计算机应用研究杂志

计算机应用研究杂志2026年第5期

• 目标检测知识蒸馏综述

  王天骐,李阳,潘志松,

  高精度目标检测模型计算复杂、参数量大，难以在资源受限的边缘端设备中部署。知识蒸馏作为高效的模型压缩技术，能够有效地将复杂教师目标检测器中的知识迁移到轻量级学生目标检测器中，最大程度上提升部署的目标检测模型的性能。当前，专门针对目标检测知识蒸馏的综述性研究尚处于空白阶段，为此对目标检测知识蒸馏方法进行了系统调研。首先将主流目标检测知识蒸馏方法归纳为基于logits蒸馏、基于特征蒸馏以及基于关系蒸馏三大类，分别描述了学术界在该领域的研究内容，对比并总结了各类方法的优缺点。进一步基于MS COCO数据集和三种主流检测器架构，对三类方法进行更加深入的性能对比分析。最后对目标检测知识蒸馏的挑战和未来研究方向进行展望。

• 联邦学习的计算效率优化方法综述

  董华,范菁,郗恩康,金亚东,俞浩,孙伊航,

  联邦学习作为一种分布式机器学习范式，通过参数聚合机制实现隐私保护下的协同模型训练，在智慧医疗、物联网等领域展现出解决数据孤岛问题的潜力。相比传统集中式学习范式，联邦学习在保护数据隐私的同时，仍需应对通信开销高、动态环境适应性不足等问题，资源受限设备中的计算效率瓶颈严重制约其实际部署。对此梳理了联邦学习效率优化的研究进展，从模型压缩、更新策略优化与数据计算优化三大方向系统梳理了联邦学习效率提升方法。现有研究表明，协同优化压缩策略与动态资源分配可降低通信开销并加速收敛。然而，现有方法仍面临模型精度损失、动态环境适应性不足等挑战。最后展望了未来研究方向，提出探索轻量原生模型架构、智能动态更新机制及高效恶意检测方法，以平衡效率与安全性，推动联邦学习在复杂场景下的规模化应用。

• 基于对象级token重构与文本实体感知的跨模态检索

  张明,曾青松,郑昕璇,

  跨模态语义对齐是实现图像检索等任务的核心技术。传统方法依赖预训练目标检测器，存在计算冗余与误差传播问题；而基于图像块的视觉Transformer易受语义模糊与冗余干扰，导致视觉对象结构破碎、难以与文本实体建立精准关联。为此，提出语义-空间约束融合策略，在不依赖检测器的情况下实现语义精度与空间保真度统一的细粒度对齐。该方法通过视觉端语义-空间块校准模块构建双重约束，动态聚合语义一致且空间相邻的视觉块，生成紧凑对象级token表征；文本端采用实体感知分词将命名实体作为完整语义单元。在Flickr30K和MS-COCO数据集上的实验表明，该方法在图文双向检索任务中均取得显著提升，rSum指标较主流方法提高3~5点。研究证实，语义与空间双重约束下的对象级token重构能有效增强跨模态对齐的鲁棒性与判别力，为细粒度跨模态理解提供了新路径。

• 用于肺癌亚型分类的解耦染色归一化共注意力多模态融合网络

  张慧楠,强彦,蔡美龄,赵涓涓,张润琦,王龙,杨倩倩,

  非小细胞肺癌包括肺腺癌（LUAD）和肺鳞状细胞癌（LUSC），不同亚型在分子机制与治疗响应上差异显著，准确分类对个体化治疗至关重要。病理图像与基因组数据提供互补信息，但图像易受染色差异影响导致结构表征不稳，跨模态数据异质性与非线性关系增加了交互建模难度。针对上述问题，提出一种基于解耦染色归一化共注意力多模态融合网络DISCOFusion。该网络采用编码器-解码器结构结合八度卷积分解高低频信息以增强特征表征，并通过内容-风格特征对齐实现染色归一化，在去除染色差异的同时保留关键组织结构。随后，将归一化图像与基因组特征进行跨模态融合，在共享潜在空间中建模深层交互并保留模态特有信息，从而提升NSCLC亚型分类性能。在TCGA-NSCLC数据集上的实验表明，该网格的AUC值为94.15%，较现有先进方法表现更优。

• 基于分层门控与双重对比监督机制的多模态命名实体识别方法

  刘思婷,徐艳丽,

  多模态命名实体识别任务在深层跨模态交互和实体级对齐监督方面仍存在不足，使得模型难以充分利用图文间的细粒度语义关联。针对这一问题，提出一种融合分层门控机制与双重对比监督的多模态命名实体识别模型 HCMCL。该模型首先引入双向状态空间结构，以增强文本序列和视觉区域特征的长程依赖建模能力；其次，设计多层次跨模态门控结构自适应调节视觉信息在不同语义层级的注入方式，实现细粒度跨模态特征融合；为进一步解决图文弱对齐问题，构建句子级与实体级双重对比监督策略，显式约束模态对齐。实验结果显示，HCMCL在Twitter-2015和Twitter-2017数据集上分别取得76.88%和87.96%的F1值，显著优于当前主流多模态方法，消融实验也验证了各模块的有效性。研究表明，所提方法能有效增强跨模态语义关联的学习能力，提高复杂图文场景下的实体识别性能。

• 基于多尺度感知和双模态融合的激光雷达点云语义分割

  鲁斌,尚国栋,

  针对激光雷达点云语义分割中二维投影方法易导致空间结构信息丢失的问题，提出了一种融合多尺度感知与双模态交互的点云语义分割方法。该方法首先设计多尺度卷积模块（MSConv），利用深度可分离卷积与多分支结构在低计算成本下提取投影点云的多层次语义特征；其次，引入双模态融合模块（DMF），通过图-点双向映射实现三维几何结构与二维上下文信息的深度耦合，以缓解投影造成的结构退化；最后，采用残差对比注意力融合模块（RC-TFAM）对跨模态特征进行自适应调控，从而优化整体融合效果。在SemanticKITTI与SemanticPOSS数据集上的实验结果表明，该方法分别达到67.8%和54.8%的mIoU，在保持较高计算效率的同时显著提升了结构建模与语义融合能力，验证了其在复杂场景下的通用性。

• MG-MQE:多阶段生成与多维质量评估的专利标题自动生成方法

  韩晶,王晨皓,游新冬,

  为解决当前中文专利标题自动生成中存在的冗余信息干扰、语义覆盖不足及表达不规范等问题，提出了一种多阶段生成与多维质量评估的中文专利标题自动生成方法（MG-MQE）。该方法首先通过关键句抽取与摘要信息融合对长文本进行筛选与去冗，提升输入信息的浓缩度与相关性；其次利用微调后的预训练模型生成多候选标题；之后引入融合判别模型与语言规则的多维评分机制，对候选结果从语义质量与规范性两方面进行综合评分，从而筛选出最优标题。在构建的专利底稿-专利名数据集上的实验结果表明，该方法在ROUGE-1、ROUGE-2和ROUGE-L指标上分别达到0.778 4、0.607 6和0.746 5，相较于多种基线模型均有显著提升，有效兼顾了语义覆盖的完整性与表达的专业规范性。研究表明，该方法可有效提升专利标题的自动生成质量，为专利文书智能化撰写提供可行路径。

• 基于异构信息密度可视化的双流互补特征情绪识别方法

  侯玲悦,李小霞,史旭阳,谢治强,周颖玥,

  针对脑电信号多频段信息的交互和整合不足、单一的特征提取方法导致多分类识别精度低，以及难以同时捕捉信号的全局特征和局部细节的问题，提出了一种基于异构信息密度可视化的双流互补特征情绪识别网络（HIDV-DSCF-ENet）。首先，提出异构信息密度可视化方法，将预处理后的多频段脑电信号转换为两种信息密度互补的可视化图片：高密度信息采用RGBA四通道编码的跨频段耦合信息和频谱交互特征，低密度信息采用灰度单通道编码的频段内本质结构特征。然后设计非对称双流特征提取结构，分别处理高密度信息的交互语义特征和低密度信息的判别性结构特征。最后，设计基于对偶学习机制的异构特征交互函数，学习两种信息密度间的互补特性，实现异构特征融合。在DEAP数据集上的实验表明，所提方法在基于效价-唤醒标签的4类情绪识别及效价-唤醒-支配标签的8类情绪识别中分别实现了98.17%和97.88%的准确率，优于现有其他方法，为脑电情绪识别研究提供了新的思路。

• 基于大语言模型的可解释性自适应学习路径推荐

  龚永罡,莫鸿铭,廉小亲,李乾生,

  学习路径推荐是信息化教育中的重要任务，数据驱动的传统方法为“黑箱”模型，导致推荐内容无法解释，不利于学生的信任度。为此，利用大语言模型（large language model，LLM）优秀的推理和生成能力设计一种可解释性自适应学习路径推荐框架，构建了一个由规划器、经验知识库、反思器和行动器组成的大语言模型智能体（LLM-Agent），采取思维链提示策略。规划器应用分层规划策略。反思器对任务进行总结，生成的经验存储在向量数据库中，对经验进行价值评估，实现有效的经验复用。行动器采取两步动作，先进行语义筛选得到候选集合后再进行推荐。实验在模拟环境中验证了所提方法的表现，与传统方法和其他大语言模型方法进行对比，进一步探究在不同底座大模型上的表现。结果表明该方法在有效性、内容多样性和准确率上均优于基线方法，且对推荐的学习路径可以给出可靠的解释说明。研究验证了LLM-Agent的可靠性，并为学习路径推荐方法提供了新思路。

• 面向多场景对话生成质量的数据增强与动态解码惩罚联合优化方法

  李代伟,蒋欣然,向筱铭,于曦,周颖,张海清,

  针对对话生成任务中高质量训练样本稀缺及生成响应存在冗余、长度失当的问题，提出一种融合条件变分自编码器数据增强与动态解码惩罚机制的联合优化方法。首先，在选择性数据增强框架中引入条件变分自编码器作为重建器，构建CSDA框架，显式建模查询-响应语义依赖关系，提升生成样本的语义一致性与多样性；其次，针对DialogBERT在解码阶段的高频词重复与长度控制不足，提出PenalBERT算法，引入重复惩罚与长度惩罚系数，在不改变模型结构的前提下优化解码过程。在DailyDialog、AnnMI和ESConv三个公开数据集上的实验表明，CSDA框架显著扩充了样本量（提升6.8%~99.8%），并优化了BLEU与Distinct指标；PenalBERT算法显著降低困惑度（最高9.01%），同步提升BLEU-4（最高3.69%）和NIST得分（最高3.32%）。联合优化方法能有效缓解数据稀疏问题，提升生成响应的准确性、多样性与流畅性。

• 基于文本情绪与语义协同融合的大五人格检测方法

  何勤涛,张洁佩,马海平,张丽淼,

  文本性格检测已成为心理学与自然语言处理的交叉热点，其目标是在社交媒体文本中提取语义以准确识别个体在大五人格各维度上的所属类别。针对现有研究忽视情绪与性格的紧密关系、导致特征建模不全面的问题，提出一种基于文本情绪与语义协同融合的大五人格检测模型（SEAF-PD）。该方法引入情绪表征与多任务学习机制，在建模语义特征的同时建模情绪与性格的关联，并结合监督对比学习提升区分能力。在Friends、MyPersonality和Pan三个公开数据集上的实验表明，SEAF-PD在准确率与F1值上均显著优于主流基线模型。在上述三个公开数据集的5个性格维度上，SEAF-PD 分别在其中4、3、4个维度的F1指标上取得所有对比模型中的最佳结果，体现出其在不同数据集场景下稳定而突出的性能。

• 基于物理约束注意力增强的拉格朗日流体仿真

  童攀,朱雨馨,邹鑫,戈文一,魏敏,

  针对神经网络流体模拟中数据驱动与物理规律难以调和的根本矛盾，即过度依赖学习易导致偏离守恒定律，而强约束机制会削弱复杂流场表征能力，尤其在涉及边界交互的长期仿真中易引发结构畸变，提出了一种创新的多尺度流场注意力粒子网络（multi-scale flow-attentive network for particle dynamics，MFANet-PD）。该模型设计了双通道协同架构：流场增强模块（flow field enhancer，FFE）利用连续卷积算子与通道注意力重校准机制动态提取细粒度运动特征；物理感知约束路径显式处理障碍物边界并投影守恒量，实现了数据驱动与物理规律的协同优化。在Liquid3D数据集上的实验表明：相比基线模型，MFANet-PD在短期预测精度、长期稳定性及分布一致性上分别提升14.6%、降低18.7%和11.1%，并在克服结构畸变上表现更佳。消融实验证实完整模型比无FFE版本长期序列误差降低10.1%。峡谷地形测试验证其泛化，可有效处理60°倾角岩壁及2 000~8 000+粒子规模动态变化。该算法通过多尺度特征融合与物理约束机制显著提升了流体模拟的计算精度与物理一致性。

• 多分支残差注意力机制融合的EPG波形智能识别方法

  曾凡康,杨凯雯,刘佳磊,邢玉清,李文强,闫凤鸣,吴莉莉,

  针对昆虫刺吸电位（electrical penetration graph，EPG）信号幅值微弱、多频段耦合与行为边界模糊等识别难点，进行了基于多分支残差注意力网络（multi-branch attention-residual network，MARNet）的建模研究。该方法采用并行多尺度卷积以刻画局部与长程模式，引入通道与时序注意力以强化关键特征，并通过残差连接提升深层信息传递与训练稳定性。基于标注EPG数据集的对比实验表明，MARNet在精确率、召回率、mAP@0.5与F1等指标上均优于CNN-LSTM、Transformer及ResNet1D，且推理延迟与计算开销较低。结果显示，该方法具备良好的实时分类与泛化能力，可为EPG波形解析与昆虫取食行为量化提供有效技术支撑。

• 基于分层非均匀采样和改进A*算法的超大规模三维空间路径规划算法

  王文萱,宁芊,

  针对超大规模复杂空间中的电缆路径规划问题，提出了一种结合非均匀采样和改进A*算法的路径规划方法。该方法通过对空间进行合理划分、评估区域重要性以及采用动态加密采样机制，有效提高了路径图的构建效率与质量。在此基础上，针对电缆布线的实际工程需求，对传统A*算法进行了针对性改进，提升了其在大规模复杂环境下的性能表现。实验结果表明，该算法在模拟环境和真实核岛模型中，在计算效率和路径质量方面均显著优于传统路径规划算法。此外，进一步在1015超大量级三维体素核岛模型中进行了验证，结果证明该算法具有较强的有效性和鲁棒性，能够在大规模场景中实现高效、可靠的电缆路径规划。该研究为超大规模复杂环境下的电缆布线问题提供了一种新的解决思路，具有较强的应用前景和实际工程价值。

• 基于区域划分与位置优化的多机器人覆盖路径规划

  吴添隆,彭育辉,黄鸿龙,黄潇,

  针对多机器人覆盖路径规划在多障碍物复杂环境中存在区域划分连通性差、任务分配失衡及路径频繁转向的问题进行了研究，提出一种融合机器人状态参数的区域划分算法与多目标初始位置优化的多机器人覆盖路径规划方法。首先，结合多机器人不同剩余电量状态参数的适配机制，确保任务分配的均衡性；其次，设计双向A*评估矩阵与BFS连通性奖惩机制对传统区域划分方法进行改进；最后，通过自适应权重MOTPE算法优化机器人部署的初始位置。通过在模拟不同地图大小、障碍物比例和形状的复杂环境下实验，结果表明：在不同剩余电量状态参数下，路径规划任务分配比率达到[0.95, 1.05]；在相同剩余电量状态参数下，该算法较DARP算法最大任务量偏差降低80%，标准差降低80.02%。在多机器人的初始位置部署优化中，方法的最大转弯次数较随机搜索降低22.86%，总转弯次数显著减少，路径总代价标准差不超过2.53，能有效提升区域划分连通性与任务均衡性，减少多机器人系统的运行能耗。

• 快速全局寻优的改进哈里斯鹰多目标点路径规划算法

  雍嘉伟,张平,贾蒙飞,刘威,王亮亮,

  针对光伏板清洁场景下多目标点路径规划中传统哈里斯鹰优化算法（HHO）存在初始解空间分布不均匀、易陷局部最优及平衡全局探索与局部开发等关键问题，提出一种快速全局寻优的改进哈里斯鹰优化算法（IHHO）。首先，基于复合混沌映射和反向学习策略融合构建了种群协同初始化方法，并使用精英选择策略，保证解空间均匀分布，为全局搜索和局部开发阶段奠定基础；其次，提出了基于实时种群信息和记忆机制融合的位置更新策略，有效避免算法过早陷入局部最优：最后，建立了自适应螺旋飞行机制，使用收敛因子动态调整搜索轨迹，进一步提高了最优解的搜索效率。通过仿真实验对IHHO算法、标准HHO算法、灰狼优化算法、鲸鱼优化算法、吸血水蛭优化算法和鳑鮍鱼优化算法进行性能比较。结果表明：IHHO算法在9种不同测试函数中均具有较好的寻优精度和稳定性能；在两种多目标点路径规划中，较传统HHO算法路径长度分别减少2.9%和6.0%，稳定性分别提升90.5%和16.9%，且收敛速度优于其他对比算法。该算法可用于多目标点路径规划，缩短路径规划长度，提高工作效率。

• 基于客户密度聚类和动态虚拟多任务智能水滴算法的冷链物流配送方法

  程美英,韩润华,

  针对现有冷链物流配送问题在分配冷藏车时未考虑偏离配送中心的客户群体，以及采用智能水滴（IWD）算法求解冷链物流配送问题后期易陷入局部最优等缺陷，提出融合客户密度K-means聚类方法（KCCD）和动态虚拟多任务IWD算法（DVMIWD）的冷链物流配送方法。首先设计KCCD算法将客户分配给合适的冷藏车；然后引入多任务优化思想构建虚拟多任务环境，在DVMIWD算法中引入辅助种群协助主种群进化；当辅助种群因停滞进化无法向主种群迁移有效信息时，将其淘汰并基于优秀解信息库重新生成一个新的同等规模辅助种群；最后引入经典CVRP验证KCCD-DVMIWD算法有效性后，将其应用于不同规模冷链物流配送问题中。仿真实验表明：相对于静态辅助种群，KCCD-DVMIWD算法在求解冷链物流配送实例n22和n26时，平均总成本最多分别降低了0.8%和1.04%。

• 时频域多增强视图时间序列对比聚类

  王从瑜,杜明晶,

  针对当前深度时序聚类方法存在难以有效利用时间序列的时域与频域特征、以及表征学习与聚类分离等问题，提出了一种新型的深度聚类方法——时频域多增强视图时间序列对比聚类（TFACC）。该方法通过时频域多视图增强架构和对比聚类，提升了特征学习能力。该方法利用具有三重共享权重的骨干网络，将传统的双增强视图范式扩展至多个视图，实现了时域与频域增强的联合利用，以提升深度聚类的性能。基于主干网络生成的特征表示，时域增强视图对和频域增强视图对同时用于实例级对比学习和簇级对比学习，它与主干网络一起，可以以完全无监督的方式联合优化。实验结果表明，该方法在30个基准数据集上的聚类性能优于其他7种基准方法，证明了其有效性与优越性。

• 融合局部重要性与种子扩展的重叠社区发现算法

  付立东,武鑫,王一博,

  针对现有重叠社区发现中局部种子扩展类算法普遍存在种子选择偏差、社区扩展过于依赖质量函数等问题，提出了一种融合局部重要性与种子扩展的重叠社区发现算法（LISEOCD）。首先，基于边的邻域重叠度量化节点重要性，根据节点在局部网络中的重要性筛选种子以规避传统方法的随机性；其次，构建以种子为核心的初始社区结构，通过对节点-种子社区贡献度计算，动态判定节点加入社区的合理性；最后，通过“未被任何社区覆盖的节点分配与高重叠度社区融合”优化策略，进一步提升社区结构的完整性与稳定性。在真实网络、LFR基准网络与六个算法进行对比实验。结果表明，LISEOCD在扩展模块度EQ、F1-score指标上相较于局部种子扩展类最优算法平均提高了6.6%和4.2%，识别发现的社区结构更符合网络的动态特性，且鲁棒性更高。

• 基于潜在表示和张量学习的多视图无监督特征选择方法

  蒋剑军,谢锡炯,

  针对多视图无监督特征选择中，直接基于原始噪声特征构图易忽略全局结构，且传统多图融合方法因视图异质性难以有效挖掘共享一致信息的问题，提出一种结合潜在表示与张量学习的特征选择模型。该方法将原始多视图数据映射至公共潜在空间以捕获高层语义结构，并在此基础上进行子空间学习以剔除不相关特征。进一步引入谱表示保持共享局部几何结构，并采用低秩张量约束建模视图间高阶交互，同时在特征回归框架中融入范数正则化以提升鲁棒性。该方法通过潜在表示学习与张量高阶关联建模，能够更有效地捕获多视图数据的一致结构与内在判别信息，从而提升特征选择的稳定性和代表性。在六个公开基准数据集上的实验结果表明，该方法在多种评价指标上均显著优于当前主流方法。

• 基于加权节点亲和度的自适应社区检测算法

  付立东,吴静,

  针对传统社区检测算法过度依赖一阶拓扑特征，难以捕获高阶结构中隐含社区关系的问题，提出一种基于加权节点亲和度的自适应三阶段社区检测算法（adaptive community detection algorithm based on weighted node affinity，ACD-WNA）。首先，该算法构建了融合边权重与共同邻居二阶关系的节点亲和度模型，通过差异化权重分配，解决了已有相似度度量的局限性，实现了对网络高阶拓扑特征的精确提取；其次，设计了局部结构相似性与全局模块度增益相结合的双重约束扩展机制，有效平衡了社区内聚性与全局划分质量，避免了社区的过度扩展；最后，引入基于最大模块度增益的全局节点重分配策略，对社区边界进行动态优化与纠错。在多个真实网络与人工网络上的实验表明，该算法在NMI、cut_ratio等关键指标上表现优异，能够稳定获得高质量的社区划分，并展现出卓越的适应性与鲁棒性。

• CCSAT:基于冲突驱动子句学习的电路求解器

  罗茂,陈润尧,黄意雯,吴歆韵,熊才权,柯远志,

  布尔可满足性问题（SAT）求解器在电子设计自动化（EDA）领域应用广泛。当前主流SAT求解器均需要使用合取范式（CNF）格式的算例作为输入，然而将电路的与逆图（AIG）编码为CNF格式会导致原始电路的结构受到破坏，从而影响电路等价验证问题的求解效率。为解决此问题，提出并实现了一种直接解析电路结构文件的电路SAT求解器。该求解器基于冲突驱动子句学习（CDCL）框架，融合电路结构特性，集成了学习门删除策略、重启机制、基于电路节点活跃度的分支策略。在ISCAS’85/89基准电路上进行的电路等价验证的实验表明，各优化模块显著提升了性能，特别是分支策略在多个电路上实现了超100倍的加速，验证了直接在电路上进行等价验证的可行性。

• 深度强化学习驱动的多起点协同推理在神经组合优化中的应用

  李成健,宋姝谊,陈智斌,

  针对多目标组合优化问题中解集多样性不足与全局搜索能力有限的挑战，提出了一种多起点神经组合优化框架MONCO，旨在提升深度学习方法在多目标组合优化任务中的性能与泛化能力。该方法融合多起点推理机制、强化学习策略与算例增强技术，实现多解的并行探索，并通过引入Das和Dennis分解策略对目标空间进行均匀覆盖，以更好地逼近帕累托前沿。实验在典型多目标问题MOTSP、MOCVRP和MOKP上进行评估，结果显示MONCO在解的质量与跨规模适应性方面整体优于选取的部分代表性深度学习方法和传统优化方法。在Bi-TSP100问题中，MONCO-Aug的HV值为0.682，gap为0%，显著超过NSGA-Ⅱ和MOEA/D；在Bi-CVRP200问题中，MONCO-Aug的HV为0.347，相比P-MOCO-Aug的0.236提高约47%。上述结果验证了该框架在优化解集多样性与收敛性方面的有效性，并展示了其在处理不同规模问题时的稳定性能与适应性，表明MONCO是推进基于深度学习的多目标组合优化研究的一个具有潜力的研究方向。

• 基于轨迹预测方法及抛接球策略实现双臂三球杂耍闭环控制

  易凯城,吕鸿赢,王瀚,张邦森,季云峰,

  针对实现双臂机器人高精度三球连续杂耍的控制需求，提出了一种名为PFC（预测-反馈-协同）框架的新型控制架构。其旨在解决现有方法在轨迹预测精度、系统响应速度及双臂协调性方面的不足。通过采用基于负反馈速度修正与聚类的轨迹预测算法，提升了空中球体的位置判断准确性；引入动态接球缓冲机制，增强系统对不确定因素的鲁棒性；设计基于相位理论的动态抛球策略，有效避免双臂碰撞。物理实验结果显示，该框架可使机器人实现连续11次稳定抛接，工作空间内的接球成功率达到99.3%。研究表明，PFC框架在连续多目标动态操控任务中性能优于现有方法，为复杂机器人操作任务提供了可行的技术路径。

• 基于语义引导边界建模的嵌套命名实体识别模型

  刘名浩,李晗,

  针对嵌套命名实体识别中实体内部结构信息和实体边界相对位置信息表达不足的问题，构建了一种基于triaffine机制的结构感知跨度建模模型。在词对交互模块中对词间语义特征和位置特征进行解耦与交互，以获得编码相对位置信息的结构感知注意力得分；在序列注意力模块中聚焦实体内部关键区域，以增强实体内部结构表征。融合后的结构感知信息经空洞卷积模块提取多尺度上下文，并与基于triaffine注意力得到的潜在跨度表示拼接，用于实体类别判定。在ACE2004和ACE2005数据集上的实验结果表明，该模型的F1值分别达到88.64%和87.30%，表明其在嵌套命名实体识别任务中具有有效性。

• 融合结构特征归因与多智能体推理的上帝类检测方法

  邵宁宁,刘臣,

  上帝类是一种典型的代码异味，其存在会降低软件的可扩展性和可维护性，进而增加系统故障风险与维护成本。为此，提出由规范化博弈式多智能体框架与全局共享的上下文工程组成的检测方法。先以梯度提升树结合 SHAP 特征归因获得可审计的结构先验与关键特征；并据此生成复杂度感知的提示词与初始证据。随后，多个智能体角色在受控协议下自适应地触发与停止，讨论过程写入共享记录并与证据视图对齐，从而降低对提示表述的敏感性并提升可审计性。最后将推理检测概率与结构先验评分按照可学习权重进行凸组合得到最终判定。实验结果表明，本方法在判定一致性保持Cohen’s κ≥0.75的前提下，检测性能显著优于现有基线。在跨项目MLCQ数据集上的实验中，F1-score相比基线方法提升14.6 %~76.1 %，同时误报率下降 37.6 %~80.4 %，兼顾了高召回与低误报。

• SDN辅助与博弈激励的多跳任务卸载策略

  黎作鹏,黄时宇,贾泽桐,

  单跳任务卸载受限于通信距离与可用资源，难以满足高负载场景下的服务需求；多跳任务卸载可扩展协作范围，提升边缘网络的资源利用率与调度灵活性，但路径选择与算力分配高度耦合，且空闲设备作为资源提供方缺乏协作激励，难以充分释放其计算潜力。为此，构建基于SDN的集中式协作卸载框架，利用全局视图实现通信与计算资源的联合优化，并引入任务优先级机制缓解多任务并发下的链路竞争。进一步，设计Stackelberg博弈模型，通过定价机制激励设备参与计算转发，协同优化任务延迟与能耗。在此基础上，提出BGLS-PPO（Bellman-guided look-ahead sampling-PPO）算法，在动作选择阶段嵌入基于贝尔曼期望的一步前瞻估计，提升策略探索效率与收敛稳定性。实验结果表明，多跳卸载相较单跳显著提升系统效用；同时，该方法在与多种现有算法的对比中表现出更优的适应性与鲁棒性。

• 基于个性化辅助网络和输出堆叠的异构联邦学习方法

  曾庆泷,曹栋涛,颜良棋,张佳乐,陈哲毅,程红举,

  联邦学习是一种分布式机器学习模式，中央服务器协调多个客户端对分散在不同设备上的数据进行训练。通常，联邦学习假设服务器和所有客户端采用相同的模型结构，从而使服务器能够聚合客户端共享的参数，提升全局模型的性能。然而，在实际场景中，由于不同客户端在硬件上存在差异，它们期望设计独特的本地模型架构。为了在模型异构的场景下实现客户端之间的协同训练，提出了一种新颖的基于个性化辅助网络和输出堆叠的异构联邦学习方法（federated learning with personalized auxiliary network and output stacking，FedPAS）。首先，服务器部署了一个用于协助各客户端与自身进行通信的辅助网络。通过在辅助网络的损失函数中融入不同客户端数据的梯度表示，实现了辅助网络的个性化并将其下发至客户端。然后，受集成学习中多模型输出拼接方法的启发，提出了输出堆叠策略。该策略通过下发至各客户端的辅助网络获取本地数据的输出表示。服务器汇总这些表示生成元数据，并用于客户端本地模型的训练。最后，在MNIST和CIFAR-10数据集的多种数据分布条件下的实验结果表明，该方法在预测准确率上优于最近的几种模型异构联邦学习方法，并且表现出了更强的泛化能力。

• FedAGen:一种基于对抗性伪样本生成的联邦学习漂移校准算法

  黄俊煌,宁建廷,侯琳珊,陈志豪,马楚阳,

  针对联邦学习在处理非独立同分布（non-IID）数据时，各客户端本地模型训练易偏离全局最优方向而产生“客户端漂移”，进而导致全局模型精度下降、收敛缓慢的问题，提出一种名为 FedAGen 的联邦学习漂移校准算法。该算法在客户端利用一种新颖的对抗性优化方法：以全局模型为向导，对本地样本施加扰动，在特征空间中生成能够模拟全局数据分布的伪样本。通过将这些伪样本纳入本地训练，从数据源头主动校准由数据偏斜引起的模型漂移。在CIFAR-10、CIFAR-100及FEMNIST数据集上的实验结果表明所提算法性能优越。在non-IID环境下（Dirichlet参数为0.3），模型最终测试准确率分别达到了86.85%、62.31%和86.02%。与经典的FedAvg算法相比，在CIFAR-100上的精度提升超过11个百分点，且在不同数据异构程度下均表现出强大的鲁棒性与更快的收敛速度。研究表明，FedAGen能有效缓解客户端漂移，在不显著增加通信开销的前提下，显著提升了non-IID场景下联邦学习系统的模型精度与训练效率，验证了该方法的有效性和优越性。

• HEAFed:同态加密的高效通信异步联邦学习算法

  王斌,郑兵,陈运,

  联邦学习系统中，用户隐私数据易受到攻击者与半诚实服务器的窃取，同时在不稳定通信环境中存在训练准确率低、效率不足的问题。针对上述情况，提出了一种同态加密的高效通信异步联邦学习算法（HEAFed）。HEAFed算法首先利用中国剩余定理（CRT）对客户端的参数更新进行压缩；其次采用改进的Paillier算法对优化后的参数更新进行加密，保证用户隐私安全；再次，引入了参数调整的异步聚合算法，保证延迟客户端的训练成果也能被有效利用；最后实验在MNIST和CIFAR-10数据集上进行，结果表明，HEAFed算法在准确率和效率方面均优于传统隐私保护的联邦学习方法，且在不稳定通信环境中表现更为突出，相较于四种基线算法，准确率分别提高12.59%~43.09%。

• 基于内积函数加密的属性隐藏跨院医疗数据共享方案

  赵蕾蕾,董国芳,袁昊,

  针对跨院医疗数据共享中细粒度访问控制与属性隐私保护难以兼顾、中心化密钥管理韧性不足等问题，提出了一种基于内积函数加密的属性隐藏跨院医疗数据共享方案。首先，将访问策略与用户属性编码为哈希向量，通过加密域内的向量内积运算实现访问判定，从而在支持细粒度访问控制的同时有效隐藏敏感属性。其次，设计了一种云-边-端协同架构，由属性权威机构负责属性审核与密钥生成，并协调边缘节点执行预解密操作，以减轻用户端计算负担。最后，安全性分析表明，该方案能够抵抗属性权威-医院合谋攻击及属性关联合谋攻击，满足IND-CPA安全要求。实验结果验证了方案在计算和通信开销方面的高效性。

• MSIEFuzzer:基于多尺度信息熵的工业控制协议模糊测试方法

  刘明睿,宗学军,何戡,连莲,史洪岩,孙逸菲,宁博伟,

  针对模糊测试在工业控制协议领域中存在的测试用例冗余度高、盲目变异等问题，提出一种基于多尺度信息熵（MSIE）的工业控制协议模糊测试方法。该方法采用策略优化的生成对抗网络（WSGAN）学习工业控制协议格式规范，其生成器训练采用近端策略优化（PPO）结合蒙特卡罗树搜索（MCTS），实现生成策略的动态优化与稳定更新。通过MSIE划分工业控制协议的固定字段和可变字段，采用WRD算法计算测试样本之间的相似度，根据字段划分结果对相似度高的测试样本进行变异，以降低测试冗余度并进行针对性突变。基于上述方法，设计了一种通用模糊测试框架MSIEFuzzer，并在辽宁省石油化工行业信息安全重点实验室的典型能源企业工业场景攻防演练靶场上进行实验验证。其相比WGANFuzzer、GANFuzz、PeachFuzzer，MSIEFuzzer生成的测试用例具有更高的接收率和多样性，且异常触发率分别提高19.35%、42.33% 和70.03%，证明了MSIEFuzzer的有效性和普适性。

• 融合通道门控与特征交互的点云语义分割网络

  邱云飞,陈熙,

  针对基于深度学习的三维点云处理方法在语义分割任务中缺失局部特征的问题，提出了融合通道门控与特征交互的点云语义分割网络（point cloud semantic segmentation network based on channel gating and feature interaction，CGINet）。该网络引入特征交互模块（feature interaction module，FIM），设计轻量通道门控模块（light channel gate，LCG），用于对特征通道进行自适应调节，以增强局部响应能力，建模点之间的上下文关系，从而提升点云语义表示能力。同时构建全局通道加权模块（global channel weighting，GCW），对通道级语义信息进行压缩建模与加权融合，进一步强化全局特征感知能力。此外，网络中引入残差结构，有效提升了特征传递的稳定性与表达能力。在S3DIS（Stanford large-scale 3D indoor spaces）和ShapeNetPart数据集上分别对所提模型进行了实验。在S3DIS数据集的语义分割实验中平均交并比（mIoU）相较于PointNet++提高了9.7个百分点，在ShapeNetPart数据集的语义分割实验中相较于PointNet++类别平均交并比（class average mIoU）和实例平均交并比（instance average mIoU）分别提升了2.3和2.2个百分点。实验结果表明，该方法在两组实验中均实现了更优的分割效果，验证了所提网络结构的有效性。

• 基于分块融合的高分辨率单目深度估计

  尹倩,陈云浩,赵莉,杨松妍,唐嘉宁,

  针对高分辨率单目深度估计中低分辨率训练难以适配高分辨率输入、细节丢失和误差逐层累积，以及消费级深度相机深度图噪声大、空洞多的问题，提出一种基于分块融合的高分辨率深度估计框架，充分利用低分辨率图像的全局结构一致性与高分辨率图像的局部细节优势，提升深度估计性能。方法包括：构建DA-ZoeDepth模型，结合Depth Anything的DPT-DINOV编码器和ZoeDepth解码器，实现全局粗略深度估计与分块局部精细深度估计；设计高低频特征融合模块（HLAEM）和引导融合网络（GFN），实现全局和局部深度图的尺度一致融合；引入一致性损失（Lconsist），优化块间拼接边界的连续性。实验结果表明，在UnrealStereo4K和MVS-Synth数据集上，所提方法相较于BoostingDepth分别降低REL误差约0.005和0.009 2，降低RMSE 0.046与SILog 1.189，在Middlebury 2021数据集上展现出优异的零样本泛化能力。结论表明，所提方法能够有效提升高分辨率深度图的细节保真度与全局一致性，为增强现实、自动驾驶等高精度场景提供了一种鲁棒高效的解决方案。

• 基于结构引导与伪标签可靠性策略的半监督医学图像分割

  黄鹏辉,黄国恒,程良伦,黄佳杰,

  在医学图像分割任务中，复杂的解剖结构、模糊的边界以及伪标签在语义表达与结构一致性方面的偏差，容易导致深度模型在半监督训练过程中出现结构感知退化和特征表达不稳定的问题。针对上述挑战，构建了一种面向结构感知增强与伪标签可靠性建模的半监督分割方法。在双解码器架构基础上，提出频率引导的结构提示模块，联合三轴频率建模与多尺度空间感知机制，以提升对边界及细粒度结构的建模能力。同时，设计基于语义-结构一致性的伪标签置信建模机制，结合预测熵与特征一致性评分动态调控伪标签的监督强度，从而提升训练稳定性与伪标签利用效率。在TooCT、LA及Pancreas-CT三个数据集上的实验结果表明，在仅使用10%和20%标注样本的条件下，所提方法在Dice系数、95% Hausdorff距离和平均表面距离ASD上均优于如DTC、MC-Net、BCP等典型半监督模型，证明了所提方法的有效性。

• 基于高斯局部连续致密化的稀疏多视图三维重建算法

  谢粤聪,陈嘉,蔡财龙,王栋,李芳,

  稀疏多视图三维重建广泛应用于虚拟现实、数字人建模及机器人视觉等领域。然而，由于初始重建信息不足，现有方法在细节表达和几何准确性方面仍存在明显局限，常表现为结构模糊与漂浮伪影等问题。为此提出一种基于高斯局部连续致密化的稀疏多视图三维重建算法，旨在提升稀疏输入条件下的重建质量与鲁棒性。该算法以初始三维高斯模型为基础，通过在稀疏高斯区域插值引入具备邻域几何连续性的新高斯点，从而增强场景的局部结构表达能力。同时，在损失函数中引入深度正则化与法向正则化项，以优化几何一致性并抑制伪影生成。在自建数据集及公开数据集上的实验结果表明，所提算法的新视角图像合成质量得到了显著提升，在多个评价指标上显著优于现有多种稀疏多视图三维重建算法，展现出更强的泛化能力与重建精度。

• 多支路差分卷积与频域增强相结合的水下图像增强方法

  黄奕程,何立风,罗凯伦,刘玉,

  针对水下图像存在的细节模糊、噪声干扰及颜色失真等问题，提出一种基于监督学习的多支路差分卷积与频域增强相结合的水下图像增强方法。该方法采用颜色及细节增强模块强化高频细节并校正低频颜色；通过双支路增强模块平衡时空域与频域特征增强比例；设计轻量化交叉融合模块优化特征交互；同时结合多项损失函数提升模型性能。实验结果表明，该方法在PSNR（提升20.76%）、SSIM（提升8.35%）和UIQM（提升23.24%）等客观指标上均优于现有方法，主观视觉评估亦证实其可生成色彩自然且细节清晰的增强图像。

• 基于多尺度大核卷积和改进非局部注意力的超分辨率重建网络

  李金凤,王世宇,边继龙,

  在基于深度学习的图像超分辨率重建任务中，卷积神经网络曾长期占据主导地位。然而，卷积神经网络存在着局部感受野受限等明显缺陷。随后，Transformer 因其在自然语言领域出色的表现而被引入图像超分辨率领域，其中的自注意力机制有效缓解了卷积操作的局部性限制，但在处理高分辨率图像时，却因其平方级计算复杂度和巨大的内存开销而面临新的挑战。为此，提出一种基于多尺度大核卷积和改进非局部注意力的超分辨率重建网络模型，其以多尺度大核卷积块作为网络主干结构，并设计一个大核可分离注意块取代特征提取网络末尾单个卷积层。同时引入一种软阈值操作以取代softmax变换，并结合SB-LSH预处理改进非局部注意力。实验结果表明，提出的模型在评价指标上对比其他先进模型有较大提升。同时，该模型在保持适中参数量的前提下，有效避免了过高的计算开销，而且在视觉效果上也展现了真实的图像重建效果。

• TriFusion-EdgePVT:融合空间通道多尺度特征与边缘增强的医学图像分割方法

  刘衢,刘孙俊,王铮,陶奕汀,李刚,

  针对医学图像分割中卷积神经网络（CNN）因局部感受野限制而难以有效捕获长距离依赖关系的问题，引入具备全局上下文建模能力的 Transformer 编码器 PVTv2。此外，为缓解Transformer在局部上下文理解与细节感知方面的局限性，设计了三个新型模块:残差门控交叉注意力模块（RGCAM），旨在增强相关特征的激活并抑制无关信息以强化长距离和局部上下文信息；多核并行卷积注意力模块（MKPCAM），通过融合空间-通道注意力机制与多尺度卷积以协同增强模型对全局依赖关系的建模能力；级联边缘增强型上采样模块（CEEUM），通过分层处理多尺度边缘信息以提升细节感知能力。实验表明，TriFusion-Edge PVT在Synapse数据集上取得了DSC 83.61%和HD95 15.13的成绩，以及在多达7个二值医学数据集上亦表现出优于现有主流分割方法的性能，充分验证了该模型在全局建模、局部语义保持与细节恢复方面的综合优势，同时展现出其卓越的跨数据集泛化能力。

• 基于自适应时空图卷积的骨骼行为识别方法

  徐洪,吕凯,袁亮,

  大多数骨骼行为识别方法通过预定义的骨骼拓扑结构来建模空间关系。然而，该方法所依赖的预定义拓扑存在本质缺陷，其静态性与共享性限制了模型特征提取的灵活性。为解决该问题，提出了一种基于自适应时空图卷积网络（adaptive spatio-temporal graph convolutional network，AST-GCN）的骨骼行为识别方法。该网络包含自适应空间图卷积（adaptive spatial graph convolution，AS-GC）与自适应时间图卷积（adaptive temporal graph convolution，AT-GC）两个核心模块。自适应空间图卷积通过多个可学习的邻接矩阵替代固定拓扑结构，自适应地提取动作的空间特征。自适应时间图卷积则在时间维度进行多层次建模，通过可学习邻接矩阵实现对不同时间段动态信息的细化学习。AST-GCN在大规模数据集NTU-RGB+D 60上的准确率为92.9% （X-Sub）和96.9% （X-View），在NTU-RGB+D 120上的准确率为89.7% （X-Sub）和91.0% （X-Set），在性能表现上优于现有的主流方法，验证了模型的有效性。