计算机科学与探索杂志

计算机科学与探索杂志2021年第1期

• 基于深度学习的点云语义分割研究综述

  景庄伟, 管海燕, 臧玉府, 倪欢, 李迪龙, 于永涛

  近年来，深度传感器和三维激光扫描仪的普及推动了三维点云处理方法的快速发展。点云语义分割作为理解三维场景的关键步骤，受到了研究者的广泛关注。随着深度学习的迅速发展并广泛应用到三维语义分割领域，点云语义分割效果得到了显著提升。主要对基于深度学习的点云语义分割方法和研究现状进行了详细的综述。将基于深度学习的点云语义分割方法分为间接语义分割方法和直接语义分割方法，根据各方法的研究内容进一步细分，对每类方法中代表性算法进行分析介绍，总结每类方法的基本思想和优缺点，并系统地阐述了深度学习对语义分割领域的贡献。然后，归纳了当前主流的公共数据集和遥感数据集，并在此基础上对比主流点云语义分割方法的实验结果。最后，对语义分割技术未来的发展方向进行了展望。

• 卷积神经网络模型发展及应用

  严春满, 王铖

  深度学习是机器学习和人工智能研究的最新趋势，作为一个十余年来快速发展的崭新领域，越来越受到研究者的关注。卷积神经网络（CNN）模型是深度学习模型中最重要的一种经典结构，其性能在近年来深度学习任务上逐步提高。由于可以自动学习样本数据的特征表示，卷积神经网络已经广泛应用于图像分类、目标检测、语义分割以及自然语言处理等领域。首先分析了典型卷积神经网络模型为提高其性能增加网络深度以及宽度的模型结构，分析了采用注意力机制进一步提升模型性能的网络结构，然后归纳分析了目前的特殊模型结构，最后总结并讨论了卷积神经网络在相关领域的应用，并对未来的研究方向进行展望。

• 深度神经网络图像语义分割方法综述

  徐辉, 祝玉华, 甄彤, 李智慧

  图像语义分割是计算机视觉领域近年来的热点研究课题，随着深度学习技术的兴起，图像语义分割与深度学习技术进行融合发展，取得了显著的进步，在无人驾驶、智能安防、智能机器人、人机交互等真实场景中应用广泛。首先对应用于图像语义分割的几种深度神经网络模型进行简单介绍，接着详细阐述了现有主流的基于深度神经网络的图像语义分割方法，依据实现技术的区别对图像语义分割方法进行分类，并对每类方法中代表性算法的技术特点、优势和不足进行分析与总结。之后归纳了图像语义分割常用的大规模公共数据集和性能评价指标，并在此基础上对经典的语义分割方法的实验结果进行了对比，最后对语义分割领域未来可行的研究方向进行展望。

• 用菲涅尔区模型探究WiFi感知系统的稳定性

  牛凯, 张扶桑, 吴丹, 张大庆

  基于WiFi的非接触感知系统利用环境中广泛存在的WiFi信号在自然情况下对用户活动进行感知，具有十分广阔的应用前景。从细粒度活动到粗粒度活动，现有工作进行了大量的探索，但尚未理解和解决感知系统稳定性不足的问题。当感知对象、收发设备位置、测试环境等发生变化时，系统性能会受到严重影响。实际上，人体活动对应的接收信号模式因位置和朝向的变化而带来的不一致性导致了系统不能稳定工作。为了理解这种现象的本质，利用团队提出的基于无线感知的菲涅尔区衍射和反射模型，精确定量刻画了目标物体相对于收发设备的位置、运动轨迹和无线信号波形模式之间的关系。通过两个应用实例，即细粒度的手指动作识别和粗粒度的健身活动识别，在模型的指导下，分别解释了系统不能稳定工作的原因，说明了如何得到一致的感知波形，以及如何构造可区分的感知波形，并给出了提升感知系统性能的方法。

• 面向边缘计算的组合拍卖式任务卸载机制

  李颖浩, 嵩天, 杨雅婷

  在万物互联的时代，数据量与计算需求飞速增长，促使应用部署方式由云计算模式向边缘计算模式演进，以解决带宽消耗严重和响应时延过高等问题。为推进面向边缘网络的任务卸载，需要解决应用服务提供商（ASP）与边缘计算提供商（ECP）之间的双向选择问题。针对这一问题，提出一种面向边缘计算的组合拍卖式任务卸载机制。首先建立系统模型，并对模型落地的关键问题进行说明，然后分析ECP的投标决策过程，证明选择最大化资源利用率的任务组合是NP完全问题，进而提出一种启发式任务选择算法。在此基础上，设计两种拍卖算法，单胜者拍卖和多胜者拍卖，分别适用于可信度优先和效率优先的场景。实验结果表明，相较于单项拍卖机制，所提出的方案提高ECP资源利用率达13%，同时增加ASP收益达37%。

• 利用页面重构与数据温度识别的闪存缓存算法

  曾祥伟, 邓玉辉

  基于闪存的固态盘（SSD）具有比磁盘更加优越的性能，并且在桌面系统中逐渐替代磁盘。但是，尽管在SSD中嵌入了DRAM作为缓存，闪存在不断写入的过程中也可能产生不稳定的写性能，主要是因为逻辑页写入时会频繁引发非覆盖写和垃圾回收操作。针对此问题，提出了一种叫作PRLRU的新型闪存缓存管理方法，通过页面重构机制以及数据温度识别机制来管理缓存区。页面重构机制把即将回写的有效数据未满一个整页大小的页与多个其他有效数据不足一个页大小的页进行数据重组后再回写至闪存，通过尽可能减少非覆盖写操作来达到减少实际写操作的目的。数据温度识别机制通过对缓存页进行温度等级标记，按预定优先级顺序回写缓存页。对真实负载进行测试，实验结果表明，PRLRU能够有效提高SSD性能并延长SSD使用寿命，与LRU、BPLRU和2QW-Clock三种算法相比，写性能平均分别提高了34.5%、22.8%和28.8%，读性能平均分别提高了12.5%、10.6%和8.3%，垃圾回收数量平均分别降低了10.5%、8.7%和6.3%。

• 基于预分区策略的装备数据分布式存储方法

  高健, 魏峻, 许利杰, 汪保龙, 杨富学, 黄骁飞

  随着传感器技术和计算机技术的发展，装备在研制生产过程中会产生大量的数据，这些数据是海量的、多源的和异构的，企业需要考虑如何将数据进行快速处理和存储管理，进而利用加工后的数据提升装备生产制造能力。对卫星、飞机等典型装备数据进行了研究，提出了一种基于预分区策略的分布式数据存储方法。该方法研究HBase的预分区机制和装备数据模型特点，研究装备数据快速存储的影响因子，并给出了数据快速存储算法，使海量装备数据可以负载均衡地、快速地存储在HBase数据库里。最后，对模型的数据存储性能、负载均衡性、各类装备的适用性进行了评估试验。试验结果表明，该方法可以覆盖多种类型的装备数据，并在数据存储效率上有良好的表现。

• 基于k-prototype聚类的差分隐私混合数据发布算法

  屈晶晶, 蔡英, 范艳芳, 夏红科

  差分隐私是一种提供强大隐私保护的模型。在非交互式框架下，数据管理者可发布采用差分隐私保护技术处理的数据集供研究人员进行挖掘分析。但是在数据发布过程中需要加入大量噪声，会破坏数据可用性。因此，提出了一种基于k-prototype聚类的差分隐私混合数据发布算法。首先改进k-prototype聚类算法，按数据类型的不同，对数值型属性和分类型属性分别选用不同的属性差异度计算方法，将混合数据集中更可能相关的记录分组，从而降低差分隐私敏感度；结合聚类中心值，采用差分隐私保护技术对数据记录进行处理保护，针对数值型属性使用Laplace机制，分类型属性使用指数机制；从差分隐私的概念及组合性质两方面对该算法进行隐私分析证明。实验结果表明：该算法能够有效提高数据可用性。

• 结合相对熵和多跳转发路由的改进WSN节能策略

  叶继华, 肖波, 杨思渝, 刘凯, 江爱文

  目前，基于低功耗自适应集簇分层型协议（LEACH）的改进协议大多是从簇头选举、簇的分布、路径选择等方面入手，数据之间的冗余性考虑不够。提出了一种结合相对信息熵的改进LEACH协议（LEACH-CIE），结合相对熵模型，计算节点相邻两个周期数据概率分布的相对熵值，再与阈值进行比较，以此判断数据的冗余度，通过拒绝冗余数据的传输，达到降低网络能耗的目的。在数据发送阶段，考虑通信距离、能耗比等因素，提出一种兼顾自身剩余能量的多跳转发路由（MFRCRE），优化节点转发条件，均衡网络各节点的能量消耗速率。实验结果表明，该方法可以有效地降低并均衡网络节点的能耗以延长网络生存周期。

• 有新类的动态数据流分类算法研究

  武炜杰, 张景祥

  针对有新类的动态数据流分类算法检测新类性能不高的问题，提出一种基于k近邻的完全随机森林算法（KCRForest）。该算法利用动态数据流中已知类样本构建完全随机森林的完全随机树，并根据叶节点平均路径长度将样本空间分成正常区域与异常区域。通过落入异常区域中样本的k近邻计算该样本离群值。若样本离群值大于设定阈值，则判断样本为新类，否则为已知类。落入异常区域的已知类样本由该样本的k近邻得到样本标签分布，否则取该区域中原训练样本标签分布，投票得到样本标签。当新类样本检测达到一定数量时，利用新类样本信息更新模型，便于检测其他新类。为了验证KCRForest算法检测新类的有效性，分别在4个UCI数据集上进行实验，并与已有算法进行比较。结果表明该算法的新类检测性能优于或与iForest+SVM算法、LOF+SVM算法相当，分类准确率明显高于SENCForest算法。

• 深度图注意力CNN的三维模型识别

  党吉圣, 杨军

  针对现有基于深度学习的三维模型识别方法缺乏结合三维模型的上下文细粒度局部特征，可能造成几何形状极其相似，局部细节信息略有不同的类识别混淆的问题，提出一种基于深度图注意力卷积神经网络的三维模型识别方法。首先，通过引入邻域选择机制挖掘三维模型的细粒度局部特征。其次，通过空间上下文编码机制捕捉多尺度空间上下文信息，且与细粒度局部特征相互补偿以增强特征的完备性。最后，采用一种多头部机制，使图注意力卷积层聚合多个单头部的特征以增强特征的丰富性。此外，设计选择性丢弃算法，根据度量权重值对神经元重要性进行排序，智能地丢弃重要性较低的神经元来防止网络过拟合。算法在ModelNet40数据集上的三维模型识别准确率达到了92.6%，且网络复杂度较低，在三维模型识别准确率和网络复杂度之间达到最佳平衡，优于当前主流方法。

• 结合边缘信息和门卷积的人脸修复算法

  王富平, 李文楼, 刘颖, 卢津, 公衍超

  针对任意形状遮挡下人脸修复，现有方法容易产生边缘模糊和恢复结果失真等问题。提出了一种结合边缘信息和门卷积的人脸修复算法。首先，通过先验人脸知识产生遮挡区域的边缘图，以约束人脸修复过程。其次，利用门卷积在部分像素缺失下的精确局部特征描述能力，设计面向图像修复的门卷积深度生成对抗网络（GAN）。该模型由边缘连接生成对抗网络和图像修复生成对抗网络两部分组成。边缘连接网络利用二值遮挡图和待修复图像及其边缘图的多源信息进行训练，实现对缺失边缘图像的自动补全和连接。图像修复网络以补全的边缘图为引导信息，联合遮挡图像进行缺失区域修复。实验结果表明：相比其他算法，该算法修复效果更好，其评价指标比当前基于深度学习的图像修复算法更优。

• 改进YOLOV3算法的视频目标检测

  宋艳艳, 谭励, 马子豪, 任雪平

  由于监控中的行人检测存在背景复杂，目标尺度和姿态多样性及人与周围物体互相遮挡的问题，造成YOLOV3对部分目标检测不准确，会产生误检、漏检或重复检测的情况。因此，在YOLOV3的网络基础上，利用残差结构思想，将浅层特征和深层特征进行上采样连接融合得到104×104尺度检测层，并将K-means算法聚类得到的边界框尺寸应用到各尺度网络层，增加网络对多尺度、多姿态目标的敏感度，提高检测效果。同时，利用预测框对周围其他目标的斥力损失更新YOLOV3损失函数，使预测框向正确的目标靠近，远离错误的目标，降低模型的误检率，以改善目标间互相遮挡而影响的检测效果。实验结果证明，在MOT16数据集上，相比YOLOV3算法，提出的网络模型具有更好的检测效果，证明了方法的有效性。

• 多粒度融合的模糊规则系统图像特征学习

  马翔, 邓赵红, 王士同

  当前最流行的图像特征学习方法是深度神经网络，该类方法无需人工参与即可自动地通过特征学习提取高效的特征，用于分类识别等任务。然而，深度神经网络图像特征抽取方法目前也面临着诸多挑战，其有效性严重依赖大规模的数据，且通常被视为黑盒模型，解释性较差。针对上述挑战，以基于模糊规则推理的TSK模糊系统（TSK-FS）为基础，提出了一种适用于不同规模数据集且易于理解的特征学习方法——多粒度融合的模糊规则系统图像特征学习算法。该方法通过基于规则的TSK-FS抽取图像特征，因而特征学习过程是可以利用规则进行解释的。其次，多粒度扫描也使得其特征学习能力进一步提升。在不同规模的图像数据集上进行了充分的实验，实验结果表明该方法在图像数据集上具有较好的有效性。

• 密集连接扩张卷积神经网络的单幅图像去雾

  刘广洲, 李金宝, 任东东, 舒明雷

  针对大多数图像去雾算法模型参数估计准确性差及色彩失真等问题，提出了一种端到端的密集连接扩张卷积神经网络。首先，通过使用多层密集连接结构来增加网络的特征利用率，避免网络加深时的梯度消失现象。其次，通过在密集块中使用不同扩张率的扩张卷积，使网络在充分聚合上下文特征信息时不损失空间分辨率，并避免了网格伪影的产生。最后，为了提高算法的去雾能力，将该网络划分为多个阶段，并在每个阶段引入侧输出模块，从而获得更精确的特征信息。实验结果表明，所提出的去雾算法无论是在合成数据集上还是在真实数据集上都取得了较好的去雾效果，恢复的色彩更接近无雾图像，并且定量评价指标峰值信噪比（PSNR）和结构相似性（SSIM）均优于其他对比方法。