- 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(6):1-11, DOI: 10.15888/j.cnki.csa.009903, CSTR: 32024.14.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.
2025,34(6):12-20, DOI: 10.15888/j.cnki.csa.009869, CSTR: 32024.14.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IKFSE (integrated key feature of entity start and end). 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IKFSE (integrated key feature of entity start and end). 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.
2025,34(6):21-32, DOI: 10.15888/j.cnki.csa.009872, CSTR: 32024.14.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相似系数 (DSC)、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相似系数 (DSC)、HD95指标均具有一定的提升.
2025,34(6):33-40, DOI: 10.15888/j.cnki.csa.009857, CSTR: 32024.14.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.
2025,34(6):41-52, DOI: 10.15888/j.cnki.csa.009876, CSTR: 32024.14.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(HD95)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(HD95)等评价指标上均展现出显著优势.
2025,34(6):53-61, DOI: 10.15888/j.cnki.csa.009938, CSTR: 32024.14.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 (soft Actor-Critic)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 (soft Actor-Critic)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.
快速检索
过刊检索
全选反选导出
显示模式：
优先出版日期: 2025-06-13
,DOI: 10.15888/j.cnki.csa.009913
摘要：
由于太阳能具有间歇性、不稳定性和随机性, 精确的短期光伏(photovoltaic, PV)功率预测具有较大的挑战, 阻碍了光伏与智能电网的有机整合. 为此, 本文提出了一种名为WVPD (WOA-VMD和PSO-DSN)的方法. 首先, 应用变分模态分解(variational mode decomposition, VMD)获得多个本征模态函数(intrinsic mode function, IMF)分量. 同时, 结合鲸鱼优化算法(whale optimization algorithm, WOA)算法进行模式分量和惩罚因子参数优化, 解决VMD分解不足和模式混合问题. 然后, 利用PV功率和数值天气预报(numerical weather prediction, NWP)数据的空间和时间相关性构建新型双流网络(dual-stream network, DSN), 即结合挤压和激励网络(squeeze-and-excitation networks, SENet)以及双向门控循环单元(bidirectional gated recurrent unit, BiGRU). 同时, 采用粒子群优化算法(particle swarm optimization, PSO)优化DSN中学习率和批量大小. 最后, 验证得出与深度学习混合模型相比, MSE平均提升78.6%, RMSE平均提升53.7%, MAE平均提升37.7%, 所提出的WVPD性能优越. 代码共享于https://github.com/ruanyuyuan/PV-power-forecast.
由于太阳能具有间歇性、不稳定性和随机性, 精确的短期光伏(photovoltaic, PV)功率预测具有较大的挑战, 阻碍了光伏与智能电网的有机整合. 为此, 本文提出了一种名为WVPD (WOA-VMD和PSO-DSN)的方法. 首先, 应用变分模态分解(variational mode decomposition, VMD)获得多个本征模态函数(intrinsic mode function, IMF)分量. 同时, 结合鲸鱼优化算法(whale optimization algorithm, WOA)算法进行模式分量和惩罚因子参数优化, 解决VMD分解不足和模式混合问题. 然后, 利用PV功率和数值天气预报(numerical weather prediction, NWP)数据的空间和时间相关性构建新型双流网络(dual-stream network, DSN), 即结合挤压和激励网络(squeeze-and-excitation networks, SENet)以及双向门控循环单元(bidirectional gated recurrent unit, BiGRU). 同时, 采用粒子群优化算法(particle swarm optimization, PSO)优化DSN中学习率和批量大小. 最后, 验证得出与深度学习混合模型相比, MSE平均提升78.6%, RMSE平均提升53.7%, MAE平均提升37.7%, 所提出的WVPD性能优越. 代码共享于https://github.com/ruanyuyuan/PV-power-forecast.
优先出版日期: 2025-06-13
,DOI: 10.15888/j.cnki.csa.009916
摘要：
针对通信辐射源细微指纹特征难以提取及单一特征识别率不高的问题, 提出了一种联合最小巴氏距离和相关性分析的变分模态分解与多域特征参数融合的通信辐射源个体识别方法. 首先, 采用基于最小巴氏距离的变分模态分解方法对通信辐射源信号的每个符号波形进行分解, 得到若干个包含数据信息的低频本征模态函数和包含指纹信息的高频本征模态函数; 然后, 计算各本征模态函数与其符号波形信号的相关系数, 选取相关系数小的本征模态函数作为辐射源细微特征分量, 对细微特征分量提取时域、频域及熵多特征参数, 并拼接融合成多域特征向量实现对通信辐射源符号波形的特征提取; 最后, 通过长短期记忆网络对辐射源信号每个符号的多域特征向量依次进行学习分类, 实现通信辐射源个体识别. 选择公开的Oracle数据集进行了实验验证, 实验结果表明当信噪比为6 dB时, 本文提出的方法识别准确率可达96.7%, 比各单一域平均识别准确率提高了22.1%.
针对通信辐射源细微指纹特征难以提取及单一特征识别率不高的问题, 提出了一种联合最小巴氏距离和相关性分析的变分模态分解与多域特征参数融合的通信辐射源个体识别方法. 首先, 采用基于最小巴氏距离的变分模态分解方法对通信辐射源信号的每个符号波形进行分解, 得到若干个包含数据信息的低频本征模态函数和包含指纹信息的高频本征模态函数; 然后, 计算各本征模态函数与其符号波形信号的相关系数, 选取相关系数小的本征模态函数作为辐射源细微特征分量, 对细微特征分量提取时域、频域及熵多特征参数, 并拼接融合成多域特征向量实现对通信辐射源符号波形的特征提取; 最后, 通过长短期记忆网络对辐射源信号每个符号的多域特征向量依次进行学习分类, 实现通信辐射源个体识别. 选择公开的Oracle数据集进行了实验验证, 实验结果表明当信噪比为6 dB时, 本文提出的方法识别准确率可达96.7%, 比各单一域平均识别准确率提高了22.1%.
优先出版日期: 2025-06-13
,DOI: 10.15888/j.cnki.csa.009917
摘要：
城市遥感图像具有分辨率高、背景多样、纹理复杂等特点, 这对边界分割提出了挑战. 当前主流的语义分割模型遇到了一些困难, 包括边缘模糊、平滑角等缺陷和无法捕获远程依赖关系. 为了解决这些挑战, 本研究提出了一种基于UNet++的增强模型ARD-UNet++. 我们采用了7×7深度可分离卷积来减少参数计数, 促进更密集的特征提取和更全面的上下文信息捕获; 引入SimAM非参数注意力机制, 在不引入额外参数的情况下选择性地关注关键特征, 有效地抑制无关信息; 集成了残差连接以防止局部最优, 其中Res-SimAM模块取代了上采样节点中的标准卷积块. 与UNet++相比, 本增强模型在UAVid和Potsdam数据集上表现出显著的提升效果, mIoU分别提高了6.77%和1.79%, F1分别提高了4.71%和1.17%, OA分别提高了4.99%和0.98%. 通过与当前主流模型的对比分析, ARD-UNet++具有优越的性能, 是城市遥感图像精确分割的理想解决方案.
城市遥感图像具有分辨率高、背景多样、纹理复杂等特点, 这对边界分割提出了挑战. 当前主流的语义分割模型遇到了一些困难, 包括边缘模糊、平滑角等缺陷和无法捕获远程依赖关系. 为了解决这些挑战, 本研究提出了一种基于UNet++的增强模型ARD-UNet++. 我们采用了7×7深度可分离卷积来减少参数计数, 促进更密集的特征提取和更全面的上下文信息捕获; 引入SimAM非参数注意力机制, 在不引入额外参数的情况下选择性地关注关键特征, 有效地抑制无关信息; 集成了残差连接以防止局部最优, 其中Res-SimAM模块取代了上采样节点中的标准卷积块. 与UNet++相比, 本增强模型在UAVid和Potsdam数据集上表现出显著的提升效果, mIoU分别提高了6.77%和1.79%, F1分别提高了4.71%和1.17%, OA分别提高了4.99%和0.98%. 通过与当前主流模型的对比分析, ARD-UNet++具有优越的性能, 是城市遥感图像精确分割的理想解决方案.
优先出版日期: 2025-06-13
,DOI: 10.15888/j.cnki.csa.009920
摘要：
以物体为中心的学习方法旨在以组成式的方式对场景进行解析与建模, 并提取场景中物体的表示. 早期以物体为中心的学习方法通常使用简单的像素混合解码器来建模场景. 然而, 这些方法在处理复杂的合成数据集和真实世界数据集时通常表现不佳. 相比之下, 最近的一些以物体为中心的学习方法已经开始尝试使用结构更为复杂的解码器(例如自回归Transformer和扩散模型) 来更有效地提取物体表示并建模场景. 尽管这些近期的方法相比于早期的方法具有更好的效果, 但这些方法采用的非组成式建模方法与人类的直觉相悖, 且它们无法根据物体的表示生成对应的物体图像. 为了解决这个问题, 本文提出了以物体为中心的扩散模型(object-centric diffusion model, OCD), OCD使用一种改进的扩散模型作为解码器, 在重构场景的过程中分别生成物体的外观和掩码, 从而在保证模型效果的同时实现图像的组成式建模. 大量的实验证明, OCD在多种数据集(包括两个合成数据集和两个真实世界数据集) 上的图像分割和生成任务中表现出色, 证明了其普适性和有效性.
以物体为中心的学习方法旨在以组成式的方式对场景进行解析与建模, 并提取场景中物体的表示. 早期以物体为中心的学习方法通常使用简单的像素混合解码器来建模场景. 然而, 这些方法在处理复杂的合成数据集和真实世界数据集时通常表现不佳. 相比之下, 最近的一些以物体为中心的学习方法已经开始尝试使用结构更为复杂的解码器(例如自回归Transformer和扩散模型) 来更有效地提取物体表示并建模场景. 尽管这些近期的方法相比于早期的方法具有更好的效果, 但这些方法采用的非组成式建模方法与人类的直觉相悖, 且它们无法根据物体的表示生成对应的物体图像. 为了解决这个问题, 本文提出了以物体为中心的扩散模型(object-centric diffusion model, OCD), OCD使用一种改进的扩散模型作为解码器, 在重构场景的过程中分别生成物体的外观和掩码, 从而在保证模型效果的同时实现图像的组成式建模. 大量的实验证明, OCD在多种数据集(包括两个合成数据集和两个真实世界数据集) 上的图像分割和生成任务中表现出色, 证明了其普适性和有效性.
优先出版日期: 2025-05-29
,DOI: 10.15888/j.cnki.csa.009906
摘要：
现有的基于哈希的图像篡改检测算法主要依赖于传统手工设计的特征, 导致生成的取证哈希缺乏细节信息, 难以达到基于对象的篡改定位效果以及应对各种复杂的篡改类型. 针对这一问题, 本文提出了一种基于哈希学习的图像篡改检测模型. 该模型主要由两个模块组成: 哈希构建模块和篡改定位模块. 在哈希构建模块, 提出一种基于深度学习的多尺度特征提取与融合模块. 该模块不仅可以融合不同尺度的图像特征, 而且可以构造出紧凑又信息密集的图像哈希; 在篡改定位模块, 通过比较原始图像与篡改图像哈希值的差异, 可以得到粗糙的篡改区域定位效果. 为进一步提升定位精度, 模块采用了逐层融合哈希差异与多尺度特征的解码策略. 该策略将全局信息与局部细节进行有效结合, 从而提升了模型的鲁棒性及各种复杂篡改的适应性. 实验在3个数据集上与9种最新方法进行了对比. 在CASIAv1数据集中, 本文方案相比于性能第2的模型, F1值提高了10.7%; 在Columbia数据集中, F1值提高了1%; 在COVERAGE数据集中, F1值提高了17%. 为了进一步验证所提系统中各模块的有效性及其对篡改检测性能的贡献, 本文方案在CASIAv1数据集上进行了多项消融实验. 结果表明, 所提出的各个模块均显著提升了整体的篡改检测效果. 为了验证模型的鲁棒性, 本文方案在CASIAv1数据集中对图像进行了JPEG压缩、高斯模糊和高斯噪声的鲁棒性测试, 实验结果表明, 该方法在各种干扰下仍然保持了优异的鲁棒性. 实验结果表明, 所提出的基于深度学习与哈希的图像篡改定位模型在性能上明显优于已有的篡改检测方法, 并且在3个公开数据集上表现出较强的泛化能力.
现有的基于哈希的图像篡改检测算法主要依赖于传统手工设计的特征, 导致生成的取证哈希缺乏细节信息, 难以达到基于对象的篡改定位效果以及应对各种复杂的篡改类型. 针对这一问题, 本文提出了一种基于哈希学习的图像篡改检测模型. 该模型主要由两个模块组成: 哈希构建模块和篡改定位模块. 在哈希构建模块, 提出一种基于深度学习的多尺度特征提取与融合模块. 该模块不仅可以融合不同尺度的图像特征, 而且可以构造出紧凑又信息密集的图像哈希; 在篡改定位模块, 通过比较原始图像与篡改图像哈希值的差异, 可以得到粗糙的篡改区域定位效果. 为进一步提升定位精度, 模块采用了逐层融合哈希差异与多尺度特征的解码策略. 该策略将全局信息与局部细节进行有效结合, 从而提升了模型的鲁棒性及各种复杂篡改的适应性. 实验在3个数据集上与9种最新方法进行了对比. 在CASIAv1数据集中, 本文方案相比于性能第2的模型, F1值提高了10.7%; 在Columbia数据集中, F1值提高了1%; 在COVERAGE数据集中, F1值提高了17%. 为了进一步验证所提系统中各模块的有效性及其对篡改检测性能的贡献, 本文方案在CASIAv1数据集上进行了多项消融实验. 结果表明, 所提出的各个模块均显著提升了整体的篡改检测效果. 为了验证模型的鲁棒性, 本文方案在CASIAv1数据集中对图像进行了JPEG压缩、高斯模糊和高斯噪声的鲁棒性测试, 实验结果表明, 该方法在各种干扰下仍然保持了优异的鲁棒性. 实验结果表明, 所提出的基于深度学习与哈希的图像篡改定位模型在性能上明显优于已有的篡改检测方法, 并且在3个公开数据集上表现出较强的泛化能力.
优先出版日期: 2025-05-29
,DOI: 10.15888/j.cnki.csa.009918
摘要：
探测网络节点组成并分析其特征是提升比特币网络稳定性和安全性的基础. 现有研究主要侧重于网络节点属性分析, 较少关注节点探测方法本身的优化. 现有比特币网络节点探测方法存在时间长、开销大等不足. 本文将现有方法概括为无去重全遍历 (full traversal without deduplication, FTWD)测量模型并进行大量测量实验评估, 分析了影响其探测时间、开销及准确度的主要因素. 在此基础上, 提出一种改进的比特币网络节点探测方法BNP (Bitcoin node probe), 该方法通过增加初始轮次种子节点数量、引入轮次间新增节点比例指标、采用部分遍历策略等措施, 减少了探测时间和探测开销, 提升了探测效率. 实验结果表明, 与现有方法比较, BNP方法在随机选择比例为50%时, 虽探测节点总数略有下降, 但探测时间平均减少40.4%, 探测数据包开销平均减少21.4%.
探测网络节点组成并分析其特征是提升比特币网络稳定性和安全性的基础. 现有研究主要侧重于网络节点属性分析, 较少关注节点探测方法本身的优化. 现有比特币网络节点探测方法存在时间长、开销大等不足. 本文将现有方法概括为无去重全遍历 (full traversal without deduplication, FTWD)测量模型并进行大量测量实验评估, 分析了影响其探测时间、开销及准确度的主要因素. 在此基础上, 提出一种改进的比特币网络节点探测方法BNP (Bitcoin node probe), 该方法通过增加初始轮次种子节点数量、引入轮次间新增节点比例指标、采用部分遍历策略等措施, 减少了探测时间和探测开销, 提升了探测效率. 实验结果表明, 与现有方法比较, BNP方法在随机选择比例为50%时, 虽探测节点总数略有下降, 但探测时间平均减少40.4%, 探测数据包开销平均减少21.4%.
优先出版日期: 2025-05-29
,DOI: 10.15888/j.cnki.csa.009828
摘要：
人像抠图是图像处理领域重要任务之一, 针对现有图像数据中人像前景尺度多样造成的人像抠取粗糙问题, 提出一种双金字塔式编码的人像语义感知自动抠图网络. 双金字塔式编码器包含输入金字塔和特征金字塔, 输入金字塔中输入图像等比例下采样后送入网络以保留原始图像细节, 特征金字塔结合带状卷积组和5个层级的编码块充分捕获不同层次的图像特征. 同时, 在双分支解码结构中, 全局分割解码分支上设计了视域扩张模块扩大网络感受范围, 进一步增强全局上下文信息的捕获; 局部细节分支上提出细节感知模块融合编码特征与解码输出, 引导网络关注人像轮廓. 在3个数据集上与6种人像自动抠图方法进行了对比实验, 所提方法的抠图性能均优于对比方法. 验证了所提方法能改善人像抠取的精细度, 提高了复杂图像数据下人像抠取的鲁棒性.
人像抠图是图像处理领域重要任务之一, 针对现有图像数据中人像前景尺度多样造成的人像抠取粗糙问题, 提出一种双金字塔式编码的人像语义感知自动抠图网络. 双金字塔式编码器包含输入金字塔和特征金字塔, 输入金字塔中输入图像等比例下采样后送入网络以保留原始图像细节, 特征金字塔结合带状卷积组和5个层级的编码块充分捕获不同层次的图像特征. 同时, 在双分支解码结构中, 全局分割解码分支上设计了视域扩张模块扩大网络感受范围, 进一步增强全局上下文信息的捕获; 局部细节分支上提出细节感知模块融合编码特征与解码输出, 引导网络关注人像轮廓. 在3个数据集上与6种人像自动抠图方法进行了对比实验, 所提方法的抠图性能均优于对比方法. 验证了所提方法能改善人像抠取的精细度, 提高了复杂图像数据下人像抠取的鲁棒性.
优先出版日期: 2025-05-29
,DOI: 10.15888/j.cnki.csa.009875
摘要：
随着语音合成应用场景不断扩展, 对多人多情感语音合成的需求越来越大. 在实际应用中经常需要合成具有特定风格的语音信号. 为此提出一种基于注意力机制的端到端语音合成模型. 首先设计了说话人编码模块, 通过注意力机制提取语音信号中说话者的特征表示, 结合数据集中性别、年龄等特征标签构建说话人特征库; 其次设计风格编码模块, 通过注意力机制为不同梅尔特征通道赋予不同关注程度和权重; 然后使用K近邻构建虚拟说话人特征, 实现在不提供说话人及真实数据的情境下, 灵活组合不同说话人特征和风格特征, 搭配合成出具有特定特征风格的声音. 实验表明, 该模型对比SV2TTS模型有较快的训练速度, 能够合成具有特定风格的高质量的语音.
随着语音合成应用场景不断扩展, 对多人多情感语音合成的需求越来越大. 在实际应用中经常需要合成具有特定风格的语音信号. 为此提出一种基于注意力机制的端到端语音合成模型. 首先设计了说话人编码模块, 通过注意力机制提取语音信号中说话者的特征表示, 结合数据集中性别、年龄等特征标签构建说话人特征库; 其次设计风格编码模块, 通过注意力机制为不同梅尔特征通道赋予不同关注程度和权重; 然后使用K近邻构建虚拟说话人特征, 实现在不提供说话人及真实数据的情境下, 灵活组合不同说话人特征和风格特征, 搭配合成出具有特定特征风格的声音. 实验表明, 该模型对比SV2TTS模型有较快的训练速度, 能够合成具有特定风格的高质量的语音.
优先出版日期: 2025-05-29
,DOI: 10.15888/j.cnki.csa.009886
摘要：
陕西省西安市汉长安城遗址出土的骨签为西汉历史的研究工作提供了丰富资料, 受长期埋藏和人为开采影响, 大量骨签存在断裂现象, 造成语义信息缺失, 影响骨签分类归置效率. 为提高骨签分类归置效率, 本文提出了一种面向语义缺失的EWRCA骨签释文分类模型. 该模型利用ERNIE的8层编码器捕获文本的深层语义信息, 学习断裂和不完整的骨签释文信息; 通过融合ERNIE多层编码器的输出与Word2Vec生成的词向量, 提高对骨签释文独有词汇的理解能力; 将文本向量融合模块与TextRCNN-MHAtt模型结合, 有效捕获文本的上下文依赖, 增强文本的语义表示能力, 提升分类准确性; 引入融合注意力机制提高模型在处理骨签释文时的准确性. 实验结果表明, 该模型对汉长安城骨签释文的分类精度和准确率达到95.62%、95.2%, 能够有效提高骨签释文的分类精度.
陕西省西安市汉长安城遗址出土的骨签为西汉历史的研究工作提供了丰富资料, 受长期埋藏和人为开采影响, 大量骨签存在断裂现象, 造成语义信息缺失, 影响骨签分类归置效率. 为提高骨签分类归置效率, 本文提出了一种面向语义缺失的EWRCA骨签释文分类模型. 该模型利用ERNIE的8层编码器捕获文本的深层语义信息, 学习断裂和不完整的骨签释文信息; 通过融合ERNIE多层编码器的输出与Word2Vec生成的词向量, 提高对骨签释文独有词汇的理解能力; 将文本向量融合模块与TextRCNN-MHAtt模型结合, 有效捕获文本的上下文依赖, 增强文本的语义表示能力, 提升分类准确性; 引入融合注意力机制提高模型在处理骨签释文时的准确性. 实验结果表明, 该模型对汉长安城骨签释文的分类精度和准确率达到95.62%、95.2%, 能够有效提高骨签释文的分类精度.
优先出版日期: 2025-05-29
,DOI: 10.15888/j.cnki.csa.009889
摘要：
现有的基于自注意力的会话推荐融合所有高阶邻居信息, 在丰富节点项目表示的同时也带来了节点项目表示同质化及弱相关邻居对项目表示产生干扰的问题. 针对这些问题, 提出一种基于图注意力和会话偏好识别的会话推荐模型. 模型在生成节点项目嵌入时仅选择μ阶邻居, 采取图注意力机制聚合μ阶邻居特征信息; 同时, 针对不同用户的不同会话偏好不一的情况, 提出会话偏好分类识别及会话嵌入学习方法, 将会话偏好分为偏好集中和偏好发散两种类型, 进行分类计算; 最后, 应用软注意力机制融合会话中的项目嵌入学习得到会话嵌入表示进行预测. 在Nowplaying和Diginetica两个真实数据集上进行实验, 与基线方法相比, 本文模型均达到了更优的实验效果.
现有的基于自注意力的会话推荐融合所有高阶邻居信息, 在丰富节点项目表示的同时也带来了节点项目表示同质化及弱相关邻居对项目表示产生干扰的问题. 针对这些问题, 提出一种基于图注意力和会话偏好识别的会话推荐模型. 模型在生成节点项目嵌入时仅选择μ阶邻居, 采取图注意力机制聚合μ阶邻居特征信息; 同时, 针对不同用户的不同会话偏好不一的情况, 提出会话偏好分类识别及会话嵌入学习方法, 将会话偏好分为偏好集中和偏好发散两种类型, 进行分类计算; 最后, 应用软注意力机制融合会话中的项目嵌入学习得到会话嵌入表示进行预测. 在Nowplaying和Diginetica两个真实数据集上进行实验, 与基线方法相比, 本文模型均达到了更优的实验效果.
优先出版日期: 2025-05-29
,DOI: 10.15888/j.cnki.csa.009899
摘要：
为解决黄瓜病害种类繁多且症状相似导致的识别困难问题, 本文提出一种改进的YOLOv9黄瓜病害识别模型BiFEL-YOLOv9, 以提高自然背景下黄瓜病害的检测精度. 首先在关键网络层引入加权双向特征金字塔网络模块(bidirectional feature pyramid network, BiFPN), 增强了模型对多尺度特征的融合能力; 其次结合特征增强模块(feature enhancement)和大核选择性注意力机制(large selective kernel block, LSKBlock)对原始的RepNCSPELAN4模块进行改进得到RNFEL模块, 增强了模型的特征表示能力及对复杂背景的鲁棒性. 实验结果表明, BiFEL-YOLOv9模型准确率达到97.96%、召回率达到95.51%、平均精度均值mAP_0.5和mAP_0.5:0.95分别达到98.21%和95.12%, 均优于原YOLOv9模型, 有效实现了黄瓜病害的检测与识别.
为解决黄瓜病害种类繁多且症状相似导致的识别困难问题, 本文提出一种改进的YOLOv9黄瓜病害识别模型BiFEL-YOLOv9, 以提高自然背景下黄瓜病害的检测精度. 首先在关键网络层引入加权双向特征金字塔网络模块(bidirectional feature pyramid network, BiFPN), 增强了模型对多尺度特征的融合能力; 其次结合特征增强模块(feature enhancement)和大核选择性注意力机制(large selective kernel block, LSKBlock)对原始的RepNCSPELAN4模块进行改进得到RNFEL模块, 增强了模型的特征表示能力及对复杂背景的鲁棒性. 实验结果表明, BiFEL-YOLOv9模型准确率达到97.96%、召回率达到95.51%、平均精度均值mAP_0.5和mAP_0.5:0.95分别达到98.21%和95.12%, 均优于原YOLOv9模型, 有效实现了黄瓜病害的检测与识别.
优先出版日期: 2025-05-27
,DOI: 10.15888/j.cnki.csa.009884
摘要：
现有文本图像阴影消除方法已取得了一定的进步, 但是这些方法主要关注图像本身和文本背景颜色信息, 忽视了真实场景中文本图像通常伴随密度不一致的阴影, 因此这些方法可能存在图像局部细节丢失、内容不协调等问题. 针对这个问题, 本文提出了一种基于密度和颜色信息指导的文本图像阴影消除算法. 首先, 设计了特征提取模块, 以提取输入图像的阴影密度和背景颜色信息. 随后, 在每一级模块输入之前, 利用自适应模块调整初始的阴影密度特征, 并结合背景颜色信息指导后续的阴影消除过程. 为了更好地提取图像的全局与局部特征, 本文提出了密度和颜色引导的Transformer模块和阴影敏感的局部特征提取模块, 并将两者结合作为主要阴影消除模块. 实验证明, 相比现阶段的文本图像阴影消除方法, 所提出的网络模型在性能上更加优越.
现有文本图像阴影消除方法已取得了一定的进步, 但是这些方法主要关注图像本身和文本背景颜色信息, 忽视了真实场景中文本图像通常伴随密度不一致的阴影, 因此这些方法可能存在图像局部细节丢失、内容不协调等问题. 针对这个问题, 本文提出了一种基于密度和颜色信息指导的文本图像阴影消除算法. 首先, 设计了特征提取模块, 以提取输入图像的阴影密度和背景颜色信息. 随后, 在每一级模块输入之前, 利用自适应模块调整初始的阴影密度特征, 并结合背景颜色信息指导后续的阴影消除过程. 为了更好地提取图像的全局与局部特征, 本文提出了密度和颜色引导的Transformer模块和阴影敏感的局部特征提取模块, 并将两者结合作为主要阴影消除模块. 实验证明, 相比现阶段的文本图像阴影消除方法, 所提出的网络模型在性能上更加优越.
优先出版日期: 2025-05-27
,DOI: 10.15888/j.cnki.csa.009885
摘要：
颅内动脉瘤是脑血管的病理性扩张, 一旦破裂致死率极高. 人工检测颅内动脉瘤繁琐耗时, 因此有必要引入自动化检测技术. 为解决现存算法在处理点云数据时空间利用率低, 难以同时捕捉局部细节与整体结构的问题, 设计基于片序列注意力的颅内动脉瘤点云分割算法. 利用空间填充曲线将点云序列化, 改善了传统点云在提取局部结构信息时的效果. 提出更加精细化的片注意力, 利用片分组和片交互, 进一步加强模型对不同空间关系的泛化能力. 同时设计网格池化操作, 解决了传统算法对于信息密度和重叠不可控的问题.该方法在IntrA数据集上获得了健康血管段IoU为95.37%、动脉瘤段IoU为84.67%的分割精度, 远优于大多数现存算法.
颅内动脉瘤是脑血管的病理性扩张, 一旦破裂致死率极高. 人工检测颅内动脉瘤繁琐耗时, 因此有必要引入自动化检测技术. 为解决现存算法在处理点云数据时空间利用率低, 难以同时捕捉局部细节与整体结构的问题, 设计基于片序列注意力的颅内动脉瘤点云分割算法. 利用空间填充曲线将点云序列化, 改善了传统点云在提取局部结构信息时的效果. 提出更加精细化的片注意力, 利用片分组和片交互, 进一步加强模型对不同空间关系的泛化能力. 同时设计网格池化操作, 解决了传统算法对于信息密度和重叠不可控的问题.该方法在IntrA数据集上获得了健康血管段IoU为95.37%、动脉瘤段IoU为84.67%的分割精度, 远优于大多数现存算法.
优先出版日期: 2025-05-27
,DOI: 10.15888/j.cnki.csa.009882
摘要：
针对捕鱼打捞、海底勘探等行业存在的现有水下设备存储和计算资源有限, 检测模型体积庞大, 难以在终端设备高效运行的问题, 提出一种融合剪枝和知识蒸馏的轻量级水下生物检测算法, 首先设计C2f_GSConv结构来替换原有YOLOv8n颈部网络中的C2f模块, 减少模型整体的计算复杂度, 优化模型结构; 其次引用MPDIoU来替换CIoU作为新的损失函数, 加快回归边界框收敛速度, 提升检测性能; 然后利用LAMP剪枝算法对模型进行裁剪, 去除冗余的通道信息和卷积核, 进一步地减少参数量和计算量, 压缩模型体积; 最后通过知识蒸馏来恢复模型的检测精度, 减少剪枝带来的不必要的精度损失. 实验结果表明, 在URPC数据集上, 改进后的模型相较于基准模型YOLOv8n, mAP50提升了1.8%, 参数量减少了62%, 计算量减少了56%, FPS提高了186 f/s. 通过在嵌入式开发板上进行部署验证, 结果同样具备良好的性能, 因此能够满足水下低配置设备的应用部署.
针对捕鱼打捞、海底勘探等行业存在的现有水下设备存储和计算资源有限, 检测模型体积庞大, 难以在终端设备高效运行的问题, 提出一种融合剪枝和知识蒸馏的轻量级水下生物检测算法, 首先设计C2f_GSConv结构来替换原有YOLOv8n颈部网络中的C2f模块, 减少模型整体的计算复杂度, 优化模型结构; 其次引用MPDIoU来替换CIoU作为新的损失函数, 加快回归边界框收敛速度, 提升检测性能; 然后利用LAMP剪枝算法对模型进行裁剪, 去除冗余的通道信息和卷积核, 进一步地减少参数量和计算量, 压缩模型体积; 最后通过知识蒸馏来恢复模型的检测精度, 减少剪枝带来的不必要的精度损失. 实验结果表明, 在URPC数据集上, 改进后的模型相较于基准模型YOLOv8n, mAP50提升了1.8%, 参数量减少了62%, 计算量减少了56%, FPS提高了186 f/s. 通过在嵌入式开发板上进行部署验证, 结果同样具备良好的性能, 因此能够满足水下低配置设备的应用部署.
优先出版日期: 2025-05-27
,DOI: 10.15888/j.cnki.csa.009871
摘要：
讽刺是一种修辞手法, 通过言辞或行为表达出与字面意义相反或不同的含义, 常用于批评、讽刺、幽默或反讽, 通常包含对某种情况或观点的嘲笑或挖苦. 由于讽刺的复杂性, 导致讽刺检测很难只通过文本单个模态进行. 因此, 多模态讽刺检测得到了更多研究者的关注. 现有的方法通过注意力机制进行多模态讽刺检测, 然而它们在对齐和融合阶段有所不足, 无法筛选出对齐信息中的重要信息从而影响模型性能. 本文提出了一个基于注意力和图注意力的模型来进行多模态讽刺检测, 它通过多头跨模态注意力模块进行对齐, 通过自注意力增强两个模块输出中的重要信息的表达. 该模型的效果在一个基于Twitter的公开讽刺检测数据集上得到了验证.
讽刺是一种修辞手法, 通过言辞或行为表达出与字面意义相反或不同的含义, 常用于批评、讽刺、幽默或反讽, 通常包含对某种情况或观点的嘲笑或挖苦. 由于讽刺的复杂性, 导致讽刺检测很难只通过文本单个模态进行. 因此, 多模态讽刺检测得到了更多研究者的关注. 现有的方法通过注意力机制进行多模态讽刺检测, 然而它们在对齐和融合阶段有所不足, 无法筛选出对齐信息中的重要信息从而影响模型性能. 本文提出了一个基于注意力和图注意力的模型来进行多模态讽刺检测, 它通过多头跨模态注意力模块进行对齐, 通过自注意力增强两个模块输出中的重要信息的表达. 该模型的效果在一个基于Twitter的公开讽刺检测数据集上得到了验证.
优先出版日期: 2025-05-27
,DOI: 10.15888/j.cnki.csa.009858
摘要：
随着网络环境与攻击手段的变化, 大部分网络攻击检测的方法应用在真实场景中会随着时间的推移逐渐丧失高性能, 导致检测结果不稳定. 因此本文针对变化的真实网络攻击设计了一种基于极值理论的持续学习异常检测系统E-TCEVT. 该系统的构建通过引入一种结合词级和子词级的混合语言模型, 用于从Web日志中有效提取特征. 在检测阶段, 采用基于极值理论和集成学习的思路, 通过集成多个基于不同时间点训练的模型防止模型微调时的灾难性遗忘, 实现模型对新旧样本的适应性和性能维持. 在开源数据集和真实数据集上的实验表明, 与单模型微调更新相比, 本文提出的方法具有更高的F1分数; 与传统的非更新的方法相比, 本文方法在召回率和F1分数上都表现更好.
随着网络环境与攻击手段的变化, 大部分网络攻击检测的方法应用在真实场景中会随着时间的推移逐渐丧失高性能, 导致检测结果不稳定. 因此本文针对变化的真实网络攻击设计了一种基于极值理论的持续学习异常检测系统E-TCEVT. 该系统的构建通过引入一种结合词级和子词级的混合语言模型, 用于从Web日志中有效提取特征. 在检测阶段, 采用基于极值理论和集成学习的思路, 通过集成多个基于不同时间点训练的模型防止模型微调时的灾难性遗忘, 实现模型对新旧样本的适应性和性能维持. 在开源数据集和真实数据集上的实验表明, 与单模型微调更新相比, 本文提出的方法具有更高的F1分数; 与传统的非更新的方法相比, 本文方法在召回率和F1分数上都表现更好.
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: 2025-04-28
,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: 2025-04-25
,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.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.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.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: 2025-04-25
,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: 2025-04-01
,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.
-
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(6):1-11, DOI: 10.15888/j.cnki.csa.009903
摘要：
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
