计算机科学与探索杂志

计算机科学与探索杂志2020年第2期

• 图像超分辨率技术的回顾与展望

  刘颖，朱丽，林庆帆，李莹华，王富平，卢津

  图像超分辨率（SR）是计算机视觉中提高图像和视频分辨率的一类重要技术。近年来，得益于神经网络的成功，基于深度学习的图像超分辨率技术正在蓬勃发展，这无疑是超分辨率技术研究的主流方向。对超分辨率工作进行综述。首先，总结目前已有的超分辨率技术，根据其输入输出进行分类介绍；其次，将基于深度学习的单图像超分辨率技术分为有监督学习和无监督学习两类进行论述，并对部分具有代表性的最新超分辨率重建技术进行总结分类介绍；然后，讨论了超分辨率技术的相关问题，即性能评价指标、标准数据集，进而对几种典型算法进行实验对比；最后，对图像超分辨率算法未来的研究趋势进行展望。

• 面向云平台非可信Hypervisor的保护机制综述

  顾佳男，郑蓓蕾，翁楚良

  大数据时代背景下，多租户云平台的作用越显重要。然而，虚拟化作为云平台的关键构建技术之一，其安全性的保证尚不充分。Hypervisor是虚拟化技术中关键的软件层次，它管理着客户虚拟机和裸机物理资源之间的资源分配、共享和隔离等重要事务。但是Hypervisor本身存在着漏洞和攻击面，使得任意针对Hypervisor的攻击对多租户云平台和上层应用造成不可估计的威胁。因此，面向云平台非可信Hypervisor的保护机制应运而生。对现有保护机制进行综述，包括：分析其构建的可行性与挑战，并对保护机制进行分类；梳理和剖析保护机制中的完整性检测机制、防御机制以及隔离机制方面的相关工作；展望未来研究趋势，为未来虚拟化技术安全性的研究以及构建可靠的多租户云平台的研究提供有价值的参考。

• 使用EBIC的软件故障特征选择方法

  涂吉屏，钱晔，王炜，范道远，张涵宇

  软件故障预测中若采用大量度量指标建立预测模型，可能因其中含有无关特征使预测模型性能受到不良影响，故障预测中的特征选择步骤选取一定维度的部分故障数据建立预测模型来提高模型性能，以达到压缩特征维度，提高模型预测精度，降低预测模型复杂度，节约计算资源的目的。传统特征排序方法仅评估单个特征对类标的影响，建立的预测模型有效性较低；特征子集选择方法需搜索所有特征子集，耗费计算资源且所选特征维数较高。针对以上问题，提出一种基于拓展贝叶斯信息准则的特征选择方法（EBIC-FS），该方法对数据进行线性回归，并计算出残差平方和较小且数据维数较少的特征模型。在公开数据集M&R及Promise上进行实验，结果表明该方法能有效压缩特征维度，且预测模型性能与5种基线方法相比有较大提升。

• 动态模糊粗糙特征选取算法

  倪鹏，刘阳明，赵素云，陈红，李翠平

  由于数据随时间和空间不断更新，很多基于粗糙集的增量方法被提出。然而，动态数据上基于模糊粗糙集的特征选取（也称属性约简）更新的研究较少，特别是连续型动态数据上的增量特征选取。为了解决这个问题，提出适用于连续型数据的基于模糊粗糙集的增量属性约简算法。首先提出模糊粗糙基本概念的增量机制，如模糊正域的增量机制。只有部分示例在已有属性约简上的辨识能力不足，即对于模糊正域来说，存在一个关键示例集。增量约简算法基于已有数据上的约简结果，仅需要更新关键示例集中的示例，而非全部的论域。因而该增量算法在动态数据上能快速获得约简的更新。通过数值对比实验可以看出，增量算法比非增量算法在运行时间上有明显的优势。特别是对于高维数据集，增量算法可以大大地节省计算时间。

• 外包环境下格上可撤销的属性基加密方案

  于金霞，杨超超，张棋超，闫玺玺

  属性基加密机制的“一对多”分发特点使其在外包环境中得到了广泛的应用，然而用户的属性经常会发生动态的变化。因此，针对数据外包环境下属性基加密体制中属性撤销的问题，结合Yan等人提出的属性基加密方案，提出一种外包环境下格上可撤销的密文策略属性基加密方案。方案利用格上LWE问题构建加解密算法，可抵抗量子攻击。采用树形表示单调的访问结构，实现灵活的细粒度访问策略。另外，借助数据外包管理服务器，进行属性密钥的更新和密文的更新，实现属性的即时撤销。方案被证明满足选择属性及选择明文攻击下安全。通过对比分析表明，方案在性能方面有显著的提升，且支持属性即时撤销，更加符合外包环境中用户动态变化需求，如社交网络平台等。

• 多数据集深度学习模型的修图处理识别

  杨滨，陈先意

  图像处理软件的飞速发展，带动了移动应用领域一大批修图、美化应用的兴起。但是修图、美化软件的快速发展和普及也带来了一些社会问题和安全问题，如网恋对象严重失真，摄影作品造假等。针对手机中的修图处理APP软件，提出一种基于多数据集特征学习的神经网络模型，并给出其网络拓扑结构。区别于传统的多个神经网络并行操作，提出的网络模型具有共享模型参数的特征，能同时对多个特征数据集进行深度学习，使检测程序具备多特征识别能力。此外，还提出了一种针对多任务网络模型的损失函数，以增强深度特征学习的能力。实验结果表明，提出方法的准确率较传统方法有较大提升，同时泛化性能优越，能识别出经过多种美图、修图软件修复过的图像。

• 多层梯度提升树在药品鉴别中的应用

  杜师帅，邱天，李灵巧，胡锦泉，郑安兵，冯艳春，胡昌勤，杨辉华

  近红外光谱分析技术高效应用于药品分析领域。针对高维非线性的小规模近红外数据，传统的药品鉴别算法存在特征学习能力不足的缺陷，基于神经网络的方法有局部最优及过拟合等问题，且两者易忽略样本的不均衡性。针对以上劣势，提出一种基于特征选择与代价敏感学习的多层梯度提升树（CS_FGBDT）药品分类方法。首先采用Savitsky-Golay平滑和一阶导数对原始数据进行预处理；其次利用随机森林对预处理光谱自适应提取特征，并由多层梯度提升树进行特征映射；然后结合代价敏感学习机制将样本不均衡性的负效应降到最小。实验结果表明，在胶囊和药片两种不平衡数据集上对算法进行对比评估，该模型具有更高的预测精度和稳定性，是一种有效的药品鉴别方法。

• 结合样本局部密度的非平衡数据集成分类算法

  杨浩，陈红梅

  传统的过采样方法是解决非平衡数据分类问题的有效方法之一。基于SMOTE的过采样方法在数据集出现类别重叠（class-overlapping）和小析取项（small-disjuncts）问题时将降低采样的效果，针对该问题提出了一种基于样本局部密度的过采样算法MOLAD。在此基础上，为了解决非平衡数据的分类问题，提出了一种在采样阶段将MOLAD算法和基于Bagging的集成学习结合的算法LADBMOTE。LADBMOTE首先根据MOLAD计算每个少数类样本的K近邻，然后选择所有的[K]近邻进行采样，生成[K]个平衡数据集，最后利用基于Bagging的集成学习方法将[K]个平衡数据集训练得到的分类器集成。在KEEL公开的20个非平衡数据集上，将提出的LADBMOTE算法与当前流行的7个处理非平衡数据的算法对比，实验结果表明LADBMOTE在不同的分类器上的分类性能更好，鲁棒性更强。

• 民航突发事件领域本体关系提取方法的研究

  王红，李晗，李浩飞

  针对民航突发事件领域本体关系抽取准确率低的问题，提出了一种结合注意力机制与双向门控循环单元（BiGRU）的关系抽取模型。首先查询预先训练的词向量矩阵，将文本中每个词语映射为向量表示；其次构建BiGRU，得到词语序列的上下文语义信息；然后在词语层面和句子层面分别引入注意力机制，为表达语义关系更重要的词语和句子分配更大的权重；最后进行模型的训练与优化。将该模型应用在民航突发事件领域本体的关系提取中，实验结果表明该模型相较于其他方法具有更好的提取效果，验证了该模型的有效性，为民航突发事件领域本体关系的自动获取提供了新的方法支持。

• TSK模糊逻辑系统相关滤波器跟踪算法

  陈晨，高艳丽，邓赵红，王士同

  针对当前目标跟踪领域中如何准确迅速地区分目标和背景的问题，大部分跟踪器的核心内容是如何训练一个判别分类器来区分目标和周围环境。目前较为先进的核相关滤波器算法（KCF）及其改进后的判别式相关滤波器（DCF）将判别分类器与傅里叶变换相结合来提升跟踪速度，一些基于KCF的优化算法对部分跟踪难题，如针对尺度问题的KCF算法和针对目标消失的KCF算法提出了解决方案。但当前已有算法在提高精度方面仍有一定的提升空间，针对此，在核相关滤波器的基础上，从TSK模糊逻辑系统（TSK-FLS）的角度出发推导出了一种新的模糊核相关滤波器（FKCF）。FKCF继承了前者的高速和计算量小的特性，为了提高鲁棒性，将之前简单的高斯映射换成了模糊隶属度函数，并且在核计算的过程中引入了后件参数。由于这两项改进，使得在跟踪精度方面比KCF更好。将FKCF算法与KCF等相关算法在OTB50等4个数据集中的50个随机选取的视频上进行了实验，10项常见属性上的精度均有提升。

• 解决深度探索问题的贝叶斯深度强化学习算法

  杨珉，汪洁

  在强化学习领域，如何平衡探索与利用之间的关系是一个难题。近几年提出的强化学习方法主要关注如何结合深度学习技术来提高算法的泛化能力，却忽略探索利用困境这一问题。传统的强化学习方法可以有效解决探索问题，但存在着一定的限制条件：马尔可夫决策过程的状态空间必须是离散并有限的。提出通过贝叶斯方法来提高深度强化算法的探索效率，并将贝叶斯线性回归中计算参数后验分布的方法扩展到人工神经网络等非线性模型中，通过结合Bootstrapped DQN和提出的计算方法得到了贝叶斯自举深度Q网络算法（BBDQN）。最后用两个环境下的实验表明了BBDQN在面对深度探索问题时的探索效率要优于DQN以及Bootstrapped DQN。

• 基于轻量级网络的实时人脸识别算法研究

  张典，汪海涛，姜瑛，陈星

  为了在嵌入式和移动设备上实现高精度的实时人脸识别，对常见的网络在人脸识别方面的优缺点进行了分析，提出了一种高效的深度卷积神经网络模型Lightfacenet。在网络中结合深度可分离卷积、逐点卷积、瓶颈结构和挤压与激励结构提出了轻量化神经网络单元，使网络在保证有一定准确率的情况下有效地解决深层的神经网络带来的参数冗余和计算量大的问题，再通过改进的非线性激活函数进一步提高网络的准确性。该神经网络在保留卷积神经网络部分优点的同时也很好地平衡了网络的缺点。在同样的实验环境下，Lightfacenet网络既实现了非常高的识别精度，也在模型推理速度上达到实时的效果。在使用MS-Celeb-1M数据集训练后，该模型在LFW数据集上达到了99.50%的准确率，其效果已经可以与现在的大型卷积神经网络媲美。对于面部识别，Lightfacenet比目前最先进的移动卷积神经网络在保证准确率的情况下提高了效率。

• 面向图像复原的分层贝叶斯局部高斯混合模型

  张墨华，彭建华

  近年来使用高斯模型作为块先验的贝叶斯方法取得了优秀的图像去噪性能，但是这一方法在去噪之外的逆问题求解方面性能不太稳定。提出一种基于分层贝叶斯的高斯混合模型对图像块建模，对模型参数引入先验知识，利用Gaussian-Wishart分布对均值和协方差矩阵的概率分布建模，使得块估计过程更加稳定。基于邻近块的相干性，利用L2范数度量完成局部窗口中相似块的聚类，局部窗口相似块利用特定均值和协方差的多元高斯概率分布建模，利用累加平方图及快速傅里叶变换的数值优化方法，加快相似性度量的计算时间。使用基于马式距离的高斯分布相似度的聚合权重，结合图像上的空间域高斯相似度，更好地拟合自然图像的统计特性。通过实验验证了提出的模型在图像复原求解中的有效性。

• 决策蕴涵上的推理规则和推理过程研究

  贾楠，张少霞，翟岩慧，李德玉

  形式概念分析是用于概念分析和可视化的偏序集理论。决策蕴涵是形式概念分析在决策情形下的知识表示。已有研究从逻辑角度分析了决策蕴涵，并给出了完整的语义描述和语构描述，其中在语构方面已经有一个完备的推理规则集，即扩增推理规则和合并推理规则。在此基础上，提出了新的推理规则——后件合并推理规则，证明了其合理性，以及与扩增推理规则组成的推理规则集的完备性和无冗余性；通过研究扩增推理规则和后件合并推理规则的性质，给出了使用这两条推理规则从完备集推导其对应封闭集的有效方法等理论结果，为进一步的算法研究与应用以及更深入的理论研究工作奠定基础。

• 9-量子团簇态信道的非对称双向量子信息传输

  彭家寅

  利用一个9-量子团簇态为信道，分别提出了三个关于二量子态和三量子态的双向量子信息传输协议。在第一个协议中，Alice能把三量子[a1]、[a2]和[a3]的未知态传送给Bob，Bob能把二量子[b1]和[b2]的未知态传送给Alice。Alice采用特殊三粒子态测量基，使得方案简化了一半。在第二个协议中，Alice在远方的Bob处制备三粒子[a1]、[a2]和[a3]的已知态，同时Bob也能在Alice处制备二量子[b1]和[b2]的已知态。由于他们充分利用了前馈测量策略，制备任务能够完美完成。在第三个协议中，利用前两个协议的优点，Alice能成功将三量子[a1]、[a2]和[a3]的未知态传送给Bob，Bob也完美地在Alice处制备二量子[b1]和[b2]的已知态。