- 最新动态
- 推荐文章
- 当期目录
- 优先出版
- 过刊浏览
- 点击排行
- 下载排行
- 综述文章
快速检索
过刊检索
全选反选导出
显示模式：
2025,34(5):1-13, DOI: 10.15888/j.cnki.csa.009879, CSTR: 32024.14.csa.009879
摘要：
手语是用手势比量动作, 根据手势的变化模拟形象或者音节以构成的一定意思或词语, 手语是听力障碍者或无法用言语交流的人普遍采用的一种交际工具. 随着计算机视觉和深度学习的不断发展, 手语识别技术随之出现并不断发展, 使普通人与聋哑人士交流成为可能. 然而, 动态手语的复杂性和变化性使得对手语的精确检测和识别仍具挑战. 为了推动该领域的研究, 本文深入调研现有的动态手语识别方法和技术. 首先, 调研了动态手语识别技术的发展历程和研究现状、常用动态手语数据集以及手语识别方法的评价指标. 其次, 重点调研了动态手语识别常用的深度学习模型, 探讨了动态手语识别技术面临的问题以及对应的解决方案. 最后, 基于手语识别现状, 总结了当前动态手语识别面临的问题, 并对下阶段如何提升手语识别性能进行分析和展望.
手语是用手势比量动作, 根据手势的变化模拟形象或者音节以构成的一定意思或词语, 手语是听力障碍者或无法用言语交流的人普遍采用的一种交际工具. 随着计算机视觉和深度学习的不断发展, 手语识别技术随之出现并不断发展, 使普通人与聋哑人士交流成为可能. 然而, 动态手语的复杂性和变化性使得对手语的精确检测和识别仍具挑战. 为了推动该领域的研究, 本文深入调研现有的动态手语识别方法和技术. 首先, 调研了动态手语识别技术的发展历程和研究现状、常用动态手语数据集以及手语识别方法的评价指标. 其次, 重点调研了动态手语识别常用的深度学习模型, 探讨了动态手语识别技术面临的问题以及对应的解决方案. 最后, 基于手语识别现状, 总结了当前动态手语识别面临的问题, 并对下阶段如何提升手语识别性能进行分析和展望.
2025,34(5):14-23, DOI: 10.15888/j.cnki.csa.009845, CSTR: 32024.14.csa.009845
摘要：
离线到在线强化学习中, 虽然智能体能够通过预先收集的离线数据进行初步策略学习, 但在线微调阶段, 早期过程常常表现出不稳定性, 且微调结束后, 性能提升幅度较小. 针对这一问题, 提出了两种关键设计: 1)模拟退火的动态离线-在线缓冲池; 2)模拟退火的行为约束衰减. 第1种设计在训练过程中利用模拟退火思想动态选择离线数据或者在线交互经验, 获得优化的更新策略, 动态平衡在线训练的稳定性和微调性能; 第2种设计通过带降温机制的行为克隆约束, 改善微调早期使用在线经验更新导致的性能突降, 在微调后期逐渐放松约束, 促进模型性能提升. 实验结果表明, 所提出的结合动态缓冲池和时间递减约束的离线到在线强化学习(dynamic replay buffer and time decaying constraints, DRB-TDC)算法在Halfcheetah、Hopper、Walker2d这3个经典MuJoCo测试任务中, 在线微调训练后性能分别提升45%、65%、21%, 所有任务的平均归一化得分比最优基线算法提升10%.
离线到在线强化学习中, 虽然智能体能够通过预先收集的离线数据进行初步策略学习, 但在线微调阶段, 早期过程常常表现出不稳定性, 且微调结束后, 性能提升幅度较小. 针对这一问题, 提出了两种关键设计: 1)模拟退火的动态离线-在线缓冲池; 2)模拟退火的行为约束衰减. 第1种设计在训练过程中利用模拟退火思想动态选择离线数据或者在线交互经验, 获得优化的更新策略, 动态平衡在线训练的稳定性和微调性能; 第2种设计通过带降温机制的行为克隆约束, 改善微调早期使用在线经验更新导致的性能突降, 在微调后期逐渐放松约束, 促进模型性能提升. 实验结果表明, 所提出的结合动态缓冲池和时间递减约束的离线到在线强化学习(dynamic replay buffer and time decaying constraints, DRB-TDC)算法在Halfcheetah、Hopper、Walker2d这3个经典MuJoCo测试任务中, 在线微调训练后性能分别提升45%、65%、21%, 所有任务的平均归一化得分比最优基线算法提升10%.
2025,34(5):24-30, DOI: 10.15888/j.cnki.csa.009843, CSTR: 32024.14.csa.009843
摘要：
联邦学习(federated learning, FL)是一种新兴的分布式机器学习框架, 旨在解决数据隐私保护和高效分布式计算的问题. 它允许多个客户端在不共享数据的前提下协同训练全局模型, 但由于各客户端的数据分布存在异质性, 单一的全局模型往往难以满足不同客户端的个性化需求. 针对这一问题, 本文提出了一种结合自蒸馏和解耦知识蒸馏的联邦学习算法, 该算法通过保留客户端的历史模型作为教师模型, 对客户端本地模型的训练进行蒸馏指导, 得到新的本地模型后上传到服务端进行加权平均聚合. 在知识蒸馏中, 通过对目标类知识和非目标类知识进行解耦蒸馏, 实现了对个性化知识的更充分传递. 实验结果表明, 本文提出的方法在CIFAR-10和CIFAR-100数据集上的分类准确率均超过了现有的联邦学习方法.
联邦学习(federated learning, FL)是一种新兴的分布式机器学习框架, 旨在解决数据隐私保护和高效分布式计算的问题. 它允许多个客户端在不共享数据的前提下协同训练全局模型, 但由于各客户端的数据分布存在异质性, 单一的全局模型往往难以满足不同客户端的个性化需求. 针对这一问题, 本文提出了一种结合自蒸馏和解耦知识蒸馏的联邦学习算法, 该算法通过保留客户端的历史模型作为教师模型, 对客户端本地模型的训练进行蒸馏指导, 得到新的本地模型后上传到服务端进行加权平均聚合. 在知识蒸馏中, 通过对目标类知识和非目标类知识进行解耦蒸馏, 实现了对个性化知识的更充分传递. 实验结果表明, 本文提出的方法在CIFAR-10和CIFAR-100数据集上的分类准确率均超过了现有的联邦学习方法.
2025,34(5):31-40, DOI: 10.15888/j.cnki.csa.009835, CSTR: 32024.14.csa.009835
摘要：
烟雾检测在早期火灾预警当中非常重要. 现有检测算法基本是基于确定性的卷积神经网络来进行的, 然而确定性的神经网络往往会给出非常自信的预测结果, 即使它完全不知道某些区域当中是否有目标对象, 尤其是烟雾边缘区域有着更加透明的效果, 致使该区域和周围环境极易混淆, 因此检测算法对该区域并不能进行很好的判断, 进而造成大量的假阳性. 因此, 本文提出一种改进的DeepLabV3+算法, 首先, 该算法基于贝叶斯思想优化DeepLabV3+从而输出非确定性的特征编码, 以量化预测图像中不确定性的大小, 校准模型的学习过程. 其次基于预处理思想对特征编码进行预处理, 降低无关干扰特征信息量, 并且强化DeepLabV3+网络中特征融合能力, 充分利用网络提取到的多尺度特征信息. 最后将DeepLabV3+网络中上采样算子优化为CARAFE算子, 降低上采样过程中重要信息的丢失. 模型在公开的SMOKE5K数据集上取得良好的性能, MIoU指标达到了92.41%.
烟雾检测在早期火灾预警当中非常重要. 现有检测算法基本是基于确定性的卷积神经网络来进行的, 然而确定性的神经网络往往会给出非常自信的预测结果, 即使它完全不知道某些区域当中是否有目标对象, 尤其是烟雾边缘区域有着更加透明的效果, 致使该区域和周围环境极易混淆, 因此检测算法对该区域并不能进行很好的判断, 进而造成大量的假阳性. 因此, 本文提出一种改进的DeepLabV3+算法, 首先, 该算法基于贝叶斯思想优化DeepLabV3+从而输出非确定性的特征编码, 以量化预测图像中不确定性的大小, 校准模型的学习过程. 其次基于预处理思想对特征编码进行预处理, 降低无关干扰特征信息量, 并且强化DeepLabV3+网络中特征融合能力, 充分利用网络提取到的多尺度特征信息. 最后将DeepLabV3+网络中上采样算子优化为CARAFE算子, 降低上采样过程中重要信息的丢失. 模型在公开的SMOKE5K数据集上取得良好的性能, MIoU指标达到了92.41%.
2025,34(5):41-51, DOI: 10.15888/j.cnki.csa.009861, CSTR: 32024.14.csa.009861
摘要：
滚动轴承在机械系统中至关重要, 低频率故障通常由于其发生概率低而导致数据样本稀缺, 这使得相关数据的采集和处理面临挑战, 若处理不当可导致严重的安全隐患和经济损失. 为应对这一问题, 本研究提出了一种结合传统信号处理方法与深度学习模型的卷积神经网络(CNN)与多层感知机(MLP)的双路径故障诊断模型. 特征工程提取方面, 本研究采用离散小波变换(DWT)和连续小波变换(CWT)相结合的方法, 结合平均下采样技术从原始信号中提取多尺度的时频特征和时域特征. 模型包含两条路径: 一条通过将efficient channel attention (ECA)注意力机制嵌入残差CNN中提取特征工程的时频特征, 另一条利用MLP处理下采样的多尺度时域特征, 最后融合两者进行分类. 小样本评估显示, 该特征工程方法在凯斯西储大学(CWRU)数据集上平均诊断准确率达到99.34%, 高于传统方法的98.97%. 混合CNN-MLP双路径模型在CWRU数据集上达到了99.90%的高准确率, 在江南大学(JNU)数据集上取得98.38%的准确率. 表明其在小样本滚动轴承故障诊断中的应用潜力.
滚动轴承在机械系统中至关重要, 低频率故障通常由于其发生概率低而导致数据样本稀缺, 这使得相关数据的采集和处理面临挑战, 若处理不当可导致严重的安全隐患和经济损失. 为应对这一问题, 本研究提出了一种结合传统信号处理方法与深度学习模型的卷积神经网络(CNN)与多层感知机(MLP)的双路径故障诊断模型. 特征工程提取方面, 本研究采用离散小波变换(DWT)和连续小波变换(CWT)相结合的方法, 结合平均下采样技术从原始信号中提取多尺度的时频特征和时域特征. 模型包含两条路径: 一条通过将efficient channel attention (ECA)注意力机制嵌入残差CNN中提取特征工程的时频特征, 另一条利用MLP处理下采样的多尺度时域特征, 最后融合两者进行分类. 小样本评估显示, 该特征工程方法在凯斯西储大学(CWRU)数据集上平均诊断准确率达到99.34%, 高于传统方法的98.97%. 混合CNN-MLP双路径模型在CWRU数据集上达到了99.90%的高准确率, 在江南大学(JNU)数据集上取得98.38%的准确率. 表明其在小样本滚动轴承故障诊断中的应用潜力.
2025,34(5):52-63, DOI: 10.15888/j.cnki.csa.009890, CSTR: 32024.14.csa.009890
摘要：
高清晰、低延时显示中国画纹理是中国画VR展示应用的重要需求, 移动VR头显有限的运行时内存、显存难以实现大量高分辨率中国画纹理同时加载及实时显示. 此外, 受限于移动VR设备的低显示分辨率和纹理mimap管理机制, 用户通过头显直接观察到最清晰纹理细节比较困难. 本文给出一种改进的虚拟纹理方法, 主要对已有虚拟纹理方法的分块请求计算和分块加载两个阶段进行优化. 在分块请求计算阶段, 加入放大辅助视角的分块请求计算, 利用Compute Shader并行加速处理分块请求参数纹理, 通过哈希减少Compute Shader构建结果缓存的计算量. 在分块加载阶段, 采用无锁队列异步加载提高纹理分块加载效率, 使用数量阈值限定的请求分块直接加载策略减少高清晰纹理分块显示延迟. 本文构建包含单幅和多幅中国画的虚拟观赏场景, 通过模拟用户观赏行为来测试本文方法的运行性能及显示效果. 实验结果表明, 本文方法结合放大辅助视角在移动VR设备上可高清晰、低延时呈现多幅超高分辨率中国画纹理. 与Unreal SVT等已有虚拟纹理方法相比, 本文方法可在大量纹理分块条件下保持高帧率运行, 实现更低的高清晰纹理分块显示延迟.
高清晰、低延时显示中国画纹理是中国画VR展示应用的重要需求, 移动VR头显有限的运行时内存、显存难以实现大量高分辨率中国画纹理同时加载及实时显示. 此外, 受限于移动VR设备的低显示分辨率和纹理mimap管理机制, 用户通过头显直接观察到最清晰纹理细节比较困难. 本文给出一种改进的虚拟纹理方法, 主要对已有虚拟纹理方法的分块请求计算和分块加载两个阶段进行优化. 在分块请求计算阶段, 加入放大辅助视角的分块请求计算, 利用Compute Shader并行加速处理分块请求参数纹理, 通过哈希减少Compute Shader构建结果缓存的计算量. 在分块加载阶段, 采用无锁队列异步加载提高纹理分块加载效率, 使用数量阈值限定的请求分块直接加载策略减少高清晰纹理分块显示延迟. 本文构建包含单幅和多幅中国画的虚拟观赏场景, 通过模拟用户观赏行为来测试本文方法的运行性能及显示效果. 实验结果表明, 本文方法结合放大辅助视角在移动VR设备上可高清晰、低延时呈现多幅超高分辨率中国画纹理. 与Unreal SVT等已有虚拟纹理方法相比, 本文方法可在大量纹理分块条件下保持高帧率运行, 实现更低的高清晰纹理分块显示延迟.
快速检索
过刊检索
全选反选导出
显示模式：
优先出版日期: 2025-05-23
,DOI: 10.15888/j.cnki.csa.009939
摘要：
随着自动化技术和机器人领域的快速发展, 移动机器人路径规划的精确性要求日益提高. 针对深度强化学习在复杂环境下路径规划存在的收敛稳定性差、样本效率低及环境适应性不足等问题, 提出了一种改进的基于决斗深度双Q网络的路径规划算法(R-D3QN). 通过构建双网络架构解耦动作选择与价值估计过程, 有效缓解Q值过估计问题, 提高收敛稳定性; 设计时序优先经验回放机制, 结合长短期记忆网络(LSTM)的时空特征提取能力, 改进样本利用效率; 提出基于模拟退火的多阶段探索策略, 平衡了探索与利用, 增强环境适应性. 实验结果表明, 与传统DQN算法相比, R-D3QN算法在简单环境下平均奖励值提高了9.25%, 收敛次数减少了24.39%, 碰撞次数减少了41.20%; 在复杂环境下, 平均奖励值提升了12.98%, 收敛次数减少了11.86%, 碰撞次数减少了42.14%. 同时与其他改进的DQN算法对比也具有明显的优势, 验证了所提算法的有效性.
随着自动化技术和机器人领域的快速发展, 移动机器人路径规划的精确性要求日益提高. 针对深度强化学习在复杂环境下路径规划存在的收敛稳定性差、样本效率低及环境适应性不足等问题, 提出了一种改进的基于决斗深度双Q网络的路径规划算法(R-D3QN). 通过构建双网络架构解耦动作选择与价值估计过程, 有效缓解Q值过估计问题, 提高收敛稳定性; 设计时序优先经验回放机制, 结合长短期记忆网络(LSTM)的时空特征提取能力, 改进样本利用效率; 提出基于模拟退火的多阶段探索策略, 平衡了探索与利用, 增强环境适应性. 实验结果表明, 与传统DQN算法相比, R-D3QN算法在简单环境下平均奖励值提高了9.25%, 收敛次数减少了24.39%, 碰撞次数减少了41.20%; 在复杂环境下, 平均奖励值提升了12.98%, 收敛次数减少了11.86%, 碰撞次数减少了42.14%. 同时与其他改进的DQN算法对比也具有明显的优势, 验证了所提算法的有效性.
优先出版日期: 2025-05-23
,DOI: 10.15888/j.cnki.csa.009940
摘要：
光伏板的清洁与维护是光伏电站运行中的关键任务, 其中搭载机械臂和光伏清洁终端的光伏清洁摆渡车系统成为一种创新的解决方案. 这类系统需要精确获取光伏板的位姿, 包括车身相对光伏板的倾角与距离. 为解决这一问题, 本文提出了一种基于单目相机的光伏板视觉定位方法. 本文首先对YOLOv8-pose关键点检测模型进行改进以提高检测精度. 引入PSA注意力机制优化骨干网络, 采用DySample动态上采样模块并提出ADown*下采样模块对颈部网络进行增强. 然后结合改进后的YOLOv8-pose与光伏板的几何特征, 提出倾角和距离计算方法, 从而实现光伏板的姿态定位. 实验结果表明, 本文提出的改进算法相较于原始YOLOv8-pose计算的光伏板倾角与距离精度分别提升了26.2%与20.1%, 能够更准确地对光伏板进行定位.
光伏板的清洁与维护是光伏电站运行中的关键任务, 其中搭载机械臂和光伏清洁终端的光伏清洁摆渡车系统成为一种创新的解决方案. 这类系统需要精确获取光伏板的位姿, 包括车身相对光伏板的倾角与距离. 为解决这一问题, 本文提出了一种基于单目相机的光伏板视觉定位方法. 本文首先对YOLOv8-pose关键点检测模型进行改进以提高检测精度. 引入PSA注意力机制优化骨干网络, 采用DySample动态上采样模块并提出ADown*下采样模块对颈部网络进行增强. 然后结合改进后的YOLOv8-pose与光伏板的几何特征, 提出倾角和距离计算方法, 从而实现光伏板的姿态定位. 实验结果表明, 本文提出的改进算法相较于原始YOLOv8-pose计算的光伏板倾角与距离精度分别提升了26.2%与20.1%, 能够更准确地对光伏板进行定位.
优先出版日期: 2025-05-23
,DOI: 10.15888/j.cnki.csa.009942
摘要：
人工智能若想从根本上理解我们周围的世界, 关键在于它能否学会从所观察到的低级感官数据中识别并解开隐藏的潜在可解释因素. 解耦表征学习正是为了从数据中提取出这些独立且可解释的潜在变量, 而因果解耦表征学习则更进一步强调了这些潜在变量之间的因果关系, 从而更真实地模拟现实世界的复杂性. 鉴于因果学习的重要性日益增长, 本文对结合因果学习的解耦表征学习的相关方法进行了详细、全面地介绍, 旨在为解耦表征学习的未来发展提供支持. 根据常用的因果学习的相关方法对因果解耦表征学习进行分类, 主要探讨了结合结构因果模型和基于流模型的解耦表征学习方法以及常用的数据集与评价指标. 此外, 还分析了因果解耦表征学习在图像生成、3D姿态估计和无监督领域适应等应用的实际案例, 并对未来的研究方向进行前瞻性展望, 为科研人员和实践者揭示未来可能的探索方向, 促进该领域的持续发展和创新.
人工智能若想从根本上理解我们周围的世界, 关键在于它能否学会从所观察到的低级感官数据中识别并解开隐藏的潜在可解释因素. 解耦表征学习正是为了从数据中提取出这些独立且可解释的潜在变量, 而因果解耦表征学习则更进一步强调了这些潜在变量之间的因果关系, 从而更真实地模拟现实世界的复杂性. 鉴于因果学习的重要性日益增长, 本文对结合因果学习的解耦表征学习的相关方法进行了详细、全面地介绍, 旨在为解耦表征学习的未来发展提供支持. 根据常用的因果学习的相关方法对因果解耦表征学习进行分类, 主要探讨了结合结构因果模型和基于流模型的解耦表征学习方法以及常用的数据集与评价指标. 此外, 还分析了因果解耦表征学习在图像生成、3D姿态估计和无监督领域适应等应用的实际案例, 并对未来的研究方向进行前瞻性展望, 为科研人员和实践者揭示未来可能的探索方向, 促进该领域的持续发展和创新.
优先出版日期: 2025-05-16
,DOI: 10.15888/j.cnki.csa.009905
摘要：
大规模并行计算应用程序在执行过程中经常面临I/O性能瓶颈, 严重影响整体计算效率. 然而, 现有的I/O跟踪工具在捕获细粒度I/O行为和多层次分析方面存在开销高、侵入性强等问题. 为解决这一挑战, 本文提出了BpfioToolkit, 一种基于eBPF技术的非侵入式I/O跟踪与分析工具套件. 旨在通过跟踪并行应用程序发出的I/O请求, 记录详细的I/O行为日志, 以支持对复杂并行I/O模式的精准分析. BpfioToolkit可以高效地跟踪I/O堆栈中MPI-IO层、系统调用层及虚拟文件系统层的I/O操作, 准确地记录I/O请求频率、读写大小、文件偏移等关键指标. 通过关联各层次的I/O行为数据, BpfioToolkit提供精确且全面的I/O行为视图. 在多个典型并行应用程序和基准测试程序上的实验评估表明, BpfioToolkit在不同I/O强度场景下均保持极低的系统开销(仅0.54%–1.68%), 同时生成丰富的I/O行为数据. 这些数据帮助识别了诸如低效的I/O访问模式、I/O负载不均衡等I/O性能瓶颈. 验证了BpfioToolkit的实用性. BpfioToolkit为大规模并行计算环境中的I/O性能分析与优化提供了有力的技术支持, 展现出广泛的应用前景.
大规模并行计算应用程序在执行过程中经常面临I/O性能瓶颈, 严重影响整体计算效率. 然而, 现有的I/O跟踪工具在捕获细粒度I/O行为和多层次分析方面存在开销高、侵入性强等问题. 为解决这一挑战, 本文提出了BpfioToolkit, 一种基于eBPF技术的非侵入式I/O跟踪与分析工具套件. 旨在通过跟踪并行应用程序发出的I/O请求, 记录详细的I/O行为日志, 以支持对复杂并行I/O模式的精准分析. BpfioToolkit可以高效地跟踪I/O堆栈中MPI-IO层、系统调用层及虚拟文件系统层的I/O操作, 准确地记录I/O请求频率、读写大小、文件偏移等关键指标. 通过关联各层次的I/O行为数据, BpfioToolkit提供精确且全面的I/O行为视图. 在多个典型并行应用程序和基准测试程序上的实验评估表明, BpfioToolkit在不同I/O强度场景下均保持极低的系统开销(仅0.54%–1.68%), 同时生成丰富的I/O行为数据. 这些数据帮助识别了诸如低效的I/O访问模式、I/O负载不均衡等I/O性能瓶颈. 验证了BpfioToolkit的实用性. BpfioToolkit为大规模并行计算环境中的I/O性能分析与优化提供了有力的技术支持, 展现出广泛的应用前景.
优先出版日期: 2025-05-16
,DOI: 10.15888/j.cnki.csa.009908
摘要：
光学遥感图像中的云遮挡问题是遥感数据处理中的核心挑战之一, 针对目前云层去除技术在处理云层边缘信息及保留图像细节方面的缺陷, 本文提出基于时谱域融合与时序自注意力增强的生成对抗网络(TGAN). TGAN通过其两阶段模块化设计, 实现了遥感图像修复质量与处理效率的双重提升. 第1阶段, 基于时序自注意力机制的特征提取模块, 用线性升维层捕获时域、谱域特征, 以一维线性降维层弥补传统最大池化不足, 增强时间序列位置特征建模能力, 还设计含权重分配策略的多头自注意力机制精准捕捉边缘信息; 第2阶段为自适应图像修复模块, 由随机噪声消除与局部对比增强子模块协同改善图像细节、抑制噪声. 此外, TGAN 的鉴别器采用多尺度模块, 这一策略实现了全局一致性与局部细节之间的平衡. 通过生成器与鉴别器之间的交互博弈, 生成器持续优化修复图像, 以提高修复效果. 这种动态的博弈过程推动了生成器在图像修复任务中的迭代优化. 为了验证TGAN的有效性, 我们在Sen2_MTC数据集上进行了实验. 实验结果表明, TGAN在峰值信噪比(PSNR)和主观视觉评估方面均显著优于现有方法, 在训练集和测试集的PSNR分别达到了21.547 dB和20.206 dB, 表明该方法在遥感云层图像修复任务中具有较好的性能与应用潜力.
光学遥感图像中的云遮挡问题是遥感数据处理中的核心挑战之一, 针对目前云层去除技术在处理云层边缘信息及保留图像细节方面的缺陷, 本文提出基于时谱域融合与时序自注意力增强的生成对抗网络(TGAN). TGAN通过其两阶段模块化设计, 实现了遥感图像修复质量与处理效率的双重提升. 第1阶段, 基于时序自注意力机制的特征提取模块, 用线性升维层捕获时域、谱域特征, 以一维线性降维层弥补传统最大池化不足, 增强时间序列位置特征建模能力, 还设计含权重分配策略的多头自注意力机制精准捕捉边缘信息; 第2阶段为自适应图像修复模块, 由随机噪声消除与局部对比增强子模块协同改善图像细节、抑制噪声. 此外, TGAN 的鉴别器采用多尺度模块, 这一策略实现了全局一致性与局部细节之间的平衡. 通过生成器与鉴别器之间的交互博弈, 生成器持续优化修复图像, 以提高修复效果. 这种动态的博弈过程推动了生成器在图像修复任务中的迭代优化. 为了验证TGAN的有效性, 我们在Sen2_MTC数据集上进行了实验. 实验结果表明, TGAN在峰值信噪比(PSNR)和主观视觉评估方面均显著优于现有方法, 在训练集和测试集的PSNR分别达到了21.547 dB和20.206 dB, 表明该方法在遥感云层图像修复任务中具有较好的性能与应用潜力.
优先出版日期: 2025-05-16
,DOI: 10.15888/j.cnki.csa.009936
摘要：
针对多目标流水车间调度问题, 提出了一种邻域搜索(NS)算法, 旨在以加工时间和总延迟时间为优化目标构建调度模型. 该方法通过交换调度序列中的工件顺序生成新的解, 从而在解空间中高效探索. 算法从种群中的初始解开始, 不断通过工作顺序的交换产生候选解, 并利用适应值对这些解的优劣进行评估. 随着迭代优化的进行, 算法逐渐逼近全局最优解. 此外, 基于占优关系函数的方法用于评估解的相对优势, 通过参考点计算解在不同目标维度上的距离, 并以此衡量解的质量. 为了实现解空间的系统性探索, 本文采用基于汉明距离的解生成策略. 该方法通过构建解之间的最短汉明路径, 在保留解的优良特征的同时, 有效地探索未知解空间, 提升算法寻找全局最优解的能力. 通过20个不同规模算例的实验, 将NS算法与传统遗传算法(GA)及非支配排序遗传算法(NSGA-II)进行比较, 结果显示该方法在多目标优化上表现出色, 验证了其有效性和优势.
针对多目标流水车间调度问题, 提出了一种邻域搜索(NS)算法, 旨在以加工时间和总延迟时间为优化目标构建调度模型. 该方法通过交换调度序列中的工件顺序生成新的解, 从而在解空间中高效探索. 算法从种群中的初始解开始, 不断通过工作顺序的交换产生候选解, 并利用适应值对这些解的优劣进行评估. 随着迭代优化的进行, 算法逐渐逼近全局最优解. 此外, 基于占优关系函数的方法用于评估解的相对优势, 通过参考点计算解在不同目标维度上的距离, 并以此衡量解的质量. 为了实现解空间的系统性探索, 本文采用基于汉明距离的解生成策略. 该方法通过构建解之间的最短汉明路径, 在保留解的优良特征的同时, 有效地探索未知解空间, 提升算法寻找全局最优解的能力. 通过20个不同规模算例的实验, 将NS算法与传统遗传算法(GA)及非支配排序遗传算法(NSGA-II)进行比较, 结果显示该方法在多目标优化上表现出色, 验证了其有效性和优势.
优先出版日期: 2025-05-16
,DOI: 10.15888/j.cnki.csa.009937
摘要：
气象探测环境保护工作是气象观测台站业务的重要一环, 密切关系观测数据精度和气象服务质量. 方法聚焦时间序列图像中树木、作物等自然生长的障碍物边界改变细微的特点, 提出了植入式的边界感知模块, 以监督引导的方式专注于障碍物边界特征信息的提取. 边界特征与主干网络特征通过边界引导模块进行融合, 强化模型对边界的关注程度. 实验选取了轻量化模型HRNet-W18作为方法基线, 在真实气象探测环境数据集上进行验证, 边界引导方法在树木、作物障碍物类别上有效提升了2.29%的mIoU, 总体分割效果达到95.82%, 超过其他14个主流语义分割方法, 更好平衡了模型复杂度和效果精度.
气象探测环境保护工作是气象观测台站业务的重要一环, 密切关系观测数据精度和气象服务质量. 方法聚焦时间序列图像中树木、作物等自然生长的障碍物边界改变细微的特点, 提出了植入式的边界感知模块, 以监督引导的方式专注于障碍物边界特征信息的提取. 边界特征与主干网络特征通过边界引导模块进行融合, 强化模型对边界的关注程度. 实验选取了轻量化模型HRNet-W18作为方法基线, 在真实气象探测环境数据集上进行验证, 边界引导方法在树木、作物障碍物类别上有效提升了2.29%的mIoU, 总体分割效果达到95.82%, 超过其他14个主流语义分割方法, 更好平衡了模型复杂度和效果精度.
优先出版日期: 2025-05-12
,DOI: 10.15888/j.cnki.csa.009901
摘要：
针对遥感图像场景分类中存在的场景尺度多变性、类内多样性和类间相似性, 以及有标签训练样本稀缺的问题, 本文提出了一种结合多尺度特征和细节感知策略的Vision Transformer (ViT)模型用于遥感图像场景分类. 该模型通过引入空洞空间金字塔池化模块, 有效捕捉并融合了遥感图像中的多尺度特征, 同时增强了对局部特征信息的利用, 从而进一步提升了特征判别能力. 另外, 采用创新的细节感知掩码策略, 使得模型能够有效利用无标签遥感图像数据, 促进模型学习到更为精细的特征表示, 以实现更高效、更准确的遥感图像场景分类. 在实验部分, 本文首先在大规模无标签遥感图像数据集上进行预训练, 随后将预训练模型迁移至下游场景分类任务中进行微调. 在多个公开遥感图像数据集上的实验结果表明, 所提模型在自监督预训练阶段能够有效提取图像特征, 并在下游场景分类任务中实现较高的准确率, 展现出良好的鲁棒性和有效性.
针对遥感图像场景分类中存在的场景尺度多变性、类内多样性和类间相似性, 以及有标签训练样本稀缺的问题, 本文提出了一种结合多尺度特征和细节感知策略的Vision Transformer (ViT)模型用于遥感图像场景分类. 该模型通过引入空洞空间金字塔池化模块, 有效捕捉并融合了遥感图像中的多尺度特征, 同时增强了对局部特征信息的利用, 从而进一步提升了特征判别能力. 另外, 采用创新的细节感知掩码策略, 使得模型能够有效利用无标签遥感图像数据, 促进模型学习到更为精细的特征表示, 以实现更高效、更准确的遥感图像场景分类. 在实验部分, 本文首先在大规模无标签遥感图像数据集上进行预训练, 随后将预训练模型迁移至下游场景分类任务中进行微调. 在多个公开遥感图像数据集上的实验结果表明, 所提模型在自监督预训练阶段能够有效提取图像特征, 并在下游场景分类任务中实现较高的准确率, 展现出良好的鲁棒性和有效性.
优先出版日期: 2025-05-12
,DOI: 10.15888/j.cnki.csa.009895
摘要：
图在各种应用中扮演着至关重要的角色, 广泛用于建模实体之间的关系. 图面临的工作负载可分为事务型工作负载和分析型工作负载. 许多应用场景需要同时处理这两类工作负载. 然而, 大多数现有的图存储系统只针对其中一种工作负载进行了优化, 无法同时高效地处理两类工作负载. 为了解决这一问题, 本文提出了面向混合工作负载的图存储系统HGraph. 本文通过仔细分析两类工作负载的访问模式, 设计了一种适应混合工作负载的数据结构. 此外, HGraph引入了一种基于撤销日志的多版本并发控制实现, 该方案不仅能够节省内存, 还能提升遍历操作的性能. HGraph还采用了写时复制和乐观并发控制策略, 以优化事务处理流程, 进一步增强系统的并发能力. 在真实和合成数据集上的实验结果表明, HGraph的性能优于其他图存储系统.
图在各种应用中扮演着至关重要的角色, 广泛用于建模实体之间的关系. 图面临的工作负载可分为事务型工作负载和分析型工作负载. 许多应用场景需要同时处理这两类工作负载. 然而, 大多数现有的图存储系统只针对其中一种工作负载进行了优化, 无法同时高效地处理两类工作负载. 为了解决这一问题, 本文提出了面向混合工作负载的图存储系统HGraph. 本文通过仔细分析两类工作负载的访问模式, 设计了一种适应混合工作负载的数据结构. 此外, HGraph引入了一种基于撤销日志的多版本并发控制实现, 该方案不仅能够节省内存, 还能提升遍历操作的性能. HGraph还采用了写时复制和乐观并发控制策略, 以优化事务处理流程, 进一步增强系统的并发能力. 在真实和合成数据集上的实验结果表明, HGraph的性能优于其他图存储系统.
优先出版日期: 2025-05-12
,DOI: 10.15888/j.cnki.csa.009897
摘要：
由于实际应用中丝织物瑕疵样本的稀缺性和异常区域的细微性, 现有方法可能对瑕疵区域不敏感从而导致定位错误. 因此, 为了借助Transformer注意力机制识别细微特征的优势, 本文旨在建立一种适合丝织物瑕疵检测任务的动态注意力共享机制, 以增强模型对细微纹理的捕捉能力. 具体来说, 本文提出了一种基于混合多头注意力重建网络的丝织物瑕疵检测模型: 首先, 使用预训练Transformer编码器提取丝织物图像特征; 然后, 使用带有MeanDropout的瓶颈层以减少模型对重复特征的依赖; 此外, 提出一种混合多头注意力机制(mix mutil-head attention, MMHA)和LLamaMLP相结合的解码器以协助注意力头动态选择适当的丝织物特征, 从而提升对关键细微纹理的关注; 最后, 通过解码器松散重建多层特征的组合, 以实现瑕疵检测和定位. 在真实公开数据集上进行了大量的实验. 实验结果表明, 所提方法在两种数据集上的图像级指标分别提升了2.1%和0.6%, 并且在像素级指标上分别达到了96.0%和60.5%, 取得了领先的性能.
由于实际应用中丝织物瑕疵样本的稀缺性和异常区域的细微性, 现有方法可能对瑕疵区域不敏感从而导致定位错误. 因此, 为了借助Transformer注意力机制识别细微特征的优势, 本文旨在建立一种适合丝织物瑕疵检测任务的动态注意力共享机制, 以增强模型对细微纹理的捕捉能力. 具体来说, 本文提出了一种基于混合多头注意力重建网络的丝织物瑕疵检测模型: 首先, 使用预训练Transformer编码器提取丝织物图像特征; 然后, 使用带有MeanDropout的瓶颈层以减少模型对重复特征的依赖; 此外, 提出一种混合多头注意力机制(mix mutil-head attention, MMHA)和LLamaMLP相结合的解码器以协助注意力头动态选择适当的丝织物特征, 从而提升对关键细微纹理的关注; 最后, 通过解码器松散重建多层特征的组合, 以实现瑕疵检测和定位. 在真实公开数据集上进行了大量的实验. 实验结果表明, 所提方法在两种数据集上的图像级指标分别提升了2.1%和0.6%, 并且在像素级指标上分别达到了96.0%和60.5%, 取得了领先的性能.
优先出版日期: 2025-04-30
,DOI: 10.15888/j.cnki.csa.009856
摘要：
云和云影分割是遥感图像处理的关键任务, 传统深度学习方法常面临漏检、误检和细节丢失等问题. 为解决这些挑战, 本文提出了一种结合ResNet34和MobileNetV3的双支路架构. 首先, MobileNetV3作为次残差支路, 进行初步特征提取, 这一步旨在减少在处理简单特征时的计算负担和参数量. 然后, 将初步特征送入主残差支路ResNet34中进行深层特征提取. 为避免最大池化操作带来的信息丢失, 设计了多尺度条带卷积池化模块(multi-scale strip convolutional pooling module, MS-SCPM), 通过多种池化和条形卷积提取特征, 保留重要细节. 为融合多尺度信息并有效检测小目标, 引入了注意力动态金字塔多尺度特征提取模块(attention-based dynamic pyramid multi-scale feature extraction module, ADPMFEM), 灵活捕捉关键特征并抑制冗余信息. 解码器部分采用了注意力特征感知重组模块(content-aware reassembly of features with attention, CWA), 通过特征图权重优化上采样过程, 改善边缘恢复效果, 提升分割精度. 最后, 在像素分类之前引入可变形卷积进一步优化分割效果. 实验结果表明, 所提模型在Biome 8、HRC-WHU和SPARCS数据集上表现优异, MIoU (mean intersection over union)分别提升至79.19%、90.41%和77.89%, 优于现有技术. 该成果可应用于遥感领域中的云和云影图像分析, 如环境监测、灾害评估和农业监控等领域, 提升数据处理精度和效率.
云和云影分割是遥感图像处理的关键任务, 传统深度学习方法常面临漏检、误检和细节丢失等问题. 为解决这些挑战, 本文提出了一种结合ResNet34和MobileNetV3的双支路架构. 首先, MobileNetV3作为次残差支路, 进行初步特征提取, 这一步旨在减少在处理简单特征时的计算负担和参数量. 然后, 将初步特征送入主残差支路ResNet34中进行深层特征提取. 为避免最大池化操作带来的信息丢失, 设计了多尺度条带卷积池化模块(multi-scale strip convolutional pooling module, MS-SCPM), 通过多种池化和条形卷积提取特征, 保留重要细节. 为融合多尺度信息并有效检测小目标, 引入了注意力动态金字塔多尺度特征提取模块(attention-based dynamic pyramid multi-scale feature extraction module, ADPMFEM), 灵活捕捉关键特征并抑制冗余信息. 解码器部分采用了注意力特征感知重组模块(content-aware reassembly of features with attention, CWA), 通过特征图权重优化上采样过程, 改善边缘恢复效果, 提升分割精度. 最后, 在像素分类之前引入可变形卷积进一步优化分割效果. 实验结果表明, 所提模型在Biome 8、HRC-WHU和SPARCS数据集上表现优异, MIoU (mean intersection over union)分别提升至79.19%、90.41%和77.89%, 优于现有技术. 该成果可应用于遥感领域中的云和云影图像分析, 如环境监测、灾害评估和农业监控等领域, 提升数据处理精度和效率.
优先出版日期: 2025-04-30
,DOI: 10.15888/j.cnki.csa.009847
摘要：
针对现有图像编辑方法存在编辑结果不自然、不能很好模拟图像闭塞内容的问题, 提出基于局部区域相关信息的图像编辑算法. 首先, 获取图像编辑区域和剩余区域的掩码, 使用预训练的StyleGAN2模型和掩码分别得到编辑区域和剩余区域的雅可比矩阵; 然后, 基于图像编辑区域变化最大和剩余区域变化最小的编辑思想, 将局部区域的语义发现制定为双层优化问题; 最后, 借助最优运输理论, 构建能够利用图像编辑区域和剩余区域相关信息来获取语义方向的算法, 该算法不仅具有闭合解而且效率较高. 实验结果表明, 与主流的局部图像编辑算法LowRankGAN、ReSeFa和SDFlow算法相比, 在编辑人脸图像中的嘴巴、眼睛等局部区域时, 本文算法能够很自然地模拟图像闭塞内容以及实现自然的图像编辑, 在保证了编辑后的图像质量的同时, 也实现了图像局部区域编辑, 证实了算法的可控性和有效性.
针对现有图像编辑方法存在编辑结果不自然、不能很好模拟图像闭塞内容的问题, 提出基于局部区域相关信息的图像编辑算法. 首先, 获取图像编辑区域和剩余区域的掩码, 使用预训练的StyleGAN2模型和掩码分别得到编辑区域和剩余区域的雅可比矩阵; 然后, 基于图像编辑区域变化最大和剩余区域变化最小的编辑思想, 将局部区域的语义发现制定为双层优化问题; 最后, 借助最优运输理论, 构建能够利用图像编辑区域和剩余区域相关信息来获取语义方向的算法, 该算法不仅具有闭合解而且效率较高. 实验结果表明, 与主流的局部图像编辑算法LowRankGAN、ReSeFa和SDFlow算法相比, 在编辑人脸图像中的嘴巴、眼睛等局部区域时, 本文算法能够很自然地模拟图像闭塞内容以及实现自然的图像编辑, 在保证了编辑后的图像质量的同时, 也实现了图像局部区域编辑, 证实了算法的可控性和有效性.
优先出版日期: 2025-04-30
,DOI: 10.15888/j.cnki.csa.009880
摘要：
我国作为一个人口众多的农业大国, 农作物的种植面积在预测我国的粮食产量和确保粮食安全方面起着至关重要的作用. 但是传统图像分割技术在提取遥感影像中地物信息时耗时费力, 且未必能达到好的效果, 为解决此类问题, 本文用深度学习方法研究对高清遥感影像中的多种农作物进行精细化分类提取, 本研究以合肥市周边地区农田中的水稻、玉米、大豆这3种农作物为实验样本. 在研究中, 本文提出一种改进的U-Net网络模型来对农作物进行提取的方法, 使提取精度达94.86%. 为了实现对农作物边界的进一步优化, 本文使用CascadePSP边缘优化算法对实验结果进行细化, 使提取精度高达96.72%. 实验结果表明, 本文的改进U-Net与CascadePSP算法结合, 使高清遥感影像中农作物的提取效果, 优于大多数深度学习模型.
我国作为一个人口众多的农业大国, 农作物的种植面积在预测我国的粮食产量和确保粮食安全方面起着至关重要的作用. 但是传统图像分割技术在提取遥感影像中地物信息时耗时费力, 且未必能达到好的效果, 为解决此类问题, 本文用深度学习方法研究对高清遥感影像中的多种农作物进行精细化分类提取, 本研究以合肥市周边地区农田中的水稻、玉米、大豆这3种农作物为实验样本. 在研究中, 本文提出一种改进的U-Net网络模型来对农作物进行提取的方法, 使提取精度达94.86%. 为了实现对农作物边界的进一步优化, 本文使用CascadePSP边缘优化算法对实验结果进行细化, 使提取精度高达96.72%. 实验结果表明, 本文的改进U-Net与CascadePSP算法结合, 使高清遥感影像中农作物的提取效果, 优于大多数深度学习模型.
优先出版日期: 2025-04-30
,DOI: 10.15888/j.cnki.csa.009938
摘要：
在无人机自主避障任务中, 传统强化学习算法往往面临状态空间高维、信息稀疏以及探索效率低下等挑战. 现有的SAC算法虽然具备较强的稳定性和样本效率, 但在复杂环境下的表现仍显不足. 为此, 本文提出了一种基于注意力机制SE和随机网络蒸馏RND模块改进的SAC算法, 旨在提升无人机在三维地形环境中的自主避障能力. 注意力机制SE通过自适应调整特征图的通道权重, 增强了模型对重要信息的关注能力, 从而提升了特征表达的有效性; 而改进的RND网络则通过生成对抗目标, 鼓励探索新环境, 丰富了样本的多样性和改善了收集效率. 基于上述的SE和RND, 我们构建了一个增强特征表达和探索的SAC (EFRE-SAC) 框架, 使得无人机能够更有效地从深度图像中学习环境特征, 并在三维环境中快速适应. 在AirSim+UE4仿真平台的实验结果表明, 所提出的改进方法显著提高了无人机的避障成功率和训练效率, 验证了改进的SE和RND模块在强化学习任务中的有效性.
在无人机自主避障任务中, 传统强化学习算法往往面临状态空间高维、信息稀疏以及探索效率低下等挑战. 现有的SAC算法虽然具备较强的稳定性和样本效率, 但在复杂环境下的表现仍显不足. 为此, 本文提出了一种基于注意力机制SE和随机网络蒸馏RND模块改进的SAC算法, 旨在提升无人机在三维地形环境中的自主避障能力. 注意力机制SE通过自适应调整特征图的通道权重, 增强了模型对重要信息的关注能力, 从而提升了特征表达的有效性; 而改进的RND网络则通过生成对抗目标, 鼓励探索新环境, 丰富了样本的多样性和改善了收集效率. 基于上述的SE和RND, 我们构建了一个增强特征表达和探索的SAC (EFRE-SAC) 框架, 使得无人机能够更有效地从深度图像中学习环境特征, 并在三维环境中快速适应. 在AirSim+UE4仿真平台的实验结果表明, 所提出的改进方法显著提高了无人机的避障成功率和训练效率, 验证了改进的SE和RND模块在强化学习任务中的有效性.
优先出版日期: 2025-04-30
,DOI: 10.15888/j.cnki.csa.009902
摘要：
传统文献特征提取方法通常依赖于单一维度的领域特征, 难以准确预测细化的文献研究领域关联程度. 细化的关联程度预测要求提取极高精度的领域关联特征, 但在多维度提取过程中很容易出现过平滑问题, 进而导致错误的领域关联程度预测, 使得量化精度较低. 为解决上述问题, 本文提出了一种基于多维特征融合的文献研究领域关联程度量化方法. 首先, 在传统Doc2Vec模型提取文献语义内容特征的基础上, 构建多个关联维度图并赋予相应权重, 以提高结构关联特征的全面性. 其次, 在图学习模块中引入多通道传播策略和自适应聚合机制, 通过优化节点关联特征的聚合方式, 缓解了传统GCN的过平滑问题, 从而实现不同文献间精确的研究领域关联. 最后, 通过构建覆盖学者多维关联特征向量空间的最小n维球模型, 定量评估跨领域学者科研能力. 在大规模真实文献数据集上的实验结果表明, 该方法的带误差容限准确率(tolerance-aware accuracy, TAA)达到0.68, 比Doc2Vec、GCN和Sentence-BERT模型分别高出0.67、0.08和0.02, 且在不同的图神经网络模型中性能波动较小, 证明了所提方法在精度和稳定性方面均优于近年主流的基线模型.
传统文献特征提取方法通常依赖于单一维度的领域特征, 难以准确预测细化的文献研究领域关联程度. 细化的关联程度预测要求提取极高精度的领域关联特征, 但在多维度提取过程中很容易出现过平滑问题, 进而导致错误的领域关联程度预测, 使得量化精度较低. 为解决上述问题, 本文提出了一种基于多维特征融合的文献研究领域关联程度量化方法. 首先, 在传统Doc2Vec模型提取文献语义内容特征的基础上, 构建多个关联维度图并赋予相应权重, 以提高结构关联特征的全面性. 其次, 在图学习模块中引入多通道传播策略和自适应聚合机制, 通过优化节点关联特征的聚合方式, 缓解了传统GCN的过平滑问题, 从而实现不同文献间精确的研究领域关联. 最后, 通过构建覆盖学者多维关联特征向量空间的最小n维球模型, 定量评估跨领域学者科研能力. 在大规模真实文献数据集上的实验结果表明, 该方法的带误差容限准确率(tolerance-aware accuracy, TAA)达到0.68, 比Doc2Vec、GCN和Sentence-BERT模型分别高出0.67、0.08和0.02, 且在不同的图神经网络模型中性能波动较小, 证明了所提方法在精度和稳定性方面均优于近年主流的基线模型.
优先出版日期: 2025-04-30
,DOI: 10.15888/j.cnki.csa.009903
摘要：
知识追踪技术可以对学生题目作答序列等数据进行分析, 从而准确预测学生的知识点掌握状况, 以帮助教育管理者更精确地对学生进行教学干预, 提升学生的学习效果. 随着时间的推移, 知识追踪技术已经成为实现智能教育目标的重要辅助手段, 并在智能教育领域得到了广泛应用. 本综述主要研究智能教育领域的知识追踪技术发展现状. 首先, 本综述对知识追踪技术进行了概念界定; 随后, 分析了两类智能教育领域的知识追踪模型及其存在的问题, 同步总结了国内外研究者对这些问题的应对策略; 接下来, 探讨了智能教育领域知识追踪模型的实际应用场景; 最后, 明确指出了智能教育领域的知识追踪模型面临的各种挑战, 并对其未来发展进行了展望.
知识追踪技术可以对学生题目作答序列等数据进行分析, 从而准确预测学生的知识点掌握状况, 以帮助教育管理者更精确地对学生进行教学干预, 提升学生的学习效果. 随着时间的推移, 知识追踪技术已经成为实现智能教育目标的重要辅助手段, 并在智能教育领域得到了广泛应用. 本综述主要研究智能教育领域的知识追踪技术发展现状. 首先, 本综述对知识追踪技术进行了概念界定; 随后, 分析了两类智能教育领域的知识追踪模型及其存在的问题, 同步总结了国内外研究者对这些问题的应对策略; 接下来, 探讨了智能教育领域知识追踪模型的实际应用场景; 最后, 明确指出了智能教育领域的知识追踪模型面临的各种挑战, 并对其未来发展进行了展望.
优先出版日期: 2025-04-30
,DOI: 10.15888/j.cnki.csa.009898
摘要：
随着互联网广告市场的快速增长, 精准的广告推荐变得至关重要. 如何有效学习用户特征和广告特征之间交互是点击率(CTR)与转化率(CVR)预测任务的关键. 然而, 现有的点击率与转化率预测模型存在特征依赖性偏差和广告语义信息挖掘不足的问题. 为此, 本文提出了一种知识图谱增强的广告推荐算法(knowledge graph-enhanced advertisement recommendation algorithm, KGEARA). 该算法通过构建知识图谱将结构化数据转化为三元组的形式, 有效地整合广告特征信息并捕捉广告间的关联性. 通过知识图谱表示学习将这些特征转化为嵌入表示, 以融合广告的语义特征并捕捉交互细节. 进一步利用广告特征嵌入与其他特征嵌入结合, 通过专家网络、门控网络和任务塔预测点击率和转化率, 并引入逆向倾向评分(IPS)处理点击倾向不均的问题, 以纠正预测偏差. 在广告真实数据集上进行了广泛实验, 实验结果验证了模型在提升CTR和CVR预测准确性方面的有效性.
随着互联网广告市场的快速增长, 精准的广告推荐变得至关重要. 如何有效学习用户特征和广告特征之间交互是点击率(CTR)与转化率(CVR)预测任务的关键. 然而, 现有的点击率与转化率预测模型存在特征依赖性偏差和广告语义信息挖掘不足的问题. 为此, 本文提出了一种知识图谱增强的广告推荐算法(knowledge graph-enhanced advertisement recommendation algorithm, KGEARA). 该算法通过构建知识图谱将结构化数据转化为三元组的形式, 有效地整合广告特征信息并捕捉广告间的关联性. 通过知识图谱表示学习将这些特征转化为嵌入表示, 以融合广告的语义特征并捕捉交互细节. 进一步利用广告特征嵌入与其他特征嵌入结合, 通过专家网络、门控网络和任务塔预测点击率和转化率, 并引入逆向倾向评分(IPS)处理点击倾向不均的问题, 以纠正预测偏差. 在广告真实数据集上进行了广泛实验, 实验结果验证了模型在提升CTR和CVR预测准确性方面的有效性.
优先出版日期: 2025-04-30
,DOI: 10.15888/j.cnki.csa.009867
摘要：
皮肤衰老问题日渐引起关注, 皱纹可以有效反馈皮肤抗衰老治疗进程, 还可以反映人的生活方式、提供关于皮肤健康状况的信息. 现有皱纹检测算法受到人脸五官及图片背景的影响, 需要将面部区域切割成多个模块后才能进行检测, 且仅能在额头处水平方向皱纹的检测中展现出较好的结果, 具有较强的局限性. 针对上述问题, 本文提出一种基于改进DeepLabv3+和半自动标签策略的面部皱纹检测算法, 主要创新点包括: (1) 结合面部纹理特征和皮肤科医生对皱纹的人工标注生成深度学习所需的目标数据集标签; (2) 使用轻量级的MobileNetV2网络作为模型的主干网络, 以降低网络参数量和计算量; (3) 加入混合注意力机制, 增强特征提取能力. 最终, 使用原始图像和生成标签训练所构建的学习模型, 实现面部皱纹检测. 采用Jaccard相似性指数对本文方法的准确性进行评估. 实验结果表明, 所提出算法相较传统算法、U-Net网络、HRNetV2网络、PSPNet网络和原始DeepLabv3+网络显示出更好的性能.
皮肤衰老问题日渐引起关注, 皱纹可以有效反馈皮肤抗衰老治疗进程, 还可以反映人的生活方式、提供关于皮肤健康状况的信息. 现有皱纹检测算法受到人脸五官及图片背景的影响, 需要将面部区域切割成多个模块后才能进行检测, 且仅能在额头处水平方向皱纹的检测中展现出较好的结果, 具有较强的局限性. 针对上述问题, 本文提出一种基于改进DeepLabv3+和半自动标签策略的面部皱纹检测算法, 主要创新点包括: (1) 结合面部纹理特征和皮肤科医生对皱纹的人工标注生成深度学习所需的目标数据集标签; (2) 使用轻量级的MobileNetV2网络作为模型的主干网络, 以降低网络参数量和计算量; (3) 加入混合注意力机制, 增强特征提取能力. 最终, 使用原始图像和生成标签训练所构建的学习模型, 实现面部皱纹检测. 采用Jaccard相似性指数对本文方法的准确性进行评估. 实验结果表明, 所提出算法相较传统算法、U-Net网络、HRNetV2网络、PSPNet网络和原始DeepLabv3+网络显示出更好的性能.
优先出版日期: 2025-04-30
,DOI: 10.15888/j.cnki.csa.009874
摘要：
动态二进制翻译在跨平台移植和兼容性方面具有重要应用, 但现有方法面临翻译效率和资源开销的挑战. 本文提出一种基于机器学习的动态二进制指令集翻译方法. 该方法的创新点在于将机器学习二进制分析、神经机器翻译技术融合为动态二进制翻译系统, 构建了一个高效精准的指令集翻译框架. 方法包括: 利用预训练模型捕获指令级语义信息、训练Transformer架构的神经翻译模型来实现指令映射, 最终通过形式化验证, 将机器学习方法生成映射与动态二进制翻译系统进行集成. SPEC CPU 2006基准测试结果表明, 该方法在翻译规则覆盖率和运行效率方面优于现有方法, 为动态二进制翻译系统优化提供了新思路.
动态二进制翻译在跨平台移植和兼容性方面具有重要应用, 但现有方法面临翻译效率和资源开销的挑战. 本文提出一种基于机器学习的动态二进制指令集翻译方法. 该方法的创新点在于将机器学习二进制分析、神经机器翻译技术融合为动态二进制翻译系统, 构建了一个高效精准的指令集翻译框架. 方法包括: 利用预训练模型捕获指令级语义信息、训练Transformer架构的神经翻译模型来实现指令映射, 最终通过形式化验证, 将机器学习方法生成映射与动态二进制翻译系统进行集成. SPEC CPU 2006基准测试结果表明, 该方法在翻译规则覆盖率和运行效率方面优于现有方法, 为动态二进制翻译系统优化提供了新思路.
优先出版日期: 2025-04-30
,DOI: 10.15888/j.cnki.csa.009876
摘要：
本研究针对膝关节软骨MRI分割中标注数据稀缺的问题, 提出了一种多层次膝关节软骨图像分割网络. 该网络采用医学注意力机制, 并融合条件随机场, 形成了具有层次化注意力的架构. 通过将数据流分为全局流和局部流, 本网络能够同时捕获图像的全局特征和局部细节, 从而提升分割的准确性. 此外, 为了降低计算负担, 我们引入了轴向注意力机制, 有效地简化了计算过程并减少了模型参数. 通过层次化分割策略和条件随机场的整合, 网络能够更深入地挖掘类别间的相互依赖性, 提高了对关键特征的捕获能力. 在两个公共数据集K-Space和MOST上的实验验证了所提方法的有效性. 实验结果表明, 即使在数据标注有限的情况下, 本方法也能实现高精度的膝关节软骨图像分割. 与当前先进方法相比, 本研究的方法在Dice相似系数(DSC)和95% Hausdorff距离(95HD)等评价指标上均展现出显著优势.
本研究针对膝关节软骨MRI分割中标注数据稀缺的问题, 提出了一种多层次膝关节软骨图像分割网络. 该网络采用医学注意力机制, 并融合条件随机场, 形成了具有层次化注意力的架构. 通过将数据流分为全局流和局部流, 本网络能够同时捕获图像的全局特征和局部细节, 从而提升分割的准确性. 此外, 为了降低计算负担, 我们引入了轴向注意力机制, 有效地简化了计算过程并减少了模型参数. 通过层次化分割策略和条件随机场的整合, 网络能够更深入地挖掘类别间的相互依赖性, 提高了对关键特征的捕获能力. 在两个公共数据集K-Space和MOST上的实验验证了所提方法的有效性. 实验结果表明, 即使在数据标注有限的情况下, 本方法也能实现高精度的膝关节软骨图像分割. 与当前先进方法相比, 本研究的方法在Dice相似系数(DSC)和95% Hausdorff距离(95HD)等评价指标上均展现出显著优势.
优先出版日期: 2025-04-28
,DOI: 10.15888/j.cnki.csa.009855
摘要：
扩散模型的发展使得高质量图像生成变得更加便捷, 但同时引发了生成图像的版权保护问题. 现有研究通常在扩散过程中隐秘性地嵌入水印, 以提升水印鲁棒性. 然而, 目前现有基于扩散过程的水印方案集中于嵌入固定水印, 无法满足用户对水印多样化的需求. 此外, 还存在被恶意用户更换解码器规避水印的风险. 为了解决上述问题, 本文提出了基于LoRA的双阶段扩散模型水印方案. 首先, 该方案在水印编解码预训练阶段训练出水印编解码器, 保证水印嵌入的稳定性; 然后, 在U-Net微调阶段通过LoRA和自适应注意力机制, 使U-Net在保持生成质量的同时学习到第1阶段的水印模式, 实现多用户定制化. 实验表明, 该方案在图像一致性和水印鲁棒性上均优于现有方法. 在图像攻击下, 水印图像的FID距离提高了0.61%, 平均提取精度提升了4.9%.
扩散模型的发展使得高质量图像生成变得更加便捷, 但同时引发了生成图像的版权保护问题. 现有研究通常在扩散过程中隐秘性地嵌入水印, 以提升水印鲁棒性. 然而, 目前现有基于扩散过程的水印方案集中于嵌入固定水印, 无法满足用户对水印多样化的需求. 此外, 还存在被恶意用户更换解码器规避水印的风险. 为了解决上述问题, 本文提出了基于LoRA的双阶段扩散模型水印方案. 首先, 该方案在水印编解码预训练阶段训练出水印编解码器, 保证水印嵌入的稳定性; 然后, 在U-Net微调阶段通过LoRA和自适应注意力机制, 使U-Net在保持生成质量的同时学习到第1阶段的水印模式, 实现多用户定制化. 实验表明, 该方案在图像一致性和水印鲁棒性上均优于现有方法. 在图像攻击下, 水印图像的FID距离提高了0.61%, 平均提取精度提升了4.9%.
优先出版日期: 2025-04-28
,DOI: 10.15888/j.cnki.csa.009862
摘要：
水下目标检测是水下作业中不可或缺的重要技术. 针对水下图像中背景复杂、待检测目标大小形状不同及存在重叠与遮挡等问题, 本文提出了一种基于双分支卷积网络的水下目标检测算法. 首先, 采用两个并行卷积神经网络作为骨干网络, 其中一个分支引入ECA注意力机制, 另一个分支采用可形变卷积, 以提高模型的特征提取能力. 其次, 使用AFF模块有效融合两个分支提取到的特征. 最后, 采用PANet金字塔结构作为颈部网络, 实现多尺度特征融合, 同时增加高分辨率检测头, 以进一步提高对小目标的敏感性. 本文在公开水下数据集RUOD上进行对比实验, 结果表明, 本文的改进算法在RUOD数据集上的mAP50达到了86.8%, 相较于基准YOLOv8n模型提升了2.7%, 并且相比于同规模的其他常见目标检测模型表现更优.
水下目标检测是水下作业中不可或缺的重要技术. 针对水下图像中背景复杂、待检测目标大小形状不同及存在重叠与遮挡等问题, 本文提出了一种基于双分支卷积网络的水下目标检测算法. 首先, 采用两个并行卷积神经网络作为骨干网络, 其中一个分支引入ECA注意力机制, 另一个分支采用可形变卷积, 以提高模型的特征提取能力. 其次, 使用AFF模块有效融合两个分支提取到的特征. 最后, 采用PANet金字塔结构作为颈部网络, 实现多尺度特征融合, 同时增加高分辨率检测头, 以进一步提高对小目标的敏感性. 本文在公开水下数据集RUOD上进行对比实验, 结果表明, 本文的改进算法在RUOD数据集上的mAP50达到了86.8%, 相较于基准YOLOv8n模型提升了2.7%, 并且相比于同规模的其他常见目标检测模型表现更优.
优先出版日期: 2025-04-28
,DOI: 10.15888/j.cnki.csa.009863
摘要：
第三方库是软件开发中关键的可复用资源, 它们显著减轻开发人员重复实现常见功能的负担, 从而进一步提高开发效率. 然而, 这些库的迭代更新可能导致在Python项目中使用过时的版本, 进而引发依赖冲突问题从而导致项目构建失败, 而开发人员往往对此风险缺乏足够认识. 为了解决这个问题, 本文对103个Python开源项目的第三方库更新及依赖冲突问题进行了全面的定量分析. 研究不仅关注了第三方库的版本更新频率, 还从项目角度深入探讨依赖冲突问题的具体表现形式. 基于实证研究, 本文提出了一种面向用户需求的Python库依赖冲突检测和解决方法, 旨在通过解决依赖冲突问题来简化开发人员的决策过程. 实验结果表明该方法在检测和解决依赖冲突方面具有显著优势和实用性.
第三方库是软件开发中关键的可复用资源, 它们显著减轻开发人员重复实现常见功能的负担, 从而进一步提高开发效率. 然而, 这些库的迭代更新可能导致在Python项目中使用过时的版本, 进而引发依赖冲突问题从而导致项目构建失败, 而开发人员往往对此风险缺乏足够认识. 为了解决这个问题, 本文对103个Python开源项目的第三方库更新及依赖冲突问题进行了全面的定量分析. 研究不仅关注了第三方库的版本更新频率, 还从项目角度深入探讨依赖冲突问题的具体表现形式. 基于实证研究, 本文提出了一种面向用户需求的Python库依赖冲突检测和解决方法, 旨在通过解决依赖冲突问题来简化开发人员的决策过程. 实验结果表明该方法在检测和解决依赖冲突方面具有显著优势和实用性.
优先出版日期: 2025-04-28
,DOI: 10.15888/j.cnki.csa.009864
摘要：
针对现阶段实时语义分割方法模型冗余度高, 计算成本高和准确率低的问题, 本文提出了一种基于深度语义引导和注意力融合的实时语义分割方法. 采用MobileNetV3作为主干网络, 并在此基础上引入深度双分支并行操作, 使用语义分支指导修正空间分支中的像素点, 在不额外增加参数量的情况下增强了空间分支的细节特征. 此外, 引入注意力融合模块, 使用多尺度分支并行的子结构实现即时响应计算, 并提供一种跨空间信息聚合的方法以提高分割精度. 该方法在Cityscapes和CamVid数据集上以81.2 f/s和147.6 f/s的推理速度分别达到了75.2%和77.4%的MIoU, 同时参数量仅为3.4M. 实验结果表明, 本文方法在保持较少网络参数量的同时, 更好地权衡了语义分割的精度与速度.
针对现阶段实时语义分割方法模型冗余度高, 计算成本高和准确率低的问题, 本文提出了一种基于深度语义引导和注意力融合的实时语义分割方法. 采用MobileNetV3作为主干网络, 并在此基础上引入深度双分支并行操作, 使用语义分支指导修正空间分支中的像素点, 在不额外增加参数量的情况下增强了空间分支的细节特征. 此外, 引入注意力融合模块, 使用多尺度分支并行的子结构实现即时响应计算, 并提供一种跨空间信息聚合的方法以提高分割精度. 该方法在Cityscapes和CamVid数据集上以81.2 f/s和147.6 f/s的推理速度分别达到了75.2%和77.4%的MIoU, 同时参数量仅为3.4M. 实验结果表明, 本文方法在保持较少网络参数量的同时, 更好地权衡了语义分割的精度与速度.
优先出版日期: 2025-04-28
,DOI: 10.15888/j.cnki.csa.009869
摘要：
针对传统基于阅读理解框架的命名实体识别 (NER)方法存在的单条样本实体数量稀释以及在预测实体头尾时缺乏对实体完整位置信息的利用这两方面问题, 本文基于阅读理解框架提出一种融合实体头尾关键特征的医学文本命名实体识别模型 (integrate key feature of entity start and end position, IKFSE). 首先, 设计一种实体头尾关键特征提取模块, 提取出针对医学实体起始位置和结束位置的关键特征, 减少冗余信息对模型的影响; 其次, 设计一种实体头尾特征交叉融合模块, 在对实体起始位置和结束位置进行预测时分别引入二者对彼此的影响, 从而引入实体完整的位置信息, 提高模型的语义表征能力. 在cEHRNER和CCKS2017两个公开数据集上将IKFSE与多个主流序列标注模型和阅读理解模型相比, 结果表明本文所提方法在中文医学NER任务中有着更好的性能.
针对传统基于阅读理解框架的命名实体识别 (NER)方法存在的单条样本实体数量稀释以及在预测实体头尾时缺乏对实体完整位置信息的利用这两方面问题, 本文基于阅读理解框架提出一种融合实体头尾关键特征的医学文本命名实体识别模型 (integrate key feature of entity start and end position, IKFSE). 首先, 设计一种实体头尾关键特征提取模块, 提取出针对医学实体起始位置和结束位置的关键特征, 减少冗余信息对模型的影响; 其次, 设计一种实体头尾特征交叉融合模块, 在对实体起始位置和结束位置进行预测时分别引入二者对彼此的影响, 从而引入实体完整的位置信息, 提高模型的语义表征能力. 在cEHRNER和CCKS2017两个公开数据集上将IKFSE与多个主流序列标注模型和阅读理解模型相比, 结果表明本文所提方法在中文医学NER任务中有着更好的性能.
优先出版日期: 2025-04-25
,DOI: 10.15888/j.cnki.csa.009900
摘要：
在深度强化学习领域, 特别是在高维连续的任务中, 如何高效利用有限的训练数据, 避免过拟合, 同时提高模型的泛化能力, 是一个重要的研究课题. 传统的强化学习算法通常采用单一经验池机制, 这种方法在处理高维连续状态和动作空间时, 往往面临探索效率低下和样本利用率不足的问题. 一种基于样本独特性的强化学习经验回放机制DER (distinctive experience replay)被提出, 该机制通过选择具有显著独特性的样本进行经验回放, DER的核心思想是在训练过程中识别并选择具有显著独特性的样本, 将其存储在专门的独特性样本经验池中. 该机制不仅能够有效利用多样化的样本, 避免神经网路过拟合, 还能提高智能体在复杂环境中的学习效率和决策质量. 实验结果表明, DER在经典强化学习环境中显著提高了智能体的学习效率和最终性能.
在深度强化学习领域, 特别是在高维连续的任务中, 如何高效利用有限的训练数据, 避免过拟合, 同时提高模型的泛化能力, 是一个重要的研究课题. 传统的强化学习算法通常采用单一经验池机制, 这种方法在处理高维连续状态和动作空间时, 往往面临探索效率低下和样本利用率不足的问题. 一种基于样本独特性的强化学习经验回放机制DER (distinctive experience replay)被提出, 该机制通过选择具有显著独特性的样本进行经验回放, DER的核心思想是在训练过程中识别并选择具有显著独特性的样本, 将其存储在专门的独特性样本经验池中. 该机制不仅能够有效利用多样化的样本, 避免神经网路过拟合, 还能提高智能体在复杂环境中的学习效率和决策质量. 实验结果表明, DER在经典强化学习环境中显著提高了智能体的学习效率和最终性能.
优先出版日期: 2025-04-25
,DOI: 10.15888/j.cnki.csa.009888
摘要：
随着互联网的普及, 越来越多用户倾向于在社交平台公开表达自己的个人细节和情感内容, 这些网络文本数据往往体现着不同场景下的真实表达, 反映了用户内在的心理特质及人格倾向. 近年来, 基于社交文本的人格检测研究取得了显著进展, 然而, 研究者们大多直接使用未经处理的公开数据集, 这些数据集因其收集过程导致不可避免地存在噪声, 此外, 大多过分依赖预训练模型提取的文本语义特征, 而缺乏对心理语言学特征的引入. 为了解决以上问题, 提出一种新型的人格检测研究方法. 该方法首先基于置信学习完成噪声数据清洗, 提高数据集质量. 其次, 提取多层次心理语言学特征来填补单一文本语义特征的不足. 最后通过动态深度图卷积网络来优化特征表达, 完成最终的人格检测任务. 在公开的Kaggle MBTI数据集上对该方法进行性能评估, 结果表明, 与目前先进的方法相比, 该方法在准确率和F1值上分别提升了5.48%和4.22%.
随着互联网的普及, 越来越多用户倾向于在社交平台公开表达自己的个人细节和情感内容, 这些网络文本数据往往体现着不同场景下的真实表达, 反映了用户内在的心理特质及人格倾向. 近年来, 基于社交文本的人格检测研究取得了显著进展, 然而, 研究者们大多直接使用未经处理的公开数据集, 这些数据集因其收集过程导致不可避免地存在噪声, 此外, 大多过分依赖预训练模型提取的文本语义特征, 而缺乏对心理语言学特征的引入. 为了解决以上问题, 提出一种新型的人格检测研究方法. 该方法首先基于置信学习完成噪声数据清洗, 提高数据集质量. 其次, 提取多层次心理语言学特征来填补单一文本语义特征的不足. 最后通过动态深度图卷积网络来优化特征表达, 完成最终的人格检测任务. 在公开的Kaggle MBTI数据集上对该方法进行性能评估, 结果表明, 与目前先进的方法相比, 该方法在准确率和F1值上分别提升了5.48%和4.22%.
优先出版日期: 2025-04-25
,DOI: 10.15888/j.cnki.csa.009892
摘要：
为了解决现有图像篡改检测方法在检测定位性能与鲁棒性方面的不足, 本文提出了一种多尺度感知学习网络(MsPL-Net). 首先, 为了扩展感受野并解决图像后处理和操作类型多样导致的鲁棒性弱的难题, 提出了一种分层密集链接多尺度扩展卷积模块(MSDCM). 该模块可放大感受野以捕捉多尺度特征信息, 同时保持输入图像的高分辨率表示, 无缝提取复杂的图像细节和边缘信息. 其次, 为了解决篡改大小敏感性导致的篡改边缘位置模糊问题, 提出了一种由全局注意力、局部注意力和门控特征调节器组成的信息互补感知注意力模块 (ICPAM). 全局注意可以捕捉图像的整体形状、结构或背景信息, 而局部注意可以学习图像的局部区域和具体细节, 两者交互融合, 提高定位精度. 门控特征调节器采用精细嵌入从全局和局部特征图中过滤出不相关的特征和噪声响应, 引导下游识别和学习由不同篡改技术引起的异常纹理、边缘变化和其他特征信息. 最后, 设计一种新的联合损失函数, 进一步提高网络的检测性能和定位准确率. 相较于最新工作, 本文方法的检测准确率提高了2.3%. 此外, 在鲁棒性和泛化性上同样表现出较好的性能, 以及篡改区域定位更精确和清晰.
为了解决现有图像篡改检测方法在检测定位性能与鲁棒性方面的不足, 本文提出了一种多尺度感知学习网络(MsPL-Net). 首先, 为了扩展感受野并解决图像后处理和操作类型多样导致的鲁棒性弱的难题, 提出了一种分层密集链接多尺度扩展卷积模块(MSDCM). 该模块可放大感受野以捕捉多尺度特征信息, 同时保持输入图像的高分辨率表示, 无缝提取复杂的图像细节和边缘信息. 其次, 为了解决篡改大小敏感性导致的篡改边缘位置模糊问题, 提出了一种由全局注意力、局部注意力和门控特征调节器组成的信息互补感知注意力模块 (ICPAM). 全局注意可以捕捉图像的整体形状、结构或背景信息, 而局部注意可以学习图像的局部区域和具体细节, 两者交互融合, 提高定位精度. 门控特征调节器采用精细嵌入从全局和局部特征图中过滤出不相关的特征和噪声响应, 引导下游识别和学习由不同篡改技术引起的异常纹理、边缘变化和其他特征信息. 最后, 设计一种新的联合损失函数, 进一步提高网络的检测性能和定位准确率. 相较于最新工作, 本文方法的检测准确率提高了2.3%. 此外, 在鲁棒性和泛化性上同样表现出较好的性能, 以及篡改区域定位更精确和清晰.
优先出版日期: 2025-04-25
,DOI: 10.15888/j.cnki.csa.009883
摘要：
全景切片图像中, 肾脏组织在形态上形状不规则, 大小差异显著, 在类别上不同的肾脏组织会有相似的纹理和结构, 并且还会存在类别不平衡的问题. 针对上述问题, 提出轻量级肾脏病理组织分割网络ASRMU-Net. 首先在网络浅层引入空间重构单元(SSRU), 利用平均值和最大值捕捉肾脏组织不同的空间信息, 通过门控机制和卷积操作自适应地重建空间特征, 通过交叉重组增强有用特征; 其次在网络中间层构建ASRM模块, 利用空间和通道的特征重建与融合, 增强特征表达能力; 接着在网络深层引入通道重构单元(CSRU), 采用自适应通道拆分、压缩与深度可分离卷积相结合的策略, 通过融合高维和低维特征, 并通过自适应加权重建, 从而有效区分有相似纹理和结构的不同组织; 最后通过改进损失函数来优化模型, 减轻类别不平衡的影响. 改进网络在间质纤维化数据集的MDice和MIoU为85.4%和74.8%, 在AIDPATH数据集上的MDice和MIoU为96.1%和92.4%. 结果表明, 改进网络以较少的参数量实现了比其他医学分割模型更高的分割精度.
全景切片图像中, 肾脏组织在形态上形状不规则, 大小差异显著, 在类别上不同的肾脏组织会有相似的纹理和结构, 并且还会存在类别不平衡的问题. 针对上述问题, 提出轻量级肾脏病理组织分割网络ASRMU-Net. 首先在网络浅层引入空间重构单元(SSRU), 利用平均值和最大值捕捉肾脏组织不同的空间信息, 通过门控机制和卷积操作自适应地重建空间特征, 通过交叉重组增强有用特征; 其次在网络中间层构建ASRM模块, 利用空间和通道的特征重建与融合, 增强特征表达能力; 接着在网络深层引入通道重构单元(CSRU), 采用自适应通道拆分、压缩与深度可分离卷积相结合的策略, 通过融合高维和低维特征, 并通过自适应加权重建, 从而有效区分有相似纹理和结构的不同组织; 最后通过改进损失函数来优化模型, 减轻类别不平衡的影响. 改进网络在间质纤维化数据集的MDice和MIoU为85.4%和74.8%, 在AIDPATH数据集上的MDice和MIoU为96.1%和92.4%. 结果表明, 改进网络以较少的参数量实现了比其他医学分割模型更高的分割精度.
优先出版日期: 2025-04-25
,DOI: 10.15888/j.cnki.csa.009887
摘要：
高光谱图像每个像素波段的关联性强, 在进行识别的过程中容易出现同谱异物的问题, 并且像素波段的维度也较高, 传统的模型难以在光谱空间和二维空间之间建立有效的特征关联. 针对这些问题, 本文提出一种结合分层深度可分离卷积与图卷积和分组自注意力(group separable self-attention, GSA)机制多尺度特征融合(SSG-VIT)的高光谱图像分类模型. 首先利用分层深度可分离卷积这种分层次的结构用不同大小的卷积核多尺度的提取高光谱图像中的局部空间特征并利用GSA捕获全局空间特征关系, 同时并行引入图卷积模块针对高光谱图像的光谱特征进行结构化特征建模去除冗余信息增强光谱特征的表达能力, 最后采用自适应特征融合(adaptive feature fusion, AFF)机制进行融合. 模型在Indian pines、Salinas、Botswana这3个高光谱数据集上进行了多次实验, 结果显示本模型的总体精度(OA), 分别达到了99.32%、99.67%、99.69%.
高光谱图像每个像素波段的关联性强, 在进行识别的过程中容易出现同谱异物的问题, 并且像素波段的维度也较高, 传统的模型难以在光谱空间和二维空间之间建立有效的特征关联. 针对这些问题, 本文提出一种结合分层深度可分离卷积与图卷积和分组自注意力(group separable self-attention, GSA)机制多尺度特征融合(SSG-VIT)的高光谱图像分类模型. 首先利用分层深度可分离卷积这种分层次的结构用不同大小的卷积核多尺度的提取高光谱图像中的局部空间特征并利用GSA捕获全局空间特征关系, 同时并行引入图卷积模块针对高光谱图像的光谱特征进行结构化特征建模去除冗余信息增强光谱特征的表达能力, 最后采用自适应特征融合(adaptive feature fusion, AFF)机制进行融合. 模型在Indian pines、Salinas、Botswana这3个高光谱数据集上进行了多次实验, 结果显示本模型的总体精度(OA), 分别达到了99.32%、99.67%、99.69%.
优先出版日期: 2025-04-01
,DOI: 10.15888/j.cnki.csa.009877
摘要：
道路损坏对道路的使用寿命和安全性构成极大威胁, 及早发现道路损坏有利于进行维护和修理. 传统的道路缺陷检测技术通常依赖于手动视觉检测和车载道路路面监控系统, 然而这些方法在很大程度上受道路维护人员经验的影响. 随着深度学习的发展, 越来越多的研究者将其应用于道路缺陷检测领域, 其中最常见的当属YOLO系列目标检测方法及其各种变体. 但这类方法大多需要进行后处理操作, 这会阻碍模型优化、损害鲁棒性并导致检测器延迟推理. 针对这些问题以及道路缺陷检测中存在的多尺度问题, 本文提出了改进后的RT-DETR模型, 对主干网络的结构进行了微调, 并提出了MSaE注意力机制. 在编码器部分, 使用GhostConv卷积和DySample模块优化了上采样, 使用ADown模块优化了下采样. 本文在公开数据集SVRDD中进行了对比实验. 实验结果表明, 本文提出的改进方法在SVRDD 数据集中的mAP@50指标达到了72.5%, 相较于基准的RT-DETR-R18提高了3.8个百分点, 有效提升了道路缺陷检测能力.
道路损坏对道路的使用寿命和安全性构成极大威胁, 及早发现道路损坏有利于进行维护和修理. 传统的道路缺陷检测技术通常依赖于手动视觉检测和车载道路路面监控系统, 然而这些方法在很大程度上受道路维护人员经验的影响. 随着深度学习的发展, 越来越多的研究者将其应用于道路缺陷检测领域, 其中最常见的当属YOLO系列目标检测方法及其各种变体. 但这类方法大多需要进行后处理操作, 这会阻碍模型优化、损害鲁棒性并导致检测器延迟推理. 针对这些问题以及道路缺陷检测中存在的多尺度问题, 本文提出了改进后的RT-DETR模型, 对主干网络的结构进行了微调, 并提出了MSaE注意力机制. 在编码器部分, 使用GhostConv卷积和DySample模块优化了上采样, 使用ADown模块优化了下采样. 本文在公开数据集SVRDD中进行了对比实验. 实验结果表明, 本文提出的改进方法在SVRDD 数据集中的mAP@50指标达到了72.5%, 相较于基准的RT-DETR-R18提高了3.8个百分点, 有效提升了道路缺陷检测能力.
优先出版日期: 2025-04-01
,DOI: 10.15888/j.cnki.csa.009878
摘要：
为解决复杂背景干扰导致的行人检测精度低和漏检率高的问题, 本文提出一种融合改进注意力的自适应双分支密集行人检测算法DACD-YOLO. 首先, 主干网络采用自适应融合双分支结构, 通过动态权重实现不同特征的融合, 并引入深度可分离卷积降低计算量, 有效缓解传统单分支网络中信息丢失的问题; 其次, 提出自适应视觉中心, 通过动态优化增强层内特征提取, 并重设通道数以平衡精度与计算量; 然后, 提出坐标双通道注意力机制, 结合异构卷积核设计轻量化融合模块, 降低计算复杂度并增强对关键特征的捕捉能力; 最后, 采用膨胀卷积检测头, 通过不同膨胀率卷积融合多尺度特征, 有效增强小目标和遮挡目标的特征提取能力. 实验结果表明, 与原版YOLOv8n相比, 改进算法在WiderPerson数据集上的mAP@0.5和mAP@0.5:0.95分别提高2.3%和2.2%, 在CrowdHuman数据集上mAP@0.5和mAP@0.5:0.95分别提升3.5%和4.6%. 实验证明, 改进算法在密集行人检测方面相较于原算法具有显著的精度提升.
为解决复杂背景干扰导致的行人检测精度低和漏检率高的问题, 本文提出一种融合改进注意力的自适应双分支密集行人检测算法DACD-YOLO. 首先, 主干网络采用自适应融合双分支结构, 通过动态权重实现不同特征的融合, 并引入深度可分离卷积降低计算量, 有效缓解传统单分支网络中信息丢失的问题; 其次, 提出自适应视觉中心, 通过动态优化增强层内特征提取, 并重设通道数以平衡精度与计算量; 然后, 提出坐标双通道注意力机制, 结合异构卷积核设计轻量化融合模块, 降低计算复杂度并增强对关键特征的捕捉能力; 最后, 采用膨胀卷积检测头, 通过不同膨胀率卷积融合多尺度特征, 有效增强小目标和遮挡目标的特征提取能力. 实验结果表明, 与原版YOLOv8n相比, 改进算法在WiderPerson数据集上的mAP@0.5和mAP@0.5:0.95分别提高2.3%和2.2%, 在CrowdHuman数据集上mAP@0.5和mAP@0.5:0.95分别提升3.5%和4.6%. 实验证明, 改进算法在密集行人检测方面相较于原算法具有显著的精度提升.
优先出版日期: 2025-03-24
,DOI: 10.15888/j.cnki.csa.009868
摘要：
由于眼底图像背景复杂、毛细血管细小且模糊以及噪声干扰等原因, 传统视网膜血管分割算法容易出现识别不准确和断连等问题. 针对这些问题, 提出一种基于改进U-Net和注意力机制的视网膜血管分割算法(MRAU-Net). 为解决特征提取不充分问题, 设计了多尺度残差卷积模块(MSRCB)来代替U-Net传统的卷积块; 为了减少信息丢失和噪声干扰, 在瓶颈层嵌入双维注意力优化模块(DAOM); 为了减少在编解码过程中造成的信息丢失, 构建了一种新的多尺度密集空洞卷积块(MDCB), 并与传统的跳跃连接相结合. 在DRIVE和CHASE_DB1两个公开数据集上进行了实验, F1-score分别为82.92%、83.75%, AUC分别为98.87%、98.96%, 灵敏度分别为84.50%、83.82%, 准确率分别为97.11%、97.63%. 实验结果表明MRAU-Net较现有优秀算法拥有更优异的性能表现.
由于眼底图像背景复杂、毛细血管细小且模糊以及噪声干扰等原因, 传统视网膜血管分割算法容易出现识别不准确和断连等问题. 针对这些问题, 提出一种基于改进U-Net和注意力机制的视网膜血管分割算法(MRAU-Net). 为解决特征提取不充分问题, 设计了多尺度残差卷积模块(MSRCB)来代替U-Net传统的卷积块; 为了减少信息丢失和噪声干扰, 在瓶颈层嵌入双维注意力优化模块(DAOM); 为了减少在编解码过程中造成的信息丢失, 构建了一种新的多尺度密集空洞卷积块(MDCB), 并与传统的跳跃连接相结合. 在DRIVE和CHASE_DB1两个公开数据集上进行了实验, F1-score分别为82.92%、83.75%, AUC分别为98.87%、98.96%, 灵敏度分别为84.50%、83.82%, 准确率分别为97.11%、97.63%. 实验结果表明MRAU-Net较现有优秀算法拥有更优异的性能表现.
优先出版日期: 2025-03-24
,DOI: 10.15888/j.cnki.csa.009866
摘要：
现有基于生成对抗模仿学习(GAIL)的轨迹生成方法多采用马尔可夫决策过程(MDP)建模人类移动规律, 在训练数据有限的情况下, 这些工作难以学习到动作选择与位置间的潜在关系, 并且计算状态转移函数时也没有考虑到位置间的距离约束, 生成的轨迹质量有待提升. 为此, 本文提出了一种基于生成对抗模仿学习的轨迹生成方法, 该方法首先将位置相关的动作分布先验知识融入到生成器中, 帮助模型理解在特定位置上动作的变化模式, 指导模型更好地建模符合真实场景的策略函数. 此外, 将距离约束引入到状态转移函数中, 确保生成轨迹的合理性. 在两个真实数据集上进行了实验, 提出的方法在Rank指标上达到了0.0268, 与最好的基线方法相比提高了39%. 此外, 在下一个位置预测任务中, 预测的准确率比最好的基线高了6%.
现有基于生成对抗模仿学习(GAIL)的轨迹生成方法多采用马尔可夫决策过程(MDP)建模人类移动规律, 在训练数据有限的情况下, 这些工作难以学习到动作选择与位置间的潜在关系, 并且计算状态转移函数时也没有考虑到位置间的距离约束, 生成的轨迹质量有待提升. 为此, 本文提出了一种基于生成对抗模仿学习的轨迹生成方法, 该方法首先将位置相关的动作分布先验知识融入到生成器中, 帮助模型理解在特定位置上动作的变化模式, 指导模型更好地建模符合真实场景的策略函数. 此外, 将距离约束引入到状态转移函数中, 确保生成轨迹的合理性. 在两个真实数据集上进行了实验, 提出的方法在Rank指标上达到了0.0268, 与最好的基线方法相比提高了39%. 此外, 在下一个位置预测任务中, 预测的准确率比最好的基线高了6%.
优先出版日期: 2025-03-24
,DOI: 10.15888/j.cnki.csa.009872
摘要：
针对腹部CT图像多器官分割面临的不同器官大小形态不一、相邻器官边界难以确认以及低对比度等挑战问题, 提出一种特征增强的双分支多器官分割模型. 模型总体采取编码器-解码器结构: 编码器采取主/从双分支结构, 主分支使用Mamba捕捉多器官全局依赖信息, 从分支使用CNN逐层提取多器官局部信息, 同时设计级联上下文模块将从分支局部细节特征补充到主分支中; 解码器设计多尺度特征融合模块和深度特征增强模块, 多尺度特征融合模块对跨层级特征信息进行融合, 增强多器官边界分割锐度, 深度特征增强模块应用交叉注意机制提高器官前景与背景的对比度, 减少背景信息对分割的干扰. 在Synapse和ACDC两组公开数据集上的实验结果表明, 与近几年主要基线模型相比, 所提模型的Dice、HD95指标均具有一定的提升.
针对腹部CT图像多器官分割面临的不同器官大小形态不一、相邻器官边界难以确认以及低对比度等挑战问题, 提出一种特征增强的双分支多器官分割模型. 模型总体采取编码器-解码器结构: 编码器采取主/从双分支结构, 主分支使用Mamba捕捉多器官全局依赖信息, 从分支使用CNN逐层提取多器官局部信息, 同时设计级联上下文模块将从分支局部细节特征补充到主分支中; 解码器设计多尺度特征融合模块和深度特征增强模块, 多尺度特征融合模块对跨层级特征信息进行融合, 增强多器官边界分割锐度, 深度特征增强模块应用交叉注意机制提高器官前景与背景的对比度, 减少背景信息对分割的干扰. 在Synapse和ACDC两组公开数据集上的实验结果表明, 与近几年主要基线模型相比, 所提模型的Dice、HD95指标均具有一定的提升.
优先出版日期: 2025-03-24
,DOI: 10.15888/j.cnki.csa.009873
摘要：
少样本图像分类旨在从有限的标注数据中学习分类器. 尽管现有方法已取得显著进展, 但由于训练样本有限、类内差异过大、类间差异过小, 支持样本与查询样本容易发生混淆, 导致现有方法在提取有用特征和准确区分图像类别方面仍面临挑战. 为了解决这些问题, 我们设计了一种新的多元嵌入增强网络. 该网络轻量且高效, 通过生成一组特征嵌入来表示图像, 而非仅依赖单一的图像级特征. 它能够生成多种层析结构, 从而学习更丰富的特征表示, 减小类内差异并扩大类间差异. 此外, 我们提出了一种基于集合的度量方法, 并结合动态自适应加权机制, 用于衡量查询集和支持集之间的相似度. 实验结果表明, 在miniImageNet、tieredImageNet和CUB数据集上, 模型表现优异. 在使用ResNet-12网络的1-shot设置下, 准确率分别达到了72.22%、75.43%和85.02%, 相较于基准模型分别提升了1.09%、2.93%和1.47%.
少样本图像分类旨在从有限的标注数据中学习分类器. 尽管现有方法已取得显著进展, 但由于训练样本有限、类内差异过大、类间差异过小, 支持样本与查询样本容易发生混淆, 导致现有方法在提取有用特征和准确区分图像类别方面仍面临挑战. 为了解决这些问题, 我们设计了一种新的多元嵌入增强网络. 该网络轻量且高效, 通过生成一组特征嵌入来表示图像, 而非仅依赖单一的图像级特征. 它能够生成多种层析结构, 从而学习更丰富的特征表示, 减小类内差异并扩大类间差异. 此外, 我们提出了一种基于集合的度量方法, 并结合动态自适应加权机制, 用于衡量查询集和支持集之间的相似度. 实验结果表明, 在miniImageNet、tieredImageNet和CUB数据集上, 模型表现优异. 在使用ResNet-12网络的1-shot设置下, 准确率分别达到了72.22%、75.43%和85.02%, 相较于基准模型分别提升了1.09%、2.93%和1.47%.
优先出版日期: 2025-03-24
,DOI: 10.15888/j.cnki.csa.009853
摘要：
当前多数图对比学习驱动的推荐系统模型倾向于依赖单一视图进行训练, 这种做法不可避免地限制了模型对复杂数据特征的全面捕捉能力. 为此, 提出一种融合多视图对比学习和知识图谱的推荐算法MKCLR (multi-view knowledge contrastive learning recommendation). 首先, 使用了3种视图增强方法, 分别是随机边丢弃, 添加均匀噪声扰动和随机游走算法, 为知识图谱和用户-物品图构建3个对比视图; 其次, 通过LightGCN进行编码, 并为之构建多组对比学习任务, 来最大化地提取和利用多视图数据中的丰富信息; 最后, 将主推荐任务与对比学习结合起来进行联合训练, 在MIND, Last-FM和Alibaba-iFashion这3个基准数据集上进行实验, 结果表明, MKCLR在Recall和NDCG这两个评价指标上分别平均提升5.78%和8.68%, 证明了所提方法的有效性.
当前多数图对比学习驱动的推荐系统模型倾向于依赖单一视图进行训练, 这种做法不可避免地限制了模型对复杂数据特征的全面捕捉能力. 为此, 提出一种融合多视图对比学习和知识图谱的推荐算法MKCLR (multi-view knowledge contrastive learning recommendation). 首先, 使用了3种视图增强方法, 分别是随机边丢弃, 添加均匀噪声扰动和随机游走算法, 为知识图谱和用户-物品图构建3个对比视图; 其次, 通过LightGCN进行编码, 并为之构建多组对比学习任务, 来最大化地提取和利用多视图数据中的丰富信息; 最后, 将主推荐任务与对比学习结合起来进行联合训练, 在MIND, Last-FM和Alibaba-iFashion这3个基准数据集上进行实验, 结果表明, MKCLR在Recall和NDCG这两个评价指标上分别平均提升5.78%和8.68%, 证明了所提方法的有效性.
优先出版日期: 2025-03-24
,DOI: 10.15888/j.cnki.csa.009857
摘要：
锥形束计算机断层扫描(cone beam computed tomography, CBCT)因其与现代直线加速器系统的集成而被广泛用于图像引导放射治疗. 然而, 由于其图像质量不如CT, 这给实现最佳治疗计划带来了重大挑战. 本研究提出一个名为DDFGAN (dual-domain feature fusion generative adversarial network)的新模型, 旨在改善CBCT图像质量, 使其接近CT水平. 该模型采用双分支架构: 第1分支通过引入RFB模块来提取空间域中的多尺度特征; 第2个分支则设计了一个专门针对CBCT到CT合成的频率域特征提取模块. 通过将这两个分支的特征融合, DDFGAN显著提升了CBCT的成像质量. 此外, 本模型引入几何一致性损失, 将传统的双向生成网络转变为单向生成网络, 这不仅更符合临床应用需求, 还大幅减少了训练时间. 实验结果显示, DDFGAN在生成少伪影的合成CT图像方面优于其他4种比较方法, 且其合成图像的HU值也更接近于CT图像, 显著提高了自适应放射治疗的准确性.
锥形束计算机断层扫描(cone beam computed tomography, CBCT)因其与现代直线加速器系统的集成而被广泛用于图像引导放射治疗. 然而, 由于其图像质量不如CT, 这给实现最佳治疗计划带来了重大挑战. 本研究提出一个名为DDFGAN (dual-domain feature fusion generative adversarial network)的新模型, 旨在改善CBCT图像质量, 使其接近CT水平. 该模型采用双分支架构: 第1分支通过引入RFB模块来提取空间域中的多尺度特征; 第2个分支则设计了一个专门针对CBCT到CT合成的频率域特征提取模块. 通过将这两个分支的特征融合, DDFGAN显著提升了CBCT的成像质量. 此外, 本模型引入几何一致性损失, 将传统的双向生成网络转变为单向生成网络, 这不仅更符合临床应用需求, 还大幅减少了训练时间. 实验结果显示, DDFGAN在生成少伪影的合成CT图像方面优于其他4种比较方法, 且其合成图像的HU值也更接近于CT图像, 显著提高了自适应放射治疗的准确性.
-
全文下载排行(总排行，年度排行，各期排行)
摘要点击排行(总排行，年度排行，各期排行)
快速检索
过刊检索
全选反选导出
显示模式：
2000,9(2):38-41
摘要：
本文详细讨论了VRML技术与其他数据访问技术相结合 ,实现对数据库实时交互的技术实现方法 ,并简要阐述了相关技术规范的语法结构和技术要求。所用技术手段安全可靠 ,具有良好的实际应用表现 ,便于系统移植。
本文详细讨论了VRML技术与其他数据访问技术相结合 ,实现对数据库实时交互的技术实现方法 ,并简要阐述了相关技术规范的语法结构和技术要求。所用技术手段安全可靠 ,具有良好的实际应用表现 ,便于系统移植。
1993,2(8):41-42
摘要：
本文介绍了作者近年来应用工具软件NU清除磁盘引导区和硬盘主引导区病毒、修复引导区损坏磁盘的 经验，经实践检验，简便有效。
本文介绍了作者近年来应用工具软件NU清除磁盘引导区和硬盘主引导区病毒、修复引导区损坏磁盘的 经验，经实践检验，简便有效。
1995,4(5):2-5
摘要：
本文简要介绍了海关EDI自动化通关系统的定义概况及重要意义，对该EDI应用系统下的业务运作模式所涉及的法律问题，采用EDIFACT国际标准问题、网络与软件技术问题，以及工程管理问题进行了结合实际的分析。
本文简要介绍了海关EDI自动化通关系统的定义概况及重要意义，对该EDI应用系统下的业务运作模式所涉及的法律问题，采用EDIFACT国际标准问题、网络与软件技术问题，以及工程管理问题进行了结合实际的分析。
2016,25(8):1-7
,DOI: 10.15888/j.cnki.csa.005283
摘要：
从2006年开始，深度神经网络在图像/语音识别、自动驾驶等大数据处理和人工智能领域中都取得了巨大成功，其中无监督学习方法作为深度神经网络中的预训练方法为深度神经网络的成功起到了非常重要的作用. 为此，对深度学习中的无监督学习方法进行了介绍和分析，主要总结了两类常用的无监督学习方法，即确定型的自编码方法和基于概率型受限玻尔兹曼机的对比散度等学习方法，并介绍了这两类方法在深度学习系统中的应用，最后对无监督学习面临的问题和挑战进行了总结和展望.
从2006年开始，深度神经网络在图像/语音识别、自动驾驶等大数据处理和人工智能领域中都取得了巨大成功，其中无监督学习方法作为深度神经网络中的预训练方法为深度神经网络的成功起到了非常重要的作用. 为此，对深度学习中的无监督学习方法进行了介绍和分析，主要总结了两类常用的无监督学习方法，即确定型的自编码方法和基于概率型受限玻尔兹曼机的对比散度等学习方法，并介绍了这两类方法在深度学习系统中的应用，最后对无监督学习面临的问题和挑战进行了总结和展望.
2008,17(5):122-126
摘要：
随着Internet的迅速发展，网络资源越来越丰富，人们如何从网络上抽取信息也变得至关重要，尤其是占网络资源80%的Deep Web信息检索更是人们应该倍加关注的难点问题。为了更好的研究Deep Web爬虫技术，本文对有关Deep Web爬虫的内容进行了全面、详细地介绍。首先对Deep Web爬虫的定义及研究目标进行了阐述，接着介绍了近年来国内外关于Deep Web爬虫的研究进展，并对其加以分析。在此基础上展望了Deep Web爬虫的研究趋势，为下一步的研究奠定了基础。
随着Internet的迅速发展，网络资源越来越丰富，人们如何从网络上抽取信息也变得至关重要，尤其是占网络资源80%的Deep Web信息检索更是人们应该倍加关注的难点问题。为了更好的研究Deep Web爬虫技术，本文对有关Deep Web爬虫的内容进行了全面、详细地介绍。首先对Deep Web爬虫的定义及研究目标进行了阐述，接着介绍了近年来国内外关于Deep Web爬虫的研究进展，并对其加以分析。在此基础上展望了Deep Web爬虫的研究趋势，为下一步的研究奠定了基础。
2011,20(11):80-85
摘要：
在研究了目前主流的视频转码方案基础上,提出了一种分布式转码系统。系统采用HDFS(HadoopDistributed File System)进行视频存储,利用MapReduce 思想和FFMPEG 进行分布式转码。详细讨论了视频分布式存储时的分段策略,以及分段大小对存取时间的影响。同时,定义了视频存储和转换的元数据格式。提出了基于MapReduce 编程框架的分布式转码方案,即Mapper 端进行转码和Reducer 端进行视频合并。实验数据显示了转码时间随视频分段大小和转码机器数量不同而变化的趋势。结
在研究了目前主流的视频转码方案基础上,提出了一种分布式转码系统。系统采用HDFS(HadoopDistributed File System)进行视频存储,利用MapReduce 思想和FFMPEG 进行分布式转码。详细讨论了视频分布式存储时的分段策略,以及分段大小对存取时间的影响。同时,定义了视频存储和转换的元数据格式。提出了基于MapReduce 编程框架的分布式转码方案,即Mapper 端进行转码和Reducer 端进行视频合并。实验数据显示了转码时间随视频分段大小和转码机器数量不同而变化的趋势。结
2022,31(5):1-20
,DOI: 10.15888/j.cnki.csa.008463
摘要：
深度学习方法的提出使得机器学习研究领域得到了巨大突破, 但是却需要大量的人工标注数据来辅助完成. 在实际问题中, 受限于人力成本, 许多应用需要对从未见过的实例类别进行推理判断. 为此, 零样本学习(zero-shot learning, ZSL)应运而生. 图作为一种表示事物之间联系的自然数据结构, 目前在零样本学习中受到了越来越多的关注. 本文对零样本图学习方法进行了系统综述. 首先概述了零样本学习和图学习的定义, 并总结了零样本学习现有的解决方案思想. 然后依据图的不同利用方式对目前零样本图学习的方法体系进行了分类. 接下来讨论了零样本图学习所涉及到的评估准则和数据集. 最后指明了零样本图学习进一步研究中需要解决的问题以及未来可能的发展方向.
深度学习方法的提出使得机器学习研究领域得到了巨大突破, 但是却需要大量的人工标注数据来辅助完成. 在实际问题中, 受限于人力成本, 许多应用需要对从未见过的实例类别进行推理判断. 为此, 零样本学习(zero-shot learning, ZSL)应运而生. 图作为一种表示事物之间联系的自然数据结构, 目前在零样本学习中受到了越来越多的关注. 本文对零样本图学习方法进行了系统综述. 首先概述了零样本学习和图学习的定义, 并总结了零样本学习现有的解决方案思想. 然后依据图的不同利用方式对目前零样本图学习的方法体系进行了分类. 接下来讨论了零样本图学习所涉及到的评估准则和数据集. 最后指明了零样本图学习进一步研究中需要解决的问题以及未来可能的发展方向.
1999,8(7):43-46
摘要：
用较少的颜色来表示较大的色彩空间一直是人们研究的课题，本文详细讨论了半色调技术和抖动技术，并将它们扩展到实用的真彩色空间来讨论，并给出了实现的算法。
用较少的颜色来表示较大的色彩空间一直是人们研究的课题，本文详细讨论了半色调技术和抖动技术，并将它们扩展到实用的真彩色空间来讨论，并给出了实现的算法。
2012,21(3):260-264
摘要：
开放平台的核心问题是用户验证和授权问题,OAuth 是目前国际通用的授权方式,它的特点是不需要用户在第三方应用输入用户名及密码,就可以申请访问该用户的受保护资源。OAuth 最新版本是OAuth2.0,其认证与授权的流程更简单、更安全。研究了OAuth2.0 的工作原理,分析了刷新访问令牌的工作流程,并给出了OAuth2.0 服务器端的设计方案和具体的应用实例。
开放平台的核心问题是用户验证和授权问题,OAuth 是目前国际通用的授权方式,它的特点是不需要用户在第三方应用输入用户名及密码,就可以申请访问该用户的受保护资源。OAuth 最新版本是OAuth2.0,其认证与授权的流程更简单、更安全。研究了OAuth2.0 的工作原理,分析了刷新访问令牌的工作流程,并给出了OAuth2.0 服务器端的设计方案和具体的应用实例。
2007,16(9):22-25
摘要：
本文结合物流遗留系统的实际安全状态,分析了面向对象的编程思想在横切关注点和核心关注点处理上的不足,指出面向方面的编程思想解决方案对系统进行分离关注点处理的优势,并对面向方面的编程的一种具体实现AspectJ进行分析,提出了一种依据AspectJ对遗留物流系统进行IC卡安全进化的方法.
本文结合物流遗留系统的实际安全状态,分析了面向对象的编程思想在横切关注点和核心关注点处理上的不足,指出面向方面的编程思想解决方案对系统进行分离关注点处理的优势,并对面向方面的编程的一种具体实现AspectJ进行分析,提出了一种依据AspectJ对遗留物流系统进行IC卡安全进化的方法.
2002,11(10):70-73
摘要：
2011,20(7):184-187,120
摘要：
针对智能家居、环境监测等的实际要求，设计了一种远距离通讯的无线传感器节点。该系统采用集射频与控制器于一体的第二代片上系统CC2530 为核心模块，外接CC2591 射频前端功放模块；软件上基于ZigBee2006 协议栈，在ZStack 通用模块基础上实现应用层各项功能。介绍了基于ZigBee 协议构建无线数据采集网络，给出了传感器节点、协调器节点的硬件设计原理图及软件流程图。实验证明节点性能良好、通讯可靠,通讯距离较TI 第一代产品有明显增大。
针对智能家居、环境监测等的实际要求，设计了一种远距离通讯的无线传感器节点。该系统采用集射频与控制器于一体的第二代片上系统CC2530 为核心模块，外接CC2591 射频前端功放模块；软件上基于ZigBee2006 协议栈，在ZStack 通用模块基础上实现应用层各项功能。介绍了基于ZigBee 协议构建无线数据采集网络，给出了传感器节点、协调器节点的硬件设计原理图及软件流程图。实验证明节点性能良好、通讯可靠,通讯距离较TI 第一代产品有明显增大。
2019,28(6):1-12
,DOI: 10.15888/j.cnki.csa.006915
摘要：
知识图谱是以图的形式表现客观世界中的概念和实体及其之间关系的知识库，是语义搜索、智能问答、决策支持等智能服务的基础技术之一.目前，知识图谱的内涵还不够清晰；且因建档不全，已有知识图谱的使用率和重用率不高.为此，本文给出知识图谱的定义，辨析其与本体等相关概念的关系.本体是知识图谱的模式层和逻辑基础，知识图谱是本体的实例化；本体研究成果可以作为知识图谱研究的基础，促进知识图谱的更快发展和更广应用.本文罗列分析了国内外已有的主要通用知识图谱和行业知识图谱及其构建、存储及检索方法，以提高其使用率和重用率.最后指出知识图谱未来的研究方向.
知识图谱是以图的形式表现客观世界中的概念和实体及其之间关系的知识库，是语义搜索、智能问答、决策支持等智能服务的基础技术之一.目前，知识图谱的内涵还不够清晰；且因建档不全，已有知识图谱的使用率和重用率不高.为此，本文给出知识图谱的定义，辨析其与本体等相关概念的关系.本体是知识图谱的模式层和逻辑基础，知识图谱是本体的实例化；本体研究成果可以作为知识图谱研究的基础，促进知识图谱的更快发展和更广应用.本文罗列分析了国内外已有的主要通用知识图谱和行业知识图谱及其构建、存储及检索方法，以提高其使用率和重用率.最后指出知识图谱未来的研究方向.
2004,13(10):7-9
摘要：
本文介绍了车辆监控系统的组成,研究了如何应用Rockwell GPS OEM板和WISMOQUIKQ2406B模块进行移动单元的软硬件设计,以及监控中心 GIS软件的设计.重点介绍嵌入TCP/IP协议处理的Q2406B模块如何通过AT指令接入Internet以及如何和监控中心传输TCP数据.
本文介绍了车辆监控系统的组成,研究了如何应用Rockwell GPS OEM板和WISMOQUIKQ2406B模块进行移动单元的软硬件设计,以及监控中心 GIS软件的设计.重点介绍嵌入TCP/IP协议处理的Q2406B模块如何通过AT指令接入Internet以及如何和监控中心传输TCP数据.
2008,17(1):113-116
摘要：
排序是计算机程序设计中一种重要操作，本文论述了C语言中快速排序算法的改进，即快速排序与直接插入排序算法相结合的实现过程。在C语言程序设计中，实现大量的内部排序应用时，所寻求的目的就是找到一个简单、有效、快捷的算法。本文着重阐述快速排序的改进与提高过程，从基本的性能特征到基本的算法改进，通过不断的分析，实验，最后得出最佳的改进算法。
排序是计算机程序设计中一种重要操作，本文论述了C语言中快速排序算法的改进，即快速排序与直接插入排序算法相结合的实现过程。在C语言程序设计中，实现大量的内部排序应用时，所寻求的目的就是找到一个简单、有效、快捷的算法。本文着重阐述快速排序的改进与提高过程，从基本的性能特征到基本的算法改进，通过不断的分析，实验，最后得出最佳的改进算法。
2008,17(8):87-89
摘要：
随着面向对象软件开发技术的广泛应用和软件测试自动化的要求，基于模型的软件测试逐渐得到了软件开发人员和软件测试人员的认可和接受。基于模型的软件测试是软件编码阶段的主要测试方法之一，具有测试效率高、排除逻辑复杂故障测试效果好等特点。但是误报、漏报和故障机理有待进一步研究。对主要的测试模型进行了分析和分类，同时，对故障密度等参数进行了初步的分析；最后，提出了一种基于模型的软件测试流程。
随着面向对象软件开发技术的广泛应用和软件测试自动化的要求，基于模型的软件测试逐渐得到了软件开发人员和软件测试人员的认可和接受。基于模型的软件测试是软件编码阶段的主要测试方法之一，具有测试效率高、排除逻辑复杂故障测试效果好等特点。但是误报、漏报和故障机理有待进一步研究。对主要的测试模型进行了分析和分类，同时，对故障密度等参数进行了初步的分析；最后，提出了一种基于模型的软件测试流程。
2008,17(8):2-5
摘要：
本文介绍了一个企业信息门户中单点登录系统的设计与实现。系统实现了一个基于Java EE架构的结合凭证加密和Web Services的单点登录系统，对门户用户进行统一认证和访问控制。论文详细阐述了该系统的总体结构、设计思想、工作原理和具体实现方案，目前系统已在部分省市的广电行业信息门户平台中得到了良好的应用。
本文介绍了一个企业信息门户中单点登录系统的设计与实现。系统实现了一个基于Java EE架构的结合凭证加密和Web Services的单点登录系统，对门户用户进行统一认证和访问控制。论文详细阐述了该系统的总体结构、设计思想、工作原理和具体实现方案，目前系统已在部分省市的广电行业信息门户平台中得到了良好的应用。
2004,13(8):58-59
摘要：
本文介绍了Visual C++6.0在对话框的多个文本框之间,通过回车键转移焦点的几种方法,并提出了一个改进方法.
本文介绍了Visual C++6.0在对话框的多个文本框之间,通过回车键转移焦点的几种方法,并提出了一个改进方法.
2009,18(5):182-185
摘要：
DICOM 是医学图像存储和传输的国际标准，DCMTK 是免费开源的针对DICOM 标准的开发包。解读DICOM 文件格式并解决DICOM 医学图像显示问题是医学图像处理的基础，对医学影像技术的研究具有重要意义。解读了DICOM 文件格式并介绍了调窗处理的原理，利用VC++和DCMTK 实现医学图像显示和调窗功能。
DICOM 是医学图像存储和传输的国际标准，DCMTK 是免费开源的针对DICOM 标准的开发包。解读DICOM 文件格式并解决DICOM 医学图像显示问题是医学图像处理的基础，对医学影像技术的研究具有重要意义。解读了DICOM 文件格式并介绍了调窗处理的原理，利用VC++和DCMTK 实现医学图像显示和调窗功能。
-
全文下载排行(总排行，年度排行，各期排行)
摘要点击排行(总排行，年度排行，各期排行)
快速检索
过刊检索
全选反选导出
显示模式：
2007,16(10):48-51
摘要：
论文对HDF数据格式和函数库进行研究,重点以栅格图像为例,详细论述如何利用VC++.net和VC#.net对光栅数据进行读取与处理,然后根据所得到的象素矩阵用描点法显示图像.论文是以国家气象中心开发Micaps3.0(气象信息综合分析处理系统)的课题研究为背景的.
论文对HDF数据格式和函数库进行研究,重点以栅格图像为例,详细论述如何利用VC++.net和VC#.net对光栅数据进行读取与处理,然后根据所得到的象素矩阵用描点法显示图像.论文是以国家气象中心开发Micaps3.0(气象信息综合分析处理系统)的课题研究为背景的.
2002,11(12):67-68
摘要：
本文介绍非实时操作系统Windows 2000下,利用VisualC++6.0开发实时数据采集的方法.所用到的数据采集卡是研华的PCL-818L.借助数据采集卡PCL-818L的DLLs中的API函数,提出三种实现高速实时数据采集的方法及优缺点.
本文介绍非实时操作系统Windows 2000下,利用VisualC++6.0开发实时数据采集的方法.所用到的数据采集卡是研华的PCL-818L.借助数据采集卡PCL-818L的DLLs中的API函数,提出三种实现高速实时数据采集的方法及优缺点.
2008,17(1):113-116
摘要：
排序是计算机程序设计中一种重要操作，本文论述了C语言中快速排序算法的改进，即快速排序与直接插入排序算法相结合的实现过程。在C语言程序设计中，实现大量的内部排序应用时，所寻求的目的就是找到一个简单、有效、快捷的算法。本文着重阐述快速排序的改进与提高过程，从基本的性能特征到基本的算法改进，通过不断的分析，实验，最后得出最佳的改进算法。
排序是计算机程序设计中一种重要操作，本文论述了C语言中快速排序算法的改进，即快速排序与直接插入排序算法相结合的实现过程。在C语言程序设计中，实现大量的内部排序应用时，所寻求的目的就是找到一个简单、有效、快捷的算法。本文着重阐述快速排序的改进与提高过程，从基本的性能特征到基本的算法改进，通过不断的分析，实验，最后得出最佳的改进算法。
2008,17(5):122-126
摘要：
随着Internet的迅速发展，网络资源越来越丰富，人们如何从网络上抽取信息也变得至关重要，尤其是占网络资源80%的Deep Web信息检索更是人们应该倍加关注的难点问题。为了更好的研究Deep Web爬虫技术，本文对有关Deep Web爬虫的内容进行了全面、详细地介绍。首先对Deep Web爬虫的定义及研究目标进行了阐述，接着介绍了近年来国内外关于Deep Web爬虫的研究进展，并对其加以分析。在此基础上展望了Deep Web爬虫的研究趋势，为下一步的研究奠定了基础。
随着Internet的迅速发展，网络资源越来越丰富，人们如何从网络上抽取信息也变得至关重要，尤其是占网络资源80%的Deep Web信息检索更是人们应该倍加关注的难点问题。为了更好的研究Deep Web爬虫技术，本文对有关Deep Web爬虫的内容进行了全面、详细地介绍。首先对Deep Web爬虫的定义及研究目标进行了阐述，接着介绍了近年来国内外关于Deep Web爬虫的研究进展，并对其加以分析。在此基础上展望了Deep Web爬虫的研究趋势，为下一步的研究奠定了基础。
2025,34(5):1-13, DOI: 10.15888/j.cnki.csa.009879
摘要：
2025,34(4):18-33, DOI: 10.15888/j.cnki.csa.009865
摘要：
2025,34(4):1-17, DOI: 10.15888/j.cnki.csa.009839
摘要：
2025,34(1):1-10, DOI: 10.15888/j.cnki.csa.009782
摘要：
2025,34(1):26-36, DOI: 10.15888/j.cnki.csa.009733
摘要：
2025,34(1):11-25, DOI: 10.15888/j.cnki.csa.009709
摘要：
2024,33(12):1-15, DOI: 10.15888/j.cnki.csa.009708
摘要：
2024,33(11):38-47, DOI: 10.15888/j.cnki.csa.009702
摘要：
2024,33(10):26-36, DOI: 10.15888/j.cnki.csa.009646
摘要：
2024,33(6):16-27, DOI: 10.15888/j.cnki.csa.009559
摘要：
2024,33(6):1-15, DOI: 10.15888/j.cnki.csa.009531
摘要：
2024,33(4):50-59, DOI: 10.15888/j.cnki.csa.009486
摘要：
2024,33(4):26-38, DOI: 10.15888/j.cnki.csa.009466
摘要：
2024,33(3):1-11, DOI: 10.15888/j.cnki.csa.009433
摘要：
2024,33(3):12-23, DOI: 10.15888/j.cnki.csa.009421
摘要：
2024,33(1):37-48, DOI: 10.15888/j.cnki.csa.009377
摘要：
2024,33(1):22-36, DOI: 10.15888/j.cnki.csa.009369
摘要：
2023,32(12):32-42, DOI: 10.15888/j.cnki.csa.009356
摘要：
2023,32(11):36-47, DOI: 10.15888/j.cnki.csa.009269
摘要：
2023,32(9):1-18, DOI: 10.15888/j.cnki.csa.009226
摘要：
2023,32(8):1-18, DOI: 10.15888/j.cnki.csa.009208
摘要：
2023,32(4):1-15, DOI: 10.15888/j.cnki.csa.009038
摘要：
2023,32(4):16-41, DOI: 10.15888/j.cnki.csa.009037
摘要：
2023,32(3):25-47, DOI: 10.15888/j.cnki.csa.008980
摘要：
2023,32(3):1-14, DOI: 10.15888/j.cnki.csa.008976
摘要：
2023,32(2):1-12, DOI: 10.15888/j.cnki.csa.008743
摘要：
2023,32(1):12-28, DOI: 10.15888/j.cnki.csa.008914
摘要：
2023,32(1):29-40, DOI: 10.15888/j.cnki.csa.008909
摘要：
2023,32(1):1-11, DOI: 10.15888/j.cnki.csa.008848
摘要：
2023,32(1):41-49, DOI: 10.15888/j.cnki.csa.008805
摘要：
2022,31(12):20-28, DOI: 10.15888/j.cnki.csa.008838
摘要：
2022,31(12):1-9, DOI: 10.15888/j.cnki.csa.008825
摘要：
2022,31(11):49-59, DOI: 10.15888/j.cnki.csa.008847
摘要：
2022,31(11):31-48, DOI: 10.15888/j.cnki.csa.008811
摘要：
2022,31(10):44-50, DOI: 10.15888/j.cnki.csa.008776
摘要：
2022,31(10):25-35, DOI: 10.15888/j.cnki.csa.008734
摘要：
2022,31(10):36-43, DOI: 10.15888/j.cnki.csa.008711
摘要：
2022,31(9):57-69, DOI: 10.15888/j.cnki.csa.008661
摘要：
2022,31(8):1-16, DOI: 10.15888/j.cnki.csa.008713
摘要：
2022,31(7):12-22, DOI: 10.15888/j.cnki.csa.008641
摘要：
2022,31(7):35-45, DOI: 10.15888/j.cnki.csa.008595
摘要：
2022,31(7):46-54, DOI: 10.15888/j.cnki.csa.008590
摘要：
2022,31(7):23-34, DOI: 10.15888/j.cnki.csa.008566
摘要：
2022,31(7):1-11, DOI: 10.15888/j.cnki.csa.008545
摘要：
2022,31(5):40-51, DOI: 10.15888/j.cnki.csa.008476
摘要：
2022,31(5):1-20, DOI: 10.15888/j.cnki.csa.008463
摘要：
2022,31(5):21-29, DOI: 10.15888/j.cnki.csa.008426
摘要：
2022,31(4):14-32, DOI: 10.15888/j.cnki.csa.008419
摘要：
2022,31(4):1-13, DOI: 10.15888/j.cnki.csa.008418
摘要：
2022,31(4):47-58, DOI: 10.15888/j.cnki.csa.008403
摘要：
2022,31(3):1-8, DOI: 10.15888/j.cnki.csa.008415
摘要：
2022,31(3):48-55, DOI: 10.15888/j.cnki.csa.008377
摘要：
2022,31(2):13-21, DOI: 10.15888/j.cnki.csa.008319
摘要：
2022,31(2):1-12, DOI: 10.15888/j.cnki.csa.008303
摘要：
2022,31(1):1-10, DOI: 10.15888/j.cnki.csa.008323
摘要：
2021,30(12):28-36, DOI: 10.15888/j.cnki.csa.008289
摘要：
2021,30(12):10-17, DOI: 10.15888/j.cnki.csa.008252
摘要：
2021,30(12):1-9, DOI: 10.15888/j.cnki.csa.008245
摘要：
2021,30(10):21-30, DOI: 10.15888/j.cnki.csa.008137
摘要：
2021,30(9):12-23, DOI: 10.15888/j.cnki.csa.008086
摘要：
2021,30(9):24-40, DOI: 10.15888/j.cnki.csa.008079
摘要：
2021,30(9):41-52, DOI: 10.15888/j.cnki.csa.008078
摘要：
2021,30(8):14-21, DOI: 10.15888/j.cnki.csa.008003
摘要：
2021,30(7):13-21, DOI: 10.15888/j.cnki.csa.007992
摘要：
2021,30(7):1-12, DOI: 10.15888/j.cnki.csa.007973
摘要：
2021,30(6):18-27, DOI: 10.15888/j.cnki.csa.007956
摘要：
2021,30(5):21-30, DOI: 10.15888/j.cnki.csa.007916
摘要：
2021,30(3):1-13, DOI: 10.15888/j.cnki.csa.007839
摘要：
2021,30(1):10-18, DOI: 10.15888/j.cnki.csa.007776
摘要：
2020,29(12):13-25, DOI: 10.15888/j.cnki.csa.007701
摘要：
2020,29(11):29-39, DOI: 10.15888/j.cnki.csa.007705
摘要：
2020,29(9):16-25, DOI: 10.15888/j.cnki.csa.007632
摘要：
2020,29(9):26-31, DOI: 10.15888/j.cnki.csa.007617
摘要：
2020,29(9):1-15, DOI: 10.15888/j.cnki.csa.007489
摘要：
2020,29(8):1-8, DOI: 10.15888/j.cnki.csa.007478
摘要：
2020,29(6):56-63, DOI: 10.15888/j.cnki.csa.007460
摘要：
2020,29(6):1-12, DOI: 10.15888/j.cnki.csa.007431
摘要：
2020,29(6):13-21, DOI: 10.15888/j.cnki.csa.007430
摘要：
2020,29(3):29-38, DOI: 10.15888/j.cnki.csa.007315
摘要：
2020,29(3):1-10, DOI: 10.15888/j.cnki.csa.007301
摘要：
2020,29(3):11-19, DOI: 10.15888/j.cnki.csa.007261
摘要：
2020,29(2):1-8, DOI: 10.15888/j.cnki.csa.007275
摘要：
2020,29(2):9-27, DOI: 10.15888/j.cnki.csa.007262
摘要：
2020,29(1):14-21, DOI: 10.15888/j.cnki.csa.007243
摘要：
2020,29(1):22-28, DOI: 10.15888/j.cnki.csa.007237
摘要：
2019,28(12):1-8, DOI: 10.15888/j.cnki.csa.007195
摘要：
2019,28(11):1-9, DOI: 10.15888/j.cnki.csa.007156
摘要：
2019,28(9):1-8, DOI: 10.15888/j.cnki.csa.007037
摘要：
2019,28(7):1-8, DOI: 10.15888/j.cnki.csa.006988
摘要：
2019,28(6):1-12, DOI: 10.15888/j.cnki.csa.006915
摘要：
2019,28(4):205-211, DOI: 10.15888/j.cnki.csa.006739
摘要：
2019,28(3):1-9, DOI: 10.15888/j.cnki.csa.006812
摘要：
2019,28(3):10-17, DOI: 10.15888/j.cnki.csa.006806
摘要：
2019,28(1):1-9, DOI: 10.15888/j.cnki.csa.006720
摘要：
2019,28(1):10-16, DOI: 10.15888/j.cnki.csa.006707
摘要：
2018,27(10):39-45, DOI: 10.15888/j.cnki.csa.006591
摘要：
2018,27(10):33-38, DOI: 10.15888/j.cnki.csa.006560
摘要：
2018,27(9):47-51, DOI: 10.15888/j.cnki.csa.006542
摘要：
2018,27(8):10-18, DOI: 10.15888/j.cnki.csa.006456
摘要：
2018,27(7):1-10, DOI: 10.15888/j.cnki.csa.006451
摘要：
2018,27(5):1-9, DOI: 10.15888/j.cnki.csa.006336
摘要：
2018,27(4):1-9, DOI: 10.15888/j.cnki.csa.006273
摘要：
2018,27(1):1-9, DOI: 10.15888/j.cnki.csa.006169
摘要：
2017,26(12):32-36, DOI: 10.15888/j.cnki.csa.006129
摘要：
2017,26(12):25-31, DOI: 10.15888/j.cnki.csa.006096
摘要：
2017,26(6):36-39, DOI: 10.15888/j.cnki.csa.005807
摘要：
2017,26(4):1-8, DOI: 10.15888/j.cnki.csa.005773
摘要：
2017,26(2):30-36, DOI: 10.15888/j.cnki.csa.005626
摘要：
2016,25(9):17-26, DOI: 10.15888/j.cnki.csa.005354
摘要：
2016,25(9):10-16, DOI: 10.15888/j.cnki.csa.005330
摘要：
2016,25(8):1-7, DOI: 10.15888/j.cnki.csa.005283
摘要：
2016,25(6):9-16, DOI: 10.15888/j.cnki.csa.005173
摘要：
2016,25(6):1-8, DOI: 10.15888/j.cnki.csa.005206
摘要：
摘要：
摘要：
摘要：
摘要：
摘要：
摘要：
摘要：
摘要：
您是第位访问者
版权所有：中国科学院软件研究所 京ICP备05046678号-3
地址：北京海淀区中关村南四街4号 中科院软件园区 7号楼305房间,邮政编码：100190
电话：010-62661041 传真： Email：csa (a) iscas.ac.cn
技术支持：北京勤云科技发展有限公司
版权所有：中国科学院软件研究所 京ICP备05046678号-3
地址：北京海淀区中关村南四街4号 中科院软件园区 7号楼305房间,邮政编码：100190
电话：010-62661041 传真： Email：csa (a) iscas.ac.cn
技术支持：北京勤云科技发展有限公司
