首页期刊导航|中国科学技术大学学报
期刊信息/Journal information
中国科学技术大学学报
中国科学技术大学学报

何多慧

月刊

0253-2778

just@ustc.edu.cn

0551-3600717，63601961、63607694

230026

安徽省合肥市金寨路96号中国科学技术大学东区

中国科学技术大学学报/Journal Journal of University of Science and Technology of ChinaCSCD北大核心CSTPCD
查看更多>>本刊是由中国科学院主管，中国科学技术大学主办的综合性自然科学学术刊物。1965年创刊，现为双月刊，国内外公开发行，主要刊载基础科学，技术科学及管理科学领域内具有创新性，高水平的学术论文和研究成果。本刊弘扬创新，务实，求真的科学精神
正式出版
收录年代

    基于局部对齐单目视频深度的三维场景重建

    徐光锴赵峰
    中插1,11-20页
    查看更多>>摘要：单目深度估计方法在各种场景下已经取得了较强的鲁棒性,该类方法通常预测尺度偏移量未知的不变仿射深度而非度量深度,因为收集大规模的不变仿射深度训练数据比收集度量深度训练数据容易得多.然而,在某些基于视频的应用场景中,例如视频深度估计和三维场景重建,每帧预测的深度中存在的未知比例和偏移量值可能会导致预测的深度不一致.为了解决该问题,我们提出了一种基于局部加权线性回归的方法,通过利用稀疏锚点恢复深度的尺度图和偏移量图,以保证连续帧之间的一致性.大量的实验表明,我们的方法可以在几个零样本基准上显著降低现有技术方法的Rel误差(相对误差).此外,我们收集了 630 万张RGBD图像对来训练鲁棒的深度模型.通过局部恢复尺度和偏移量,我们的ResNet50-backbone模型性能甚至超过了最先进的DPT ViT-Large模型.与基于几何的重建方法相结合,我们提出了一种新的稠密三维场景重建流程,既能受益于稀疏点的尺度一致性,又能受益于单目深度估计方法的鲁棒性.通过对视频的每一帧依次预测深度图,我们可以重建出准确的三维场景几何信息.

    三维场景重建单目深度估计局部加权线性回归

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

    LightAD:基于自适应采样的自动去偏框架加速方法

    邱阳董汉德陈佳伟何向南...
    中插4,41-49页
    查看更多>>摘要：在推荐系统中,由于数据是从用户行为中收集而来而不是通过合理的实验得到,因此偏差问题是普遍存在的.自动去偏框架(AutoDebias)通过采用元学习寻找适当地去偏置配置(即伪标签和置信权重),已被证明是应对各种偏差的一种通用和有效的解决方案.然而,为每个用户-物品对设置伪标签和权重是一个极度耗时的过程.因此,自动去偏框架面临巨大的计算成本,这使其在实际应用中的适用性较差.虽然使用带有均匀采样器的随机梯度下降可以加速模型训练,但这会显著恶化模型的收敛性和稳定性.为了解决这个问题,我们提出了 LightAutoDebias(简称LightAD),它为自动去偏框架配备了一种专门的权重采样策略.该采样器可以自适应地和动态地获取信息量更大的训练样本,这带来的收敛性和稳定性比标准的均匀采样器更好.在三个基准数据集上的广泛实验证明,我们的LightAD可以加速自动去偏框架的训练达几个数量级,同时保持几乎相同的精度.

    推荐系统偏差去偏采样

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

    使用基于物理信息的卷积神经网络求解Navier-Stokes方程的物理合理且守恒解

    李健枫周良滢孙经纬孙广中...
    中插2,21-32页
    查看更多>>摘要：基于物理信息的神经网络方法(PINN)是一种使用神经网络有效求解偏微分方程(PDEs)的新兴方法.基于物理信息的卷积神经网络方法(PICNN)是一种由卷积神经网络(CNNs)增强的 PINN 的变体.由于卷积神经网络的参数共享特性可以有效地学习空间依赖关系,因此PICNN 在一系列偏微分方程的求解问题上取得了更好的结果.然而,应用现有的基于 PICNN 的方法求解Navier-Stokes 方程时会产生振荡的预测解,这违背了物理定律和守恒特性.为了解决这一问题,我们提出了一种将PICNN 与有限体积法相结合的新方法,以获得Navier-Stokes 方程的物理上合理且具有守恒特性的预测解.我们使用有限体积法推导了Navier-Stokes 方程的二阶迎风差分格式.然后我们使用所推导的格式来计算偏导数并构造基于物理信息的损失函数.我们对以稳态Navier-Stokes 方程作为控制方程的不同场景进行了实验以评估所提出的方法,包括对流传热问题和顶盖驱动流问题等.实验结果表明,我们的方法可以有效地提高PICNN预测解的物理合理性和准确性.

    有限体积法纳维-斯托克斯方程偏微分方程基于物理信息的卷积神经网络

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

    外部搜寻、关系强度与吸收能力对新产品开发绩效的影响

    杨慧军王薇
    中插5,50-59页
    查看更多>>摘要：从知识基础观出发,研究外部搜寻宽度和深度对新产品开发绩效的影响,并引入关系强度和吸收能力作为情境变量.通过 281 家中国企业样本问卷调查,发现搜寻宽度有利于新产品创新性的提升,而搜寻深度有利于新产品开发速度的提升.关系强度负向调节搜寻宽度与新产品创新性的关系,而正向调节搜寻深度与开发速度的关系.另外,关系强度和吸收能力有协同调节作用,二者的协同作用负向调节搜寻宽度与新产品创新性的关系,而正向调节搜寻深度与开发速度的关系.

    外部搜寻吸收能力新产品开发

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

    域泛化问题中基于Mixup与对比损失的特征转换模型

    王岳松张洪
    中插3,33-40页
    查看更多>>摘要：当表示基础数据分布的域在训练和测试数据集之间存在差异时,传统的深度神经网络的性能会大幅下降.域泛化方法旨在仅使用源域的训练数据来提高在未知目标域上的泛化能力.主流的域泛化算法通常对一些流行的特征提取网络(如ResNet)进行修改,或者在特征提取网络之后添加更复杂的参数模块.流行的特征提取网络通常在大规模数据集上进行了较好的预训练,因此具有较强的特征提取能力,而对其进行修改会削弱这种能力.添加更复杂的参数模块会导致更深的网络,并且对计算资源要求更高.本文基于域泛化中流行的特征提取网络,提出了一种新的特征转换模型,不做任何更改或添加任何模块.通过结合对比损失和数据增强策略(即Mixup),该特征转换模型的泛化能力得到了提升,并提出了一种新的样本选择策略来与Mixup和对比损失相协作.在基准数据集PACS和Domainnet上的实验结果表明,该方法优于传统的域泛化方法.

    对比损失数据增强深度神经网络域泛化特征转换

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

    中文摘要

    后插1-后插2页
      原文链接:
    • NETL
    • NSTL
    • 万方数据

    一种统计特征保持的时序数据库水印方案

    于烨璐马泽华张杰方涵...
    前插1,1-10页
    查看更多>>摘要：数据库水印是保护数据库版权最有效的方法之一.然而,传统的数据库水印有一个潜在的缺点:水印的嵌入会改变数据的分布,从而影响数据库的使用和分析.考虑到大多数分析都是基于目标数据库的统计特征,保持统计特征的一致性是确保数据库可分析性的关键.由于统计特征分析往往是分组进行的,与传统的关系数据库相比,时序数据库(TSDBs)具有明显的时间分组特征,更具有分析价值.因此,本文提出了一种鲁棒的时序数据库水印算法,有效地保证了统计特征的一致性.基于TSDBs的时间分组特征,提出了一种基于线性回归、误差补偿和水印验证的三步水印方案RCV.根据线性回归模型和误差补偿的特性,该方案可以生成一组具有相同统计特征的数据.然后,基于验证机制对生成的数据进行验证,直到它可以传递目标的水印消息为止.与现有方法相比,该方法具有更好的鲁棒性和保持统计特征不变的能力.

    数据库水印时序数据库统计特征时间分组特征

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

    人物介绍

    后插3,封3页
      原文链接:
    • NETL
    • NSTL
    • 万方数据