计算机科学与探索杂志

计算机科学与探索杂志2021年第4期

• 机器视觉应用中的图像数据增广综述

  林成创, 单纯, 赵淦森, 等

  深度学习是目前机器视觉的前沿解决方案，而海量高质量的训练数据集是深度学习解决机器视觉问题的基本保障。收集和准确标注图像数据集是一个极其费时且代价昂贵的过程。随着机器视觉的广泛应用，这个问题将会越来越突出。图像增广技术是一种有效解决深度学习在少量或者低质量训练数据中进行训练的一种技术手段，该技术不断地伴随着深度学习与机器视觉的发展。系统性梳理当前图像增广技术研究，从增广对象、增广空间、标签处理和增广策略生成的角度，分析现有图像增广技术的研究范式。依据研究范式提出现有图像增广技术的分类系统，重点介绍每类图像增广研究的代表性研究成果。最后，对现有图像增广研究进行总结，指出当前图像增广研究中存在的问题及未来的发展趋势。

• 动态社区发现方法研究综述

  端祥宇, 袁冠, 孟凡荣

  随着社交媒体多样性的增加，实时分析社交网络的需求不断增大，动态社区发现的研究受到了广泛的关注。已有的社区发现综述多是侧重静态社区发现，以及相关方法的探讨，无法进行网络演化分析，此外社区的实体数据往往具有交叉更替性和时序性,因此对动态社区发现的研究现状进行分析和综述。首先，基于复杂网络的研究背景，提出了通用的动态社区发现研究框架；接着，形式化表示动态社区发现的相关定义，并从网络层面和节点层面对动态社区演化进行详细分析；然后，根据架构和技术的不同，对动态社区发现方法进行归纳分类，并结合常用数据集和评价指标对经典静态社区发现算法进行定性和定量分析；最后，介绍了社区发现的典型应用场景，探讨了当前动态社区发现研究面临的主要挑战，针对性地提出了相关解决方案，为动态社区发现研究领域勾画出较为清晰和全面的研究方向。

• 空间文本数据流上连续查询评估技术综述

  杨茸, 牛保宁

  空间文本数据流上连续查询（CQST）在基于位置的服务中应用广泛，其在不断更新的数据流上，持续监控满足空间和文本约束的结果。为了将数据流中的对象尽快匹配给CQST，在CQST上构建高效的过滤技术是关键。CQST查询评估方法——为查询选取恰当的空间文本索引，构建高效的过滤策略提升索引的空间文本过滤性能，为数据流中到来的对象过滤大量不相关的查询，避免高昂的验证代价，提高对象与查询的匹配效率。现有工作利用有限的空间索引和文本索引构建空间文本混合索引，其评估性能差异取决于采用的过滤策略，即提升索引过滤性能的技术。以现有CQST查询优化技术为主要研究对象，对评估CQST的流程以及存在的挑战进行了介绍；对在中央服务器及分布式集群上评估CQST的空间过滤技术及文本过滤技术进行综述比较，包含采用的空间文本混合索引，为提升索引过滤性能采用的空间过滤策略、文本过滤策略及二者的结合机制，分析总结其利弊，讨论评估CQST未来可能的研究方向。

• 深度学习的二维人体姿态估计综述

  周燕, 刘紫琴, 曾凡智, 周月霞, 陈嘉文, 罗粤

  近年来人体姿态估计作为计算机视觉领域的热点，在视频监控、人机交互、智慧校园等领域具有广泛的应用前景。随着神经网络的快速发展，采用深度学习方法进行二维人体姿态估计，相较于传统需要人工设定特征的方法，更能充分地提取图像信息，获取更具有鲁棒性的特征，因此基于深度学习的方法已成为二维人体姿态估计算法研究的主流方向。然而，深度学习尚在发展中，仍存在训练规模大等问题，研究者们主要从设计网络以及训练方式入手对人体姿态估计算法进行改进。首先，将二维人体姿态估计分为单人与多人两大类进行论述；根据真值类型不同将单人姿态估计分为基于坐标回归与基于热图检测两类，根据算法步骤不同将多人姿态估计分为二步法与一步法两类，对近年来先进的算法进行总结分类介绍，并分析它们的优缺点以及适用范围；然后，介绍了相关的国际标准数据集以及相应的评价指标，并对几种经典算法进行实验数据对比；最后，对当前研究所存在的问题以及未来发展趋势进行了总结概述。

• 融合人体免疫防御机理的ICN安全路由机制

  孙莉莉, 易波, 王兴伟, 黄敏

  信息中心网络（ICN）引入网内缓存机制使路由器具有内容缓存功能，将网络由IP寻址改为内容名称寻址，旨在更好地为内容分发类应用提供服务。而兴趣洪泛攻击（IFA）会导致路由器资源耗尽，使其大量丢弃合法兴趣包，成为ICN的安全“克星”。结合人体免疫防御机理，提出两阶段ICN安全路由机制抵御兴趣洪泛攻击。在免疫时间内，通过免疫反馈及隔离策略完成非特异性免疫，防止路由器未决兴趣表（PIT）被恶意占用；但非特异性免疫不能缓解持续的IFA攻击，因此进一步通过回溯策略完成特异性免疫，形成免疫记忆，彻底阻断兴趣洪泛攻击。实验结果表明，提出的路由机制可有效抵御兴趣洪泛攻击，减少攻击造成的资源耗尽及无效计算，保证了网络性能。

• Attention-CNN在恶意代码检测中的应用研究

  马丹, 万良, 程琪芩, 孙志强

  恶意代码攻击已经成为互联网最重要的威胁之一，并且现存的恶意代码数据庞大，特征多样。为了更好地提取恶意代码特征以及掌握恶意代码的行为，提出了基于注意力机制的Attention-CNN恶意代码检测模型。首先结合卷积神经网络（CNN）和注意力机制，构建了Attention-CNN恶意代码检测模型；然后将恶意代码转化为灰度图像作为模型输入，通过对Attention-CNN模型训练及测试得到恶意代码对应的注意力图以及检测结果；最终将从恶意代码注意力图中提取的重要字节序列用于人工分析，以揭示恶意代码的相关行为。实验结果表明，相比于支持向量机（SVM）、随机森林、J48.trees以及未结合注意力机制的CNN，Attention-CNN取得了更好的检测效果。相比于vsNet，Attention-CNN在准确率方面提高了4.3个百分点。并且从注意力图中提取的重要字节序列能够有效减轻人工分析的负担，获取恶意代码的相关行为，同时弥补了灰度图形式的恶意代码检测的不可解释性。

• 超网络能量研究与应用

  刘胜久, 李天瑞, 刘佳, 谢鹏

  图能量是图论研究的重要内容，图能量及其变种已在无向图、有向图、混合图等其他多种类型的图中得到很多成功的应用。超网络是一类较传统意义上的复杂网络更为复杂的网络。大多数图能量均是基于矩阵特征值计算得到的，无法推广应用到超网络中，应用范围受限。基于网络维数的网络能量已先后应用于无向图、有向图等多种类型图的分析研究中，并与无向图的图能量及有向图的斜能量等其他类似能量之间存在密切关联。基于超网络的超网络维数，结合网络能量，将超网络维数应用于超网络中，提出了超网络的超网络能量，给出了超网络能量的若干上下限，论证了超网络的超网络能量与图的网络能量之间的内在关联，最后分析了超网络的超网络能量若干重要性质。

• 在高斯分布下优化仿射变换的极限学习机

  张毅, 王士同

  极限学习机（ELM）会大量映射到激活函数的饱和区域，同时隐含层输入与输出远远不能获得共同的分布方式，导致泛化性能大打折扣。针对这一问题，研究了在高斯分布下优化激活函数中仿射变换（AT）的极限学习机，主要思想是在隐含层输入数据上引入新型的线性关系，利用梯度下降算法对误差函数中的缩放参数和平移参数进行优化，以满足隐含层输出能够高度服从高斯分布。基于高斯分布计算仿射参数的方法，能够保证隐节点相互独立的同时，也强调了高度的依赖关系。实验结果表明，在实际分类数据集和图像回归数据集中，隐含层输出数据不能很好地服从均匀分布，但服从高斯分布趋势，总体上能够达到更好的实验效果。与原始ELM算法和AT-ELM1算法比较，均有显著的改善。

• GAN图像对抗样本生成方法

  王曙燕, 金航, 孙家泽

  为了提高生成对抗网络模型对抗样本的多样性和攻击成功率，提出了一种GAN图像对抗样本生成方法。首先，利用原始样本集整体训练一个深度卷积对抗生成网络G1，模拟原始样本集分布；其次，在黑盒攻击场景下，利用模型蒸馏方法对目标模型进行黑盒复制，获取目标模型的本地复制；然后以G1的输出作为输入，以蒸馏模型作为目标模型，训练生成对抗网络G2，在有目标攻击情况下还需输入目标类别，G2用以生成输入数据针对目标类别的扰动；最后将样本与扰动相加并以像素灰度值区间进行规范化，得到对抗样本。实验结果表明，在相同输入条件下该方法产生图像对抗样本平均SSIM指标、MI指标和Cosin相似度分别降低50.7%、10.96%和28.7%，平均均方误差值（MSE）和图像指纹的海明距离分别提升7.6%和1 974.80，同时MNIST数据集和CIFAR10数据集下模型平均攻击成功率在95%以上。

• 改进胶囊网络优化分层卷积的亚健康识别算法

  张利, 邱存月, 张凯鑫, 张大波, 罗浩

  针对传统卷积神经网络（CNN）为获得高准确率不断堆叠卷积层、池化层致使模型结构复杂、训练时间长且数据处理方式单一的问题，提出改进胶囊网络优化分层卷积的亚健康识别算法。首先，对原始振动数据进行小波降噪和小波包降噪两种数据处理，更好地保留原始信号中对亚健康识别有用的信息；其次，CNN采用分层卷积的思想，并行3个不同尺度的卷积核，多角度地进行特征提取；最后,将卷积核提取的特征输入到剪枝策略的胶囊网络中进行亚健康识别，改进的胶囊网络在保证准确率的同时加快亚健康识别时间，解决CNN结构过于复杂以及识别效果不佳的问题。实验结果表明，提出算法识别准确率高且识别时间较少。

• 涡流人工势场引导下的RRT*移动机器人路径规划

  曹凯, 陈阳泉, 高嵩, 高佳佳

  为了解决快速扩展随机树（RRT）在障碍物密集、通道狭窄的环境中收敛速度缓慢、采样节点密集、路径曲折复杂等问题，围绕RRT的一种常见的变体算法RRT*，设计了一种由人工势场（APF）引导RRT*进行路径规划的方法。首先，使用涡流约束向外发散的斥力场，沿着切向梯度方向形成涡流场，并利用涡流人工势场（VAPF）在RRT*偏向区域中引导采样节点进行偏向采样，以减少执行时间，加快收敛速度；同时，利用节点拒绝技术去除高成本节点和无效节点，生成节点更为集中的轨迹树，降低内存需求；最后，通过修剪路径中的多余节点，并利用涡流势场的特性对路径进行平滑处理，达到路径优化的效果。考虑到RRT类算法具有概率随机性，对RRT算法、改进RRT*算法和VAPF-RRT*算法分别进行了32次对比实验。仿真结果表明，提出的VAPF-RRT*算法明显降低了迭代次数，以更少的采样节点和执行时间收敛到更短更平滑的路径，提高了内存利用率，加快了收敛速度。

• 多模态轻量级图卷积人体骨架行为识别方法

  苏江毅, 宋晓宁, 吴小俊, 於东军

  与传统的基于RGB视频的行为识别任务相比，基于人体骨架的行为识别方法由于其具有受光照、视角和背景复杂度等诸多因素影响非常小的特点，使其成为近几年来计算机视觉领域的主要研究方向之一。但是目前主流的基于人体骨架的行为识别方法都或多或少地存在参数量过大，运算时间过长，计算复杂度过高等问题，从而导致这些方法难以同时满足时效性和准确度这两个要求。针对上述问题，提出了一种融合多模态数据的轻量级图卷积神经网络。首先通过多模态数据融合的方法将多种信息流数据进行融合；其次通过空间流模块和时间流模块分别获得融合后数据的空间信息和时间信息；最后通过全连接层获得最终的分类结果。在行为识别数据集NTU60 RGB+D和NTU120 RGB+D上的测试结果表明该网络不仅在识别精度上优于近两年内的一些主流方法，同时在参数量的比较上也远小于其他主流方法，从而验证了该网络在兼顾时效性和计算成本的同时，准确度上的表现也十分优异。

• 改进的轻量型网络在图像识别上的应用

  肖振久, 杨晓迪, 魏宪, 唐晓亮

  针对卷积神经网络在图像识别任务上模型复杂度大、参数量多，首先提出了一种轻量化的SepNet网络结构，该结构在分类器模块上采用克罗内克积替换了传统的全连接层。为进一步优化网络结构，在特征提取模块均衡网络深度、宽度，设计了一个利用深度可分离卷积和残差网络的可分离残差模块，最终形成了一个能实现端到端训练的轻量化网络架构，称为sep_res18_s3。实验分别在MNIST、CIFAR-10、CIFAR-100数据集上验证SepNet的有效性，设计的SepNet网络结构相比VGG10，参数数量和运算量在不损失其精度下均降低了94.15%。同时，相比设计的类残差网络cov_res18_s3，sep_res18_s3仍能降低58.33%的参数量和81.82%的FLOPs。实验结果表明，采用克罗内克积替换全连接层可以在保证训练结果准确度的同时显著降低参数数量和计算成本，并在一定程度上防止过拟合，在此基础上结合深度可分离卷积和类残差结构，证明了sep_res18_s3的有效性。

• 混合局部因果结构学习

  王雲霞, 曹付元, 凌兆龙

  局部因果结构学习是发现和学习给定一个目标变量的直接原因和直接结果而无需学习一个完整因果网络的过程。目前已有算法通常由两个步骤完成：步骤1使用约束类算法利用独立性测试学习目标变量的马尔科夫毯（MB）或父子节点集（PC），但是该步骤由于受到有限的数据样本量等因素影响使得独立性测试存在一定的错误性，而导致该步骤精度通常不是很高；步骤2利用V结构及Meek规则来进行边的定向，但是该步骤由于极其依赖于V结构的发现且同样受到有限样本的影响，使得算法精度相对不是很高。基于上述问题，提出利用打分和限制相结合的混合方式来缓减有限样本问题且提高算法精度。步骤1通过在基于限制的算法中加入打分思想来提高数据有效性，进而提出SIAPC算法；步骤2通过利用PC算法得到的定向结果和对部分数据集打分得到的定向结果的交集来确定边的方向，以此来降低对V结构的依赖性且缓减有限样本问题，之后使用独立性测试修正边的定向结果来进一步提高算法精度，进而提出HLCS算法。在标准贝叶斯网络上，实验验证了该算法相对于已有算法在精度方面具有更好的性能且能够有效缓减数据效率问题。

• 粒子置换的双种群综合学习PSO算法

  纪伟, 李英梅, 季伟东, 张珑

  针对粒子群算法（PSO）种群多样性低和易于陷入局部最优等问题，提出一种粒子置换的双种群综合学习PSO算法（PP-CLPSO）。根据PSO算法的收敛特性和Logistic映射的混沌思想，设计并行进化的PSO种群和混沌化种群，结合粒子编号机制，形成双种群系统中粒子的同号结构和同位结构，其中粒子的惯性权重根据适应度值自适应调节；当搜索过程陷入局部最优时，PSO种群同位结构下适应度值较差的粒子，根据与混沌化种群间的同号结构执行粒子置换操作，实现了双种群系统资源的合理调度，增加了种群的多样性；进而综合双向搜索的同位粒子学习策略和线性递减搜索步长的局部学习策略，进行全局探勘和局部搜索，提高了算法的求解精度。实验选取9个基准测试函数，同时与4个改进的粒子群算法和4个群智能算法进行对比验证，实验结果表明，PP-CLPSO算法在求解精度和收敛速度等方面具备较好的综合性能。