计算机应用研究杂志

计算机应用研究杂志2023年第12期

• 绿色移动边缘网络中可靠的虚拟网络功能部署技术研究

  梁俊斌,黄少东,吴旭,杨颖,

  绿色移动边缘网络（GMEN）是一个新兴的分布式网络，它将可再生的绿色能量作为边缘节点运行的主要能源，从而减少从电网中获取的能量。在GMEN中，网络服务供应商可以将多个虚拟网络功能（VNF）按照特定的顺序组成服务功能链（SFC）来处理用户的请求，这些VNF可以以软件实例的形式被灵活地部署在边缘节点上来高效地利用绿色能量。为了保证服务的时延和可靠性要求，需要把多个备份VNF（BVNF）部署在距VNF k跳范围内的节点上，以便在VNF发生故障时能代替它继续提供满足时延要求的服务。然而，每个地理分散的边缘节点收集到的绿色能量是动态变化的，如果VNF周围的节点所收集的能量减少并小于运行BVNF所需的能耗，则需要从电网中获取额外的能量来保证它的运行。因此，根据节点收集的绿色能量和使用计算、通信等资源所消耗的能量速率，制定在线的VNF和BVNF联合部署方案，使得边缘节点从电网中获取的能量被最小化，同时保证服务的时延和可靠性要求，是一个NP-hard问题。目前，已有许多工作对这一问题进行了研究，并取得了一定的成果，但在实际的应用中仍面临着一些问题。为了更深入地推进该领域的研究，对近几年的最新研究成果进行了分析、归纳和总结，对比了它们的优缺点，并对未来的工作进行了展望。

• 数据湖技术研究综述

  蔡珉官,王朋,

  传统存储技术已经不适合大数据时代的数据分析和应用，数据湖概念的出现有效解决了数据存储成本高、灵活性低、异构数据多样化等问题。目前数据湖研究还处于早期阶段，缺乏覆盖数据处理全过程的综述性研究。为了更全面地了解数据湖技术，调查分析了近几年数据湖技术的研究成果。首先，梳理了数据湖发展历程和概念，并与其他类似的概念进行了比较；其次，对数据湖架构进行了调查，并根据架构特征把数据湖关键技术分为存储、数据摄取、数据维护、数据探索、数据治理等部分，分析和讨论了关键技术的最新研究进展、技术方案、研究缺陷以及今后研究方向；最后，调查了数据湖在各个应用领域的典型应用，为各行业数据湖的实施者提供了参考。

• 基于变色龙hash的区块链可扩展存储方案

  胡宁玉,郝耀军,常建龙,冯丽萍,

  区块链中的节点以副本形式保存数据，随着时间的推移，区块链中的区块数不断增加，导致节点承受的存储压力随之增大，存储压力成为区块链应用落地的瓶颈之一。为了解决区块链中存储压力问题，提出了基于变色龙hash的区块链可扩展存储方案，该方案利用节点被攻击成功的概率和改进的温度模型，将区块分为高低安全性的冷热区块；基于变色龙hash算法和改进的Merkle tree，对高安全性的冷区块进行部分节点存储。在存储过程中，除高安全性冷区块的区块体信息被重构外，其余数据保持不变。仿真实验表明，在不改变区块链结构和安全性能的情况下，所提出的方案可减少区块链中数据的存储总量，减少存储节点的存储压力；且区块数量越多，其优势越明显。

• 基于网络度量元的Solidity智能合约缺陷预测

  李显伟,潘伟丰,王家乐,潘云,袁成祥,

  针对现有智能合约缺陷预测方法未考虑合约代码内部结构对缺陷产生的影响的不足，提出了一种基于网络度量元的Solidity智能合约缺陷预测方法。首先，通过Solidity-Antlr4工具构建Solidity智能合约的抽象语法树（abstract syntax tree，AST）；其次，根据抽象语法树构建合约网络，网络中的节点代表函数和属性，边代表函数间的调用关系和函数对属性的操作关系；然后，引入复杂网络领域的知识，构建了一套针对Solidity智能合约的网络度量元；最后，基于多种回归模型和分类模型构建智能合约缺陷预测模型，进而比较不同类型的度量元在Solidity智能合约缺陷预测方面的性能。数据实验表明，结合了网络度量元的缺陷预测模型的预测性能比相应没有结合网络度量元的模型要好。

• 基于WOA优化概率分布参考点的锂电池故障诊断

  李康乐,张云逸,韩劲松,贺维,

  锂离子电池凭借其优越的储能性能被广泛应用在许多领域，而随着使用时间增加，锂离子电池的老化加剧容易导致不同程度的故障，因此对锂离子电池进行在线故障诊断至关重要。为了进一步提高故障诊断的准确率和透明性，提出使用连续概率分布证据推理（ER）规则的故障诊断模型，并使用优化方法优化相关参数。首先，从充放电过程中提取能反映电池健康状态（SOH）的特征指标，采用Spearman相关系数分析特征指标与SOH之间的关联来提取健康因子；第二，考虑到电池的故障信息具有不确定性，提出一种基于ER规则的连续概率分布参考点的故障诊断方法，采用高斯分布描述参考点，实现在线故障诊断；第三，设计了一种带约束的鲸鱼优化算法（WOA）优化证据参数，构建GER-W故障诊断模型，使模型故障诊断准确率达到最优；最后，通过分析SOH对故障进行模糊划分，以NASA电池数据集为例验证GER-W模型的有效性，此外还将模型拓展到电池SOH估计中。验证结果表明，GER-W模型对比其他故障诊断方法具有更高准确率且诊断过程更加透明，在SOH估计中也有一定效果。

• 二阶自然最近邻和多簇合并的密度峰值聚类算法

  张紫丹,徐华,杨重阳,

  密度峰值聚类（density peaks clustering，DPC）算法基于局部密度和相对距离识别簇中心，忽视了样本所处环境对样本点密度的影响，因此不容易发现低密度区域的簇中心；DPC算法采用的单步分配策略的容错性差，一旦一个样本点分配错误，将导致后续一系列样本点分配错误。针对上述问题，提出二阶自然最近邻和多簇合并的密度峰值聚类算法（TNMM-DPC）。首先，引入二阶自然邻居的概念，同时考虑样本点的密度与样本点所处的环境，重新定义了样本点的局部密度，以降低类簇的疏密对类簇中心选择的影响；其次，定义了核心点集来选取初始微簇，依据样本点与微簇间的关联度对样本点进行分配；最后引入了邻居边界点集的概念对相邻的子簇进行合并，得到最终的聚类结果，避免了分配错误连带效应。在人工数据集和UCI数据集上，将TNMM-DPC算法与DPC及其改进算法进行了对比，实验结果表明，TNMM-DPC算法能够解决DPC算法所存在的问题，可以有效聚类人工数据集和UCI数据集。

• 考虑不平衡指数的不平衡数据集分类设计方法

  周玉,岳学震,孙红玉,

  数据集类别不平衡问题是分类领域的重要问题之一，每个数据集的不平衡指数都与其自身有着紧密的联系，是数据集的重要标志。面对不平衡数据集分类设计问题，提出了一种改进AdaBoost算法（enhanced AdaBoost，E-AdaBoost）。该算法将不平衡指数和不平衡数据集中较为重要的少数类分类正确率考虑到算法的迭代过程中，改进了基分类器的权重更新策略，进而提高对不平衡数据集的分类性能。基于E-AdaBoost的不平衡数据集分类设计方法可以根据样本的不平衡指数，确定基分类器的权重参数，进而提高分类器性能。利用该方法，结合多个经典分类器，在人工数据集和标准数据集上进行实验分析，并对比相关方法，结果表明，基于E-AdaBoost的不平衡数据集分类设计方法能够有效提高不平衡数据集的分类性能。

• 基于协同进化信息和深度学习的蛋白质功能预测

  王金雷,丁学明,秦琪琪,彭博雅,

  蛋白质的功能对于理解细胞和生物的活动机制、研究疾病机理等至关重要。面对序列数据库的快速增长，传统的实验和序列对比方法不足以支撑大规模的蛋白质功能标注。为此，提出EGNet（evolutionary graph network）模型，采用蛋白质预训练语言模型ESM2和one-hot编码得到蛋白质序列编码，通过序列自注意力和物理计算整合出残基间的协同进化信息PI（paired interaction）和SPI（strong paired interaction）；之后将两种进化信息和序列编码作为多层串联图卷积网络输入，学习序列编码节点特征，实现端到端的蛋白质功能预测。与早期方法相比，在ENZYME数据库中的EC（Enzyme Commission）类别标签上，EGNet获得了更好的性能，其F-score达到0.89，AUPR值达到0.91。结果表明，EGNet仅仅采用单条序列来预测蛋白质功能就可以得到良好的结果，从而能够提供快速且有效的蛋白质功能注释。

• 基于改进密度峰值聚类的路网划分方法

  杨迪,徐文瑜,王鹏,

  城市路网的合理划分对于优化区域交通控制以及协调策略的实施具有重要意义。为提高道路通行效率，提出基于密度峰值聚类算法的城市路网划分方法，首先，综合考虑交叉口静态和动态因素的影响，构建相邻交叉口的关联度模型，为合理量化交叉口之间的关联程度提供定量描述。其次，提出改进的密度峰值聚类算法，结合相邻交叉口之间的关联度对路网区域进行划分。针对密度峰值聚类算法中局部密度在不同规模数据集上差异较大的问题，引入KNN的思想，重新对局部密度进行描述，其次为避免算法聚类中心人工选取的主观性导致的误差问题，采用肘部法则实现聚类中心的自动选取。实验结果表明，与改进的Newman算法及Ncut算法相比，提出的改进算法在优化子区平均匀质度上可分别降低12.5%和22.8%，提高了控制子区的划分效果，使区域划分效果更合理。

• 改进的堆优化算法及其宫颈细胞数据聚类优化

  张新明,陈海燕,窦育强,王善侠,刘国奇,窦智,张贝,

  常见的聚类方法存在对初始点敏感和易陷入局部最优的不足，为此提出了一种改进HBO的聚类方法。首先，提出一种改进的HBO，即扰动替换的HBO（disturbance and replacement HBO，DRHBO）克服其不足，即采用一种随机维度值替换策略和高斯扰动机制用于HBO中最优个体的状态更新，解决HBO搜索效率低的问题；提出一种正弦差分扰动策略，以突破当前个体仅与直接领导和同事进行交流的限制，从而增强搜索能力；将随机维度值替换和随机差分扰动策略融合，用于HBO中前期个体状态更新以避免其产生无效解。其次，提出一种DRHBO聚类方法，并运用到宫颈细胞数据集上以获得更好的聚类效果。大量、不同类别和不同样本的宫颈细胞数据集实验结果表明，与HBO及其改进算法和其他最先进算法相比，DRHBO的优化性能更好、稳定性更强且效率更高。DRHBO聚类方法更适应于宫颈细胞数据集。

• 多策略融合的改进万有引力搜索算法

  樊康生,杨光永,吴大飞,汪军,徐天奇,

  为解决传统万有引力搜索算法（GSA）易陷入局部最优和开发能力弱等问题，提出了一种多策略融合的改进万有引力搜索算法（MFGSA）。首先，提出动态调整引力常数G的更新策略，以增强算法的探索能力和收敛精度；其次，为保留粒子的多样性，提出了基于对称思想的粒子越界处理策略，以提高算法的收敛精度；为适应前两个策略，还引入精英思想，用最优粒子改善最差粒子位置策略，以避免算法陷入局部最优；同时，提出了自适应因子更新粒子速度和位置策略，以提高算法的收敛速度。为验证改进算法的性能，将改进算法与传统万有引力搜索算法和其他四种改进万有引力搜索算法在10个基准函数上进行了对比实验，结果表明MFGSA在收敛速度、搜索精度方面优势较大，表明MFGSA性能的优越性。

• 面向路径规划问题的虚拟多任务共生生物搜索算法

  徐江,程美英,

  针对现有共生生物搜索（SOS）算法在求解路径规划等离散型优化问题时存在性能较差、收敛速度慢等问题，提出虚拟多任务共生生物搜索（VMTSOS）算法。首先根据双向映射解码策略，实现个体连续空间位置和离散城市序列转换；然后引入多任务优化思想构建虚拟多任务环境，设计多种群同时优化同一任务，并通过停滞阈值控制种群间信息迁移频率，当主种群达到停滞阈值时，将辅助种群中部分优秀个体替换为主种群劣质个体；最后对VMTSOS算法时间和空间复杂度进行分析。仿真实验表明，VMTSOS算法在求解多数TSP时均能快速收敛至各测试实例目前的最优解，而在求解冷链物流配送问题时，具有多种群辅助机制的VMTSOS算法能较大程度地降低最优总成本。

• 基于注意力时空卷积和A2C的虚拟机主动容错优先迁移决策

  党伟超,武婷玉,

  针对边缘云环境的自动化和分布式特性、高度不可靠性及易变的工作负载问题，提出基于注意力时空卷积和A2C的虚拟机主动容错优先迁移决策模型AST-A2C。首先，采用带有注意力机制的长短期记忆网络（LSTM）提取各主机的时序特征，根据时序特征和多主机间的交互信息构建图网络，再利用图注意力网络（GAT）提取网络中不同主机间的关联信息，将其用于主机的故障信息编码。其次，设计可动态建立模型并不断生成改进决策的A2C模块，联合故障编码信息和调度决策信息进行优先迁移决策。最后，构建满足不同用户QoS要求和应用程序设置的自适应损失函数来优化调度决策。实验结果表明，该模型在故障检测、能源消耗、时延敏感性等方面优于最先进的基线，是提高边缘云计算可靠性的理想选择。

• 基于改进INFO算法的新型可拓云计算机性能评估模型

  李冬,杨攀飞,廉建芳,赵立新,

  计算机系统的性能评价和分级是计算机高性能发展的关键环节。为消除评估过程中不确定性导致的性能等级误判，采用可拓云理论构建计算机性能评价的理论模型；其次，为兼顾等级边界的分明性和模糊性，提出一种可自适应评估对象的最优云熵计算方法，提高了模型的合理性和准确性；最后，针对模型参数的非线性求解问题，提出改进向量加权平均算法（INFO）。该算法采用差分进化策略扰动向量来产生候选解，从而优化潜在解的初始分布均匀性；并且在搜索阶段结合t分布策略，根据概率值扩大算法的搜索范围，提高算法的全局搜索能力。经实例验证，结果表明所提模型是一种有效的计算机性能评估方法。

• 融合状态关系的知识追踪模型

  张凯,纪涛,况莹,

  知识追踪模型建模学习者对每个知识点的状态推断其知识总状态，预测其未来的学习表现。但现有研究在建模知识总状态时，没有融合知识点状态之间的关系，影响了最终的预测效果。针对这一问题，提出一种融合知识点状态关系的知识追踪模型。首先向量化表示数据集中的知识点，构建知识点表示图；其次将知识点表示图扩散至潜式空间以反映其内在结构和本质信息；融合当前时刻的习题与知识点作为引导向量，从知识点表示图的潜式表示中提取知识点状态图；以知识点状态图为基础，推导知识总状态，预测当前习题的表现。通过在三个数据集上对比四个相关模型的实验证明，提出的模型在AUC、ACC和表示质量方面均取得了一定的优势。其中，在 ASSISTments2009数据集上表现最佳，与对比模型中的最优值和最低值比较，AUC分别提升了1.17%、10.57%，ACC分别提升了3.23%、12.17%，表示质量分别提升了1.95%、10.40%。进一步地，可视化地展示了知识点状态及其关系的内部推导过程，以及它们与真实答题结果之间的对应关系，说明模型具备一定的可解释性。同时，将该模型应用于三门课程以预测学生的表现，与相关模型对比取得了更好的结果，说明模型具备一定的实用性。

• 基于知识图谱的用户表征及在互补产品推荐中的应用

  孙瑞雪,纪淑娟,梁永全,

  互补产品推荐旨在为用户提供经常一起购买的产品，以满足共同的需求。现有的互补产品推荐方法大多考虑对产品的内容特性（视觉和文本内容）建模，而没有考虑用户购买产品的偏好。为此设计了一种融合用户偏好的互补产品推荐模型（complementary product recommendation models that integrate user preferences，CPRUP）。该模型首先计算产品之间图像和文本特征的互补关系；然后将知识图谱与注意力机制相结合，基于n-hop邻居挖掘用户历史购买产品之间的相关性，提出一种基于知识图谱的用户表征来提取用户对互补产品的偏好；最后基于神经网络实现互补关系与用户偏好的共同学习。使用Amazon数据集进行实验，提出的 CPRUP模型与次优基线模型相比，ACC提升了5%，precision提升了4%，表明CPRUP模型可以更准确地为用户推荐互补产品。

• 基于多策略协同进化差分算法的社区居民负荷优化调度

  李冰,王雷震,张佳,王素欣,张瑞友,

  针对需求响应下负荷调度的问题，为提供满足居民利益的响应方案，并提高电网运行稳定性，综合考虑电价、激励型需求响应机制与居民用电需求，以用电成本和社区负荷方差最小化为目标，建立了多用户负荷调度高维目标优化模型。结合模型特征提出一种基于多策略的合作协同进化差分进化算法，设计了基于居民用电特征的混合编码与种群初始化策略，以提高解的质量；引入合作协同进化思想将问题变量分解，依据高维目标分组与聚合对种群进行划分，避免陷入局优；各子种群进化时采取双差分模式协同策略，并构建知识迁移个体实现种群间信息交互，最后经贪婪与随机选择结合的种群合并策略保留完整优秀解至外部档案，以提高Pareto最优集的收敛性与分布性。算例仿真表明，所提方法可降低社区居民用电成本18%左右、负荷波动方差30%以上；随着居民数量增加，算法的收敛性与多样性与同领域其他算法相比优势更为明显。

• 自编码器预训练和多表征交互的段落重排序模型

  张康,陈明,顾凡,

  在段落重排序任务中，最近研究人员提出了基于双编码器的后期交互架构以实现快速计算。由于这些模型在训练和推理中都使用预训练模型对查询和段落进行独立编码，其排序性能较大地依赖了预训练模型的编码质量。此外，一些多向量的后期交互方式采用字符向量之间的最大相似度之和来计算文本相似度，容易出现部分匹配的问题。针对以上不足，提出了替换段落预测（RPP）的预训练方法，它采用一种部分连接的自编码器架构，使用ELECTRA类似的替换词汇预测任务来让预训练模型建立给定查询和文档之间的语义关系，从而增强其表示能力。在交互方式改进上，设计了一种新的后期交互范式。使用不同注意力引导待排序段落文本表征，通过动态融合后使用点积与查询向量进行相似度计算，具有较低的复杂度和较细的粒度特征。在MS MACRO段落检索数据集上的重排序实验表明：在不同训练条件下，该模型比ColBERT和PreTTR在MRR@10指标上都要优秀；在使用知识蒸馏情况下，性能接近教师模型的水平，且排序时间在GPU和CPU大幅缩短。

• 基于Walsh码的RFID并行识别碰撞树算法

  骆萱,贾小林,顾娅军,

  针对大规模标签场景下，改进碰撞树 （ICT）算法中碰撞时隙较多且有多个碰撞位时无法并行识别多标签的问题，提出一种基于Walsh码的RFID并行识别碰撞树（PICT）算法。PICT算法引入Walsh同步正交码与碰撞树协议相结合，对ICT算法中发生多位碰撞时的标签使用Walsh码进行扩频，具有唯一Walsh码的标签通过不同的子信道与阅读器通信，实现多标签并行识别。理论与实验分析表明，PICT算法相比同类算法所需系统总时隙数更少，并且具有更高的系统识别率，适合大规模标签的快速识别。

• 带有随机改进Barzilai-Borwein步长的小批量稀疏随机方差缩减梯度法

  秦传东,杨旭,

  为了更好地应对当今时代的大规模高维稀疏数据集，融合BB方法、小批量算法与随机方差缩减梯度法（SVRG）优势，提出一种带有随机改进Barzilai-Borwein步长的小批量稀疏随机方差缩减梯度法（MSSVRG-R2BB）。首先，在SVRG外循环中全梯度计算的基础上加入L1范数次梯度设计出一种稀疏近似梯度用于内循环，得到一种稀疏的SVRG算法（SSVRG）。在此基础上，在小批量的稀疏随机方差缩减梯度法中使用随机选取的改进BB方法自动计算、更新步长，解决了小批量算法的步长选取问题，拓展得到MSSVRG-R2BB算法。数值实验表明，在求解大规模高维稀疏数据的线性支持向量机（SVM）问题时，MSSVRG-R2BB算法不仅可以减小运算成本、更快达到收敛上界，同时能达到与其他先进的小批量算法相同的优化水平，并且对于不同的初始参数选取表现稳定且良好。

• 基于改进人工蜂群算法的体声波滤波器自动布局

  谭鹏辉,郭辉辉,安嘉乐,刘婷婷,

  针对体声波（BAW）滤波器布局中芯片面积利用率低、设计周期长、制造成本高等问题，提出了一种基于改进人工蜂群算法的BAW滤波器自动布局方法。首先，构建了自动布局的评价模型，通过结合利用圆形容器的顺序布局和基于旋转角度编码的聚拢布局来简化自动布局的难度；同时，采用了一种改进人工蜂群算法去搜寻BAW滤波器的最优顺序布局和聚拢布局方案；最后，结合多组BAW滤波器的设计案例验证自动布局算法的有效性，其布局有效面积占比提升约17%，整体布局呈方形，且完成滤波器的自动布局仅需30 min。结果表明在保证BAW滤波器性能的前提下，提出算法可有效提升芯片面积利用率、大幅缩减滤波器的设计周期。

• 基于模态预融合的三维指称表达理解

  袁琨鹏,米金鹏,陈智谦,

  三维指称表达理解（3D VG）旨在通过理解指称表达来准确定位三维场景中的目标对象。现有3D VG研究通过引入文本和视觉分类任务优化文本和视觉编码器，这种方法可能由于文本和视觉特征的语义不对齐，从而导致模型难以在场景中定位文本描述的视觉对象。此外，3D VG数据集有限的数据量和复杂的模型结构往往导致模型过拟合。针对上述问题提出MP3DVG模型，通过学习统一的多模态特征表示完成单模态分类和3D VG任务，并降低模型的过拟合。基于跨模态特征交互提出TGV和VGT模块，在单模态任务之前预融合文本和视觉特征，减小不同模态特征因语义不对齐带来的不利影响。基于线性分类器可评价样本特征多样性的特性，提出周期性初始化的辅助分类器，并通过动态损失调节项自适应地调节样本损失，弱化模型的过拟合。大量实验结果表明所提方法的优越性，相比于MVT模型，MP3DVG在Nr3D和Sr3D数据集上性能分别提升1.1%和1.8%，模型的过拟合现象得到显著改善。

• 基于邻域安全压缩的动态图增量子图匹配算法

  徐周波,许昌胜,王嘉鑫,

  针对目前最先进的增量子图匹配算法Symbi中的索引结构DCS中存在的信息冗余问题，提出了一种新的索引结构CDCS（compressed dynamic candidate space），并提出了CDCS的更新算法INCCDCS来动态维护CDCS索引结构和匹配结果，最后提出了动态图的增量子图匹配算法CSymbi。该方法通过引入邻域信息约束，在构建和更新辅助结构的过程中过滤候选集，提高算法的求解效率。最后，在Netflow和LSBench数据集上进行验证，相较于现有方法，候选节点数量最高可以删减56%，候选边数量最高可以删减62%，有效缩减了计算空间并提高了算法的求解效率。

• 基于图神经网络与多特征融合的说话人验证模型

  曹嘉玲,陈宁,

  近期研究表明，基于大量无标签语音样本训练的预训练模型所提取的特征在说话人验证（SV）任务中表现突出。然而，现有模型尚无法利用帧级特征间的拓扑结构特性对帧级特征进行有效的优化和聚合，并且网络复杂度较高不利于实现实时性；同时，现有模型尚无法充分利用多种输入特征之间的互补性以进一步提升模型的性能。为此，一方面引入图神经网络，利用帧级特征间的拓扑结构特性对帧级特征进行优化；另一方面，构造基于多损失的多特征融合机制以充分利用不同特征之间的互补性进一步提升模型的性能。在VoxCeleb上的实验结果表明，与现有模型相比，该模型GACNPF实现了更低的错误率和时间复杂度；更重要的是，该模型具有很好的灵活性，能够融合任意多种特征，且可被应用于其他基于预训练特征提取的分类任务。

• 基于交互图神经网络的方面级多模态情感分析

  李丽,李平,

  多模态情感表征的关键是有效地从多模态数据中提取和融合特征。尽管，交叉注意力机制的方法能够增强多模态数据的特征融合；但是，交叉注意力仅建立单一模态的全局语义与另一模态局部特征的关联，不足以反映多模态在局部特征上的对齐关系。为了获取多模态间的深度交互信息，提出一种模态交互图神经网络，借助于方面词，将不同模态的语义单元进行连接，形成多模态交互图；然后，利用图注意力网络中的消息传递机制进行特征融合。在两个基准数据集上的实验结果表明，相比于当前先进的注意力模型，模态交互图神经网络在实现局部信息间的特征交互方面更加有效，且具有更小的时间复杂度。

• 改进混合多目标蚁群算法求解带运输时间和调整时间的柔性作业车间调度问题

  张国辉,闫少峰,陆熙熙,张海军,

  柔性作业车间调度问题是一类重要的组合优化问题，实际生产过程中，产品搬运、机床换模、更换刀具等间接加工活动中存在运输时间和调整时间，会对生产周期产生影响。研究了同时考虑运输时间和调整时间的柔性作业车间调度问题，建立以最小化最大完工时间、机器总负载、机器关键负载和工件的交货期惩罚值为目标的数学模型，并提出一种改进的混合多目标蚁群算法。结合问题特征和算法特点设计了一种分布式编码方式，采用改进蚁群算法分别搜索各优化目标的最优调度方案，针对调度方案集进行非支配排序选择，为了提高算法的搜索精度，提出了突变和靠拢操作。最后通过基准实例和生产实例进行仿真实验，并与改进遗传算法、MOGATS算法进行对比，实验结果表明提出的改进混合多目标蚁群算法是有效和可行的。

• 基于字符距离聚类的未知工控协议分类方法

  屠雅春,许驰,杜昕宜,王倚天,夏长清,金曦,

  未知工控协议分类是实现多类型混合工控协议识别的前提。利用工控协议报文格式精简且广泛采用二进制序列的特点，提出基于字符距离聚类的未知工控协议分类方法。该方法打破传统方法计算文本协议报文的欧氏距离而难以准确反映工控协议报文相似性的问题，通过构建二进制特征序列，计算字符距离，并开展基于字符距离K-means聚类，实现了未知工控协议分类。其中，为确保分类的准确性，提出基于最大平均字符距离的最佳聚类K值确定方法。半物理仿真结果表明，所提方法对未知工控协议分类的准确率可达96.80%，协议类型判别的正确率可达97.07%。

• 基于禁忌搜索的流式计算平台负载均衡策略

  王英杰,李梓杨,于炯,陈鹏程,

  针对大数据流式计算平台原生调度机制存在计算负载分配不均衡、资源利用率低的问题，提出异构环境下基于禁忌搜索算法的负载均衡策略，并将其应用于Apache Flink平台。首先，通过构建作业拓扑模型将流式计算作业的拓扑结构抽象为有向无环图（directed acyclic graph，DAG），并将每个任务槽（task slot）抽象为节点，为计算节点的性能评估奠定基础；其次，通过建立性能评估模型，将有向无环图中带性能权值的节点导入性能评估模型进行归一化处理，得到节点性能的优劣；再将评估参数传入禁忌调度算法（tabu search for schedule，TBS）进行作业路径优化，从而得出最优作业路径；最后，使用Flink平台提供的CustomPatitionerWrapper接口将数据分配到最优作业路径包含的节点中，完成计算负载的均衡分配，从而提升Flink平台的整体性能。实验结果表明：通过禁忌调度算法优化后的负载均衡策略与原生的Flink平台相比，平均计算延迟降低了10~20 ms，资源利用率显著提高，平均吞吐量提升约15%，有效证明了负载均衡策略的有效性和优化效果。

• 一种基于多视角数据属性的决策表Petri网挖掘方法

  张守政,方欢,

  当处理高度可变的流程时，已有的自动过程挖掘技术产生的模型可能并不能真实反映流程运行中不同决策点之间规则的变化情况。从声明性过程挖掘的角度出发，提出了一种具备可视化规则的决策表Petri网挖掘方法，实现真实日志到声明性过程决策表Petri网模型的映射。首先，形式化了决策表Petri网模型及其携带的规则分析决策表，并对模型的静态语义和动态语义进行定义；其次，通过扩展属性的添加，分析流程内部属性和事件属性是否会对决策产生影响，并通过规则分析决策表的异常值属性，判断规则的异常程度；最后，在一组人工日志和真实事件日志的基础上进行实验仿真，并与数据Petri网的挖掘技术进行分析对比。实验结果表明所提方法在反映流程运行中规则的变化情况具有一定优势，并为数据流异常检测提供数值可解释性；同时，所设计的决策表Petri网挖掘方法可以将决策信息与模型结构整合在一起，为过程模型的可变性建模提供形式化基础。

• 基于深度孪生自回归网络的无监督异常用电检测

  李琪林,严平,宿欣宇,袁钟,彭德中,刘益志,

  异常用电检测旨在识别出不符合正常用电规律或者违反用电合约的用电行为。针对现有基于重构的检测方法依赖标记的正常样本和难以捕捉复杂时间依赖性的问题，提出一种基于深度孪生自回归网络的无监督异常用电行为检测模型（DSAD）。所提模型通过两个孪生自回归子网络来分别独立地对无标记的输入数据进行重构，再将两个子网络的重构误差相结合来预测数据中的正常样本，并利用多头自注意力机制来有效地捕捉时间依赖性、周期性和随机性等复杂特征。在大规模时序数据集和国家电网真实用电数据集上进行实验，所获得的结果表明，DSAD模型在AUC以及AP等性能指标上取得了更好的检测效果。

• 无人机辅助智能电网故障终端数据采集优化策略

  聂涌泉,李建设,何宇斌,马光,周华锋,王晓琳,张仕鹏,

  随着光伏等各类清洁能源的广泛使用，在移动边缘计算的支撑下，无人机经常被用于户外电网终端设备，特别是运行偏差故障终端的数据采集。然而，待采集的终端运行出现差错、终端数量大幅度增长以及无人机有限的能量和动态的飞行等问题，导致无人机难以快速获得待检测终端的准确位置。基于此，设计一种基于边缘计算的无人机辅助故障终端数据采集优化策略。通过构建基于随机分布的位置误差模型，研究一种无人机飞行轨迹和待采集终端设备的任务传输联合优化策略。联合利用 Bernstein 型不等式、凸优化和隐枚举法，构建高效的两阶段优化求解算法。仿真结果表明，所提数据采集策略中无人机可以更加靠近户外的电网故障终端设备，数据采集的时间更长且准确率更高。

• 基于概率时间自动机的异构多agent自适应运行时验证

  穆勇安,刘玮,高胜,叶幸瑜,王紫昊,

  多agent自适应系统在运行过程中需要根据环境进行自适应调整。异构agent能够提高agent的使用效率和降低系统的构建成本，但存在复杂的协作问题，因此提出一种基于概率时间自动机的异构多agent自适应系统运行时验证方法。该方法通过形式化描述异构agent的功能特征并融合环境中的随机因素构建概率时间自动机模型模拟自适应系统的运行过程，针对异构agent之间的协作逻辑制定安全约束条件以确保系统运行中状态迁移流程的安全性。通过模型检查结合运行时定量验证方法进行实验验证，在智能泊车系统案例中应用该方法。实验结果表明，agent之间协作逻辑的正确性可以有效保证系统运行时的稳定性，且相较于不使用运行时定量验证的初始系统在相同时间内正常运行的时间提升了21%左右。

• 面向专家示例的Stack Overflow本体构造和推理研究

  阮书鹤,钟林辉,高荣锦,祝艳霞,陈浩然,卢腾骏,夏子豪,

  Stack Overflow是一个计算机领域的IT技术问答网站，为了获取问答网站中的专家示例并将其应用于API挖掘中。首先采用Scrapy爬虫框架技术获取Stack Overflow问答网站中的结构化数据，并存储在关系模式中；再使用本体建模工具Protégé构建本体，然后使用D2RQ工具实现对关系数据库的知识抽取，将关系模式转换为三元组形式的本体模型；同时，提出了一个面向专家示例的子本体抽取算法，用于从原本体中抽取出专家示例推理相关的子本体，并提出了若干条专家示例推理规则，能推导出专家所编写的代码示例。实验结果证明，从Stack Overflow本体模型中抽取的专家示例能提高API调用序列挖掘的准确率。

• 基于多线程并行强化学习的数据库索引推荐

  牛祥虞,游进国,虞文波,

  建立索引是提高数据库性能的一个重要方法。目前随着强化学习算法的发展，出现了一系列使用强化学习解决索引推荐问题（index selection problem，ISP）的方法。针对现有的深度强化学习索引推荐算法训练时间长、训练不够稳定的问题，提出了一个基于A2C的索引推荐算法PRELIA。该算法加入负载索引扫描行数特征矩阵，并对奖励值进行归一化处理，旨在提高索引选择的准确性和效率，减少索引空间占用。在不同数据集上的实验结果表示，该算法可以在保证与比较算法相当的索引推荐质量的同时，推荐出的索引占用更小的存储空间，其训练时间比基线算法时间提高了4倍以上。

• 无服务器环境下基于DQN和用户意图的函数放置研究

  徐东红,花旭,

  随着无服务器计算技术的快速发展，无服务器计算以其按需付费、自动扩展等特性吸引了越来越多用户的关注，研究人员正在探索将无服务器架构应用于日渐完善的边缘计算系统。然而，在分布式的无服务器系统中如何有效地进行无服务器函数放置并为用户提供优质的服务仍是该领域一个亟需解决的问题。采用基于用户意图的DQN（deep Q-network）无服务器函数放置算法来解决分布式无服务器系统中的函数放置问题。该算法将用户意图作为学习目标，利用DQN算法进行函数放置的优化。仿真实验表明，基于用户意图的DQN无服务器函数放置算法在计算时延和放置开销方面显著降低。相较于传统方法，该算法能够有效满足用户的不同需求，并取得了较好的函数放置效果，在分布式无服务器系统中具有较高的适应性和性能优势。

• 基于Local SGD的部分同步通信策略

  魏业鸣,郑美光,

  Local SGD训练方法用于分布式机器学习以缓解通信瓶颈，但其本地多轮迭代特性使异构集群节点计算时间差距增大，带来较大同步时延与参数陈旧问题。针对上述问题，基于Local SGD方法提出了一种动态部分同步通信策略（LPSP），该方法利用两层决策充分发挥Local SGD本地迭代优势。在节点每轮迭代计算结束后，基于本地训练情况判断通信可能性，并在全局划分同步集合以最小化同步等待时延，减少Local SGD通信开销并有效控制straggler负面影响。实验表明LPSP可以在不损失训练精确度的情况下实现最高0.75~1.26倍的加速，此外，最高还有5.14%的精确度提升，可以有效加速训练收敛。

• 基于GA-BP的实时视频通信自适应前向纠错码

  毛锦鑫,何坤金,陈金旺,刘宇兴,

  针对在动态的网络环境中，实时视频在基于数据报协议的传输中遇到大量丢包的问题，提出了一种基于遗传算法改进的BP神经网络自适应前向纠错码的方法。该方法通过设计自适应的前向纠错编码来恢复丢失的数据包。首先，设计一个基于帧级别的前向纠错的框架，主要包括视频编码解码器、RS前向纠错码编解码模块和前向纠错码冗余度计算模块，用来模拟一般视频传输的环境；然后，设计GA-BP模型，将其应用到RS-FEC的冗余度计算，实现一种帧级不均等的保护方案；最后，基于GE信道模拟网络，生成丢包数据，训练离线模型，进行实验验证。实验结果表明，相比StaticRS和DeepRS，所提方法能够在较低冗余度下较高地恢复丢失的数据包，得到更高质量的视频。

• 灾害应急场景下基于多智能体深度强化学习的任务卸载策略

  米德昌,王霄,李梦丽,秦俊康,

  针对传统深度强化学习（deep reinforcement learning，DRL）中收敛速度缓慢、经验重放组利用率低的问题，提出了灾害应急场景下基于多智能体深度强化学习（MADRL）的任务卸载策略。首先，针对MEC网络环境随时隙变化且当灾害发生时传感器数据多跳的问题，建立了灾害应急场景下基于MADRL的任务卸载模型；然后，针对传统DRL由高维动作空间导致的收敛缓慢问题，利用自适应差分进化算法（ADE）的变异和交叉操作探索动作空间，提出了自适应参数调整策略调整ADE的迭代次数，避免DRL在训练初期对动作空间的大量无用探索；最后，为进一步提高传统DRL经验重放组中的数据利用率，加入优先级经验重放技术，加速网络训练过程。仿真结果表明，ADE-DDPG算法相比改进的深度确定性策略梯度网络（deep deterministic policy gradient，DDPG）节约了35%的整体开销，验证了ADE-DDPG在性能上的有效性。

• 频分多址系统分布式强化学习功率控制方法

  李烨,司轲,

  近年来，深度强化学习作为一种无模型的资源分配方法被用于解决无线网络中的同信道干扰问题。然而，基于常规经验回放策略的网络难以学习到有价值的经验，导致收敛速度较慢；而人工划定探索步长的方式没有考虑算法在每个训练周期上的学习情况，使得对环境的探索存在盲目性，限制了系统频谱效率的提升。对此，提出一种频分多址系统的分布式强化学习功率控制方法，采用优先经验回放策略，鼓励智能体从环境中学习更重要的数据，以加速学习过程；并且设计了一种适用于分布式强化学习、动态调整步长的探索策略，使智能体得以根据自身学习情况探索本地环境，减少人为设定步长带来的盲目性。实验结果表明，相比于现有算法，所提方法加快了收敛速度，提高了移动场景下的同信道干扰抑制能力，在大型网络中具有更高的性能。

• 基于乌鸦搜索的隐私保护聚类算法

  夏雪薇,张磊,李晶,邓雨康,

  针对基于差分隐私的K-means聚类存在数据效用差的问题，基于乌鸦搜索和轮廓系数提出了一个隐私保护的聚类算法（privacy preserving clustering algorithm based on crow search，CS-PCA）。该算法一方面利用轮廓系数对每次迭代中每个簇的聚类效果进行评估，根据聚类效果添加不同数量的噪声，并利用聚类合并思想降低噪声对聚类的影响；另一方面利用乌鸦搜索对差分隐私的K-means隐私保护聚类算法中初始质心的选择进行优化，防止算法陷入局部最优。实验结果表明，CS-PCA算法的聚类有效性更高，并且同样适用于大规模数据。从整体上看，随着隐私预算的不断增大，CS-PCA算法的F-measure值分别比DP-KCCM和PADC算法高了0~281.3312%和4.5876%~470.3704%。在相同的隐私预算下，CS-PCA算法在绝大多数情况下聚类结果可用性优于对比算法。

• 一种AES S盒改进方案及其硬件设计

  钟鑫林,吴新春,

  为提高高级加密标准（advanced encryption standard，AES）算法的安全性，提出了一种新的S盒生成方案。在分析了现有S盒存在的问题后，基于S盒的构造原理和密码学性质，通过选择新的不可约多项式和仿射变换对，同时调整仿射变换与乘法逆的运算顺序，构造出一种新的S盒；对生成的新S盒与AES 的S盒以及其他改进S盒在代数式项数、严格雪崩标准距离等方面进行了比较，结果显示，新S盒具有更好的代数性质，能够有效抵御代数攻击；还对新S盒进行了硬件设计并优化，DC综合结果显示新S盒复域优化实现消耗的资源比传统复域实现少12%，比查找表法实现少41%。新S盒在安全性方面优于现有S盒，将其应用于AES软件设计和硬件设计，并通过仿真测试验证了其正确性。

• 物联网环境下基于云边协同的数据审计方案

  杜瑞忠,纪丽娟,王子园,

  针对数据完整性审计过程中，半可信的云服务提供商存在不诚实选取数据的行为，提出一种物联网环境下基于云边协同的高效数据审计方案。首先，为了适应物联网环境，采用端—边—云三层审计框架，将标签生成算法外包到边缘节点进行，提高响应速度，降低物联网设备端的计算成本。其次，设计了一种链表结构存储文件信息，以支持数据监测和实时更新。最后，根据用户对文件的访问频率将数据分为非风险数据和风险数据，并设计了基于用户行为的抽样方法，通过优先审计风险数据实现有效的针对性审计。安全性分析和实验表明，该方案能实现更安全、更高效的审计。

• 基于理想格的两方隐私集合交集协议

  赵宗渠,王书静,汤永利,霍亚超,杨丽,

  当前大多数现有的隐私集合交集（PSI）协议的安全性都是基于数论假设，而随着量子计算理论的发展，基于数论假设的PSI协议将变得不再安全。针对该问题，利用格上函数加密的函数策略解密特性，通过二进制分解将参与方元素设计成符合LWE加法同态的向量形式，提出了一种基于理想格的半诚实安全的两方PSI协议。安全性方面，使用基于环上错误学习问题（RLWE）的函数加密系统来构造PSI协议，实现了抗量子的安全性。效率方面，协议的通信复杂度为O（w+v），与参与方元素成正比，保证了较高的通信效率；并且利用理想格，减小了公钥的大小，提高了存储效率，降低了通信成本。

• 云环境下支持多授权机构的医疗数据安全共享方案

  巫朝霞,唐靖蕾,苗志伟,

  在当前的云环境下，医疗数据存储的研究中存在着隐私信息外泄、机构之间数据共享效率较低等问题。因此，针对云环境下电子医疗数据的安全共享需求，提出了一种支持多属性机构的基于属性的密文策略加密方案，实现了加密医疗数据的细粒度访问控制。通过在加密阶段引入离线计算和在解密阶段引入外包计算，该方案显著降低了加解密延时，提高了医疗数据访问控制的效率。安全性分析和性能分析表明，该方案满足可重放适应性选择密文攻击安全性，且在性能上优于已有的方案，提高了云环境下医疗数据共享的安全性和效率。

• 基于点线面特征的无漂移旋转视觉里程计

  李用杰,秦广健,武利明,熊军林,

  现有基于点特征的视觉SLAM（simultaneous localization and mapping）算法在弱纹理环境中表现不佳，为此提出了一种基于点线面特征融合的视觉里程计算法，能够在弱纹理环境中实现精准定位。首先基于曼哈顿世界假设下，使用线特征与面特征提取曼哈顿世界坐标系，并将线特征与面特征与坐标系联合；其次为了提升系统定位的准确性，使用了一种无漂移旋转的位姿估计算法，将位姿的旋转与平移分开求解；最后利用结构化的线特征与面特征对位姿与曼哈顿轴进行优化，综合考虑图像中的点线面特征，使得位姿估计的结果更加精确。实验表明，该算法在TUM与ICL-NUIM数据集中的表现优于目前的其他方法。

• 基于语义先验和双通道特征提取的图像修复

  杨云,张小璇,杨欣悦,

  针对现有的图像修复算法重建结果存在的局部结构不连通、细节还原不准确等问题，提出了一种基于语义先验和双通道特征提取的图像修复算法（semantic prior and dual channel extraction，SPDCE）。该算法利用语义先验网络学习缺失区域的语义信息和上下文知识，对缺失区域进行预测，增强了生成图像的局部一致性；然后通过双通道特征提取网络充分挖掘图像信息，提升了对纹理细节的感知和利用能力；再使用上下文特征调整模块在多个尺度上捕获并编码丰富的语义特征，从而生成更真实的图像视图和更精细的纹理细节。在CelebA-HQ和Places2数据集上的实验结果表明，SPDCE算法与常用算法相比，峰值信噪比（peak signal-to-noise ratio，PSNR）和结构相似性（structural similarity，SSIM）分别提升1.6~1.73 dB和3.1%~9.9%，L1 loss下降15.2%~27.8%。实验证明所提算法修复后的图像具有更合理的结构和更丰富的细节，图像修复效果更优。

• 基于感知重采样和多模态融合的连续情感识别

  李健,张倩,陈海丰,李晶,王丽燕,裴二成,

  情感识别在人机交互中发挥着重要的作用，连续情感识别因其能检测到更广泛更细微的情感而备受关注。在多模态连续情感识别中，针对现有方法获取的时序信息包含较多冗余以及多模态交互信息捕捉不全面的问题，提出基于感知重采样和多模态融合的连续情感识别方法。首先感知重采样模块通过非对称交叉注意力机制去除模态冗余信息，将包含时序关系的关键特征压缩到隐藏向量中，降低后期融合的计算复杂度。其次多模态融合模块通过交叉注意力机制捕捉模态间的互补信息，并利用自注意力机制获取模态内的隐藏信息，使特征信息更丰富全面。在Ulm-TSST和Aff-Wild2数据集上唤醒度和愉悦度的CCC均值分别为63.62%和50.09%，证明了该模型的有效性。

• 基于动态物体跟踪的语义SLAM

  刘家麒,高永彬,姜晓燕,方志军,

  针对传统视觉SLAM在动态场景下容易出现特征匹配错误从而导致定位精度下降的问题，提出了一种基于动态物体跟踪的语义SLAM算法。基于经典的视觉SLAM框架，提取动态物体进行帧间跟踪，并利用动态物体的位姿信息来辅助相机自身的定位。首先，算法在数据预处理中使用YOLACT、RAFT以及SC-Depth网络，分别提取图像中的语义掩膜、光流向量以及像素深度值。其次，视觉前端模块根据所提信息，通过语义分割掩膜、运动一致性检验以及遮挡点检验算法计算概率图以平滑区分场景中的动态特征与静态特征。然后，后端中的捆集调整模块融合了物体运动的多特征约束以提高算法在动态场景中的位姿估计性能。最后，在KITTI和OMD数据集的动态场景中进行对比验证。实验表明，所提算法能够准确地跟踪动态物体，在室内外动态场景中具备鲁棒、良好的定位性能。

• 局部几何与全局结构联合感知的三维形状分类方法

  张晓辉,何金海,兰鹏燕,徐圣斯,

  针对复杂结构的三维形状分析与识别问题，提出了新颖的图卷积分类方法，建立了局部几何与全局结构联合图卷积学习机制，有效提高了三维形状数据学习的鲁棒性与稳定性。首先，通过最远点采样与最近邻方法构造局部图，并建立动态卷积算子，有效提取局部几何特征；同时，基于特征域采样构造全局的特征谱图，通过卷积算子获得全局结构信息。进而，构建加权的联合图卷积学习网络模型，引入注意力机制，实现自适应的特征融合。最终，在联合优化目标函数约束下，有效提高特征学习的性能。实验结果表明，融合局部几何与全局结构的联合图卷积网络学习机制，有效提高了深度特征的表示能力及区分性，具有更优秀的识别力和分类性能。该研究方法可应用于大规模三维场景识别、三维重建以及数据压缩，在机器人、产品数字化分析、智能导航、虚拟现实等领域具有着重要的工程意义与广泛的应用前景。

• MaskMix:用于变化检测的掩码混合数据增强方法

  邢艳,魏接达,汪若飞,黄睿,

  数据增强是提升变化检测模型泛化能力的一种主要方法。尽管现有的数据增强方法在图像分类、目标检测中取得了较好的效果，但忽略了多个时间序列图像之间的差异和变化目标的多样性。为了较好地保留变化区域并且增加复杂的背景信息，基于变化区域掩码，提出一种适用于变化检测的数据增强方法：MaskMix。首先，将当前图像对的变化区域粘贴到一个图像对上，得到具有新的背景和新的变化的变化图像对。其次，采用多路径加权融合策略进一步增强变化图像对。在每条路径上，从图像处理集合中随机选取一种经典的图像处理方法进一步处理变化图像对，然后使用Dirichlet分布产生的K维权重将K条路径处理后的图像对进行融合。最后，通过跳跃连接将处理前的图像对和处理后的图像对按Beta分布产生权重，进行更深层次的混合。实验结果表明，提出的MaskMix在BCD和LEVIR-CD两个数据集上，有效地提升了变化检测方法ADCDNet、BIT、ChangeFormer、SNUNet和DSAMNet的泛化性能。与现有的图像增强方法MixUp、AugMix、MUM和CropMix相比，MaskMix能有效增加变化图像的复杂性和多样性，提升现有变化检测方法的泛化性能。

• 基于特征尺度的平面波医学影像重建

  杨翠云,侯钧译,曹怡亮,朱习军,闻卫军,

  相较于传统的线扫成像，平面波成像由于其超快的成像速度被广泛应用，但其成像质量较差，影响医生对肿瘤以及血管疾病的精确诊断，现有技术虽然可以提高成像质量，但会降低成像帧频，无法满足临床医学上超快成像的需求。针对上述问题，提出了一种基于生成对抗网络（generative adversarial network，GAN）的图像重建方法：MF-GAN（generative adversarial network with multiscales and feature extraction）。采用基于U-Net的生成器，在编码器中结合多尺度感受野提取不同层次的信息，在解码器中提出了叠加采样机制（fusion-sampling mechanism，FSM），并结合交叉自注意力（criss-cross self-attention，CCSA）分别提取局部和全局特征。在PICMUS 2016数据集上进行训练，利用组合损失规范该模型的收敛方向，相较主流基于深度学习和波束合成的方法，在点目标、囊肿目标和体内图像中的重建效果均有明显提升。综上所述，MF-GAN能够解决平面波图像病灶部位不清晰的问题，重建出高质量的平面波图像。

• 特征采样运动信息增强的动作识别方法

  罗会兰,包中生,

  基于深度模型的视频动作识别通常先对输入视频进行采样，然后对获得的视频帧进行特征表达，输出动作类别，因此视频帧采样方法对动作识别的效果有直接的影响。为了采样到关键有效的特征，同时增强视频运动信息，提出了一种基于特征级采样策略的局部—全局运动信息增强的动作识别网络（local-global motion enhancement network，LGMeNet）。首先，利用特征级采样模块对输入数据进行相同运动信息间隔均匀取帧；其次，局部运动特征提取模块使用相似性函数计算单帧短期运动特征；最后，全局运动特征提取模块利用LSTM网络计算多尺度长期运动特征。通过实验评估，LGMeNet在UCF101和Something-SomethingV1数据集上分别取得了97.7%和56.9%的精确度。结果表明，采用LGMeNet能够有效提升动作识别的效果，对进一步改进相关领域的研究具有重要意义。

• 基于双流循环映射网络的肖像漫画化

  孔凡敏,普园媛,赵征鹏,邓鑫,阳秋霞,

  肖像风格迁移旨在将参考艺术肖像画中迁移到人物照片上，同时保留人物面部的基本语义结构。然而，由于人类视觉对肖像面部语义结构的敏感性，使得肖像风格迁移任务比一般图像的风格迁移更具挑战性，现有的风格迁移方法未考虑漫画风格的抽象性以及肖像面部语义结构的保持，所以应用到肖像漫画化任务时会出现严重的结构坍塌及特征信息混乱等问题。为此，提出了一个双流循环映射网DSCM。首先，引入了一个结构一致性损失来保持肖像整体语义结构的完整性；其次，设计了一个结合U2-Net的特征编码器在不同尺度下帮助网络捕获输入图像更多有用的特征信息；最后，引入了风格鉴别器来对编码后的风格特征进行鉴别，从而辅助网络学习到更接近目标图像的抽象漫画风格特征。实验与五种先进方法进行了定性及定量的比较，该方法均优于其他方法，其不仅能够完整地保持肖像的整体结构和面部的基本语义结构，而且能够充分学习到风格类型。