尺度注意力机制下的人脸表情识别方法.对人脸表情图像进行缩放与扩充预处理操作,从图像中提取人脸表情解耦表征皮沟数据,通过卷积神经网络对提取到的解耦表征皮沟数据进行特征捕捉.引入了多尺度注意力机制,有选择性地关注重要的表情特征.同时,利用多通道的表情识别方法,自适应地提取人脸组件区域内的表情信息,从而识别人脸表情.实验分析结果表明,所提方法在四类不同表情标签对应的人脸表情识别召回率始终高于对照组,均达到了98%以上,识别效果优势显著.

    多尺度注意力人脸特征表情识别皮沟特征神经网络

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

    基于LightGBM和蚁群算法优化的特征选择方法

    别春洋陶贻勇
    34-38页
    查看更多>>摘要：在处理高维特征数据时通常会面临冗余和不相关的问题,Relief作为一种传统的特征选择算法因其具有较高的稳定性和计算效率,从而被广泛应用.但其特征选择结果具有随机性,且对于特征之间存在较强依赖关系的数据集,如共线性等,可能会导致结果不准确.基于对特征选择方法的研究,给出了基于LightGBM和蚁群算法的L-ACO方法,使用LightGBM算法的特征重要性来表示L-ACO算法蚁群路径搜索过程的启发式信息.同时,使用特征之间的皮尔森相关系数来调整信息素浓度,以便更好地控制特征的相关性.实验证明,L-ACO方法可以在保证分类准确率的前提下,减少特征数量,降低特征冗余,并提高算法性能.

    特征选择LightGBM蚁群算法皮尔森系数

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

    混叠场景下的轻量级口罩佩戴检测算法

    安祯阳
    39-42,47页
    查看更多>>摘要：针对混叠场景下口罩佩戴检测识别率低,而现有检测模型结构复杂难以部署的难题,提出了一种轻量级口罩佩戴检测算法.首先,轻量化网络MobileNetv3作为混叠场景图像的特征提取网络;其次提出通道混洗,空间上利用不同感受野的卷积核进行特征提取的注意力机制,实现特征信息的强化;最后设计了损失函数解决了数据类不平衡问题,提高了模型检测精度.在公开数据集测试表明,模型平均检测精度为78.1%,FPS达到65.53 Hz,满足在小型设备部署的要求.

    轻量级目标检测部分卷积特征融合

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

    基于自适应阈值的ORB特征点提取算法研究

    谭帅奇帅鹏举
    43-47页
    查看更多>>摘要：在弱纹理场景下,针对ORB算法提取特征点过程中,固定阈值检测FAST角点可能会导致提取效果不佳进而影响匹配精度,提出了自适应阈值的ORB特征点提取算法,通过图像灰度差值和像素分布概率来计算图像对比度,根据对比度动态计算角点检测阈值.然后根据动态阈值算法实现特征点的提取,采用暴力匹配算法和快速最近邻接匹配(FLANN)两种匹配算法,在EuRoc数据集上分别对比了ORB算法、SIFT算法与该算法的特征点匹配精度和耗时.结果表明,在匹配精度上比ORB算法提升了26.6%,比SIFT算法提升了32.7%.

    ORB算法自适应阈值特征点视觉SLAM

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

    基于注意力机制的三维模型特征提取

    王欢欢李舒晴
    48-52页
    查看更多>>摘要：目前在基于视图的三维模型检索技术中,对多视图特征提取的大多方法,关注于视图的全局特征信息而忽略了对视图局部特征信息和多视图之间的相关性的探究.针对此问题提出一种新的特征提取方法,利用深度学习中的卷积神经网络,并结合注意力机制提取特征,以提升其判别性.方法在ModelNet40上进行实验分析,将三维模型的多个视图作为输入,在网络层中加入注意力模块进行特征提取分类,结果表明,该方法在分类准确度方面优于已有的典型算法.

    三维模型检索卷积神经网络注意力机制CBAM

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

    LSTM-Prophet混合模型在物料储备需求预测中的应用

    辛唯
    53-57页
    查看更多>>摘要：建立LSTM-Prophet混合模型,预测A公司未来每日物料消耗量,为工段每日物料储备提供参考,数据集来源为A公司2015年来每日物料实际消耗量.实验结果显示,LSTM-Prophet混合模型预测时序数据的MAE值为40.905,MAPE值为0.044,R2值为0.863,三个评价指标都优于LSTM模型、Prophet模型、ARIMA模型三个单一模型的评价指标值.验证了LSTM-Prophet混合模型有着更好的预测精度,可以更好地应用于工业场景.

    LSTM模型Prophet模型时序数据预测混合模型预测

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