计算机科学与探索杂志

计算机科学与探索杂志2022年第11期

• 手语识别与翻译综述

  闫思伊, 薛万利, 袁甜甜

  不同于有声语言，手语主要由连续的手势动作构成。手语识别与翻译是促成听障人士与健听人士之间无障碍交流的重要手段。手语识别与翻译研究任务通过对手语视频进行处理分析并以文字形式显示识别结果，是一种典型的多领域交叉研究。近年来，基于深度学习的手语识别与翻译研究获得了长足的进步。为了便于研究者们系统、全面地了解手语识别与翻译研究任务，分别以手语识别和手语翻译两大任务为主线，从三方面展开综述工作：首先，对具备代表性的手语识别和手语翻译研究工作进行分类总结并分析其特点；其次，归纳整理当前常用的不同国别手语识别与翻译研究数据集，分别从孤立词和连续手语语句两个角度进行分类，同时根据手语识别和手语翻译研究任务的差异性，介绍了对应的评价指标体系；最后，从手语视觉特征的有效信息提取、多线索权重分配、手语与自然语言语法对应及手语数据集资源等方面总结了手语识别与翻译研究目前存在的主要挑战。

• 匿名通信与暗网综合治理

  兰浩良, 李馥娟, 王群, 印杰, 徐杰, 洪磊, 薛益时, 夏明辉

  匿名通信所具有的节点发现难、服务定位难、通信关系确认难以及用户监控难等特点使得架构在其之上的暗网中充斥着各种匿名滥用的违法犯罪活动。为此，学术界围绕匿名通信与暗网开展了系列有针对性的研究。相应地，在系统介绍匿名通信发展史、匿名机制和典型系统的基础上，重点结合匿名通信关键技术、匿名度量、匿名攻击、匿名增强、匿名通信性能评估与改善以及暗网空间综合治理等对该领域的相关研究进行梳理、总结和归纳。与此同时，聚焦并分析未来匿名通信研究的发展趋势以及暗网空间综合治理所面临的挑战与对策。

• 智能合约漏洞检测研究综述

  李雷孝, 郑岳, 高昊昱, 熊啸, 牛铁铭, 杜金泽, 高静

  智能合约作为区块链技术中的重要组成部分，通过其编写的去中心化应用被广泛用于各领域中，为区块链的发展与应用提供了重要的技术支持。但智能合约发展的同时也带来了安全问题，大量针对智能合约的漏洞攻击，让研究者不得不加强对智能合约安全漏洞的重视。如何快速准确地进行漏洞检测成为一个亟待解决的问题。首先，通过对重入攻击漏洞、整数溢出以及访问控制漏洞等常见漏洞的分析使研究者对常见漏洞得到充分的了解。其次，通过对形式化验证、符号执行、机器学习等漏洞检测方法及其对应工具的国内外现状进行调研并分析讨论工具的优缺点，同时通过复现部分工具进行实验，以检测速度、准确率以及支持检测的漏洞数量为标准，展示漏洞检测工具的性能。最后，根据对智能合约漏洞检测工具的分析结果对未来的研究方向给出建议。

• 领域外人脸活体检测综述

  史屹琛, 封筠, 肖立轩, 贺晶晶, 胡晶晶

  人脸活体检测（FAS）作为保护人脸识别模型的重要手段，能够确保系统在面对各种呈现攻击时仍然安全、可靠。当前基于深度学习的人脸活体检测模型在测试数据与训练数据服从同一分布时结果令人满意，但当训练好的模型在领域外场景进行推理时，如遇到跨域迁移、分布外场景时，模型的准确性会出现较大的下降。主要阐述了静默型人脸活体检测模型在真实场景中会遇到的问题，即模型遇到未知环境和未知攻击方式。将相应的解决方案分为四类：基于领域自适应的方法、基于领域泛化的方法、基于零样本/小样本学习的方法以及基于异常检测的方法。对各解决方案及其包含的深度学习模型方法进行总结、比较，归纳了主要方法的机制、模型结构、优势、局限性以及适用场景。介绍了领域外场景下人脸活体检测常用的公共数据集、评价指标、测评协议以及在部分测评协议下当前先进方法的测试结果。最后讨论了人脸活体检测在实际应用中存在的难点与挑战，总结了未来的研究方向。

• 深度学习的表格到文本生成研究综述

  胡康, 奚雪峰, 崔志明, 周悦尧, 仇亚进

  文本生成是自然语言处理的热门领域，随着信息收集能力的不断增长，人们收集到越来越多的结构化数据，如表格。如何解决信息过载问题，理解表格含义并描述表格内容是人工智能面临的重要问题，因此有了表格到文本生成任务。表格到文本生成是指语言模型输入表格数据后生成表格的对应文本描述。模型生成的文本描述应该语句流畅，充分表达表格信息且不能偏离表格事实。描述了表格到文本生成任务背景并做出了详细定义，分析了当前任务主要难点并介绍了主流研究方法。表格到文本生成共有两大问题：描述什么，如何描述。梳理了不同研究人员针对这两大问题所提出的解决方法，同时总结了所提出模型的特点、优势以及劣势。对比分析了这些优秀模型在主流数据集上的表现，同时根据模型类型进行归类，并进行横向比较分析。介绍了表格到文本生成领域较为通用的评价方法，总结了不同评价方法的特点、优势以及劣势。最后展望了表格到文本生成任务未来发展趋势。

• 融合节点属性和无环路径的社交网络嵌入方法

  王本钰, 顾益军, 彭舒凡

  网络嵌入的目标是学习网络中节点的低维特征表示，将学习到的特征用于网络的各种分析任务中，例如节点分类、链路预测、社区发现和推荐等。现有的网络嵌入方法对于社交网络中高阶结构信息利用不足并且没有考虑社交网络结构信息和属性信息的相关性，应用于社交网络中效果并不理想。为了解决这些问题，提出了一种融合节点属性和无环路径的社交网络嵌入方法（LFNE）。该算法首先基于节点间无环路径计算节点高阶结构相似性，消除环状路径和大度节点对于节点结构相似性的影响，使得网络嵌入方法可以更好地融合社交网络高阶结构信息。然后结合节点间无环路径相似性度量指标计算节点属性相似性，充分利用社交网络结构信息和属性信息的相关性，消除属性信息中存在的噪音。最后融合节点结构相似性和属性相似性应用于堆叠降噪自动编码器中学习节点的低维特征表示。在3个社交网络数据集上与近几年代表性算法进行实验对比，实验结果表明LFNE算法在节点分类和链路预测实验中可以取得相对显著的效果，具有更好的网络嵌入表现。

• 可公开验证无对运算的无证书聚合签密方案

  陈虹, 周沫, 侯宇婷, 赵菊芳, 肖成龙, 郭鹏飞

  聚合签密能够将来自不同签密者对不同消息产生的签密密文合并为单个密文，大大减少了密文的总长度和验证成本，更适用于低带宽、低存储的通信环境。针对聚合签密在基于身份密码体制下安全性较差、含有双线性对运算效率不理想的问题，在一个安全且高效的签名方案基础上，设计了一个新的可公开验证无对运算的无证书聚合签密方案。使用哈希函数将签密者的身份信息与部分公钥进行绑定，从而生成用户的部分私钥，以防止公钥替换攻击。在解签密阶段，将签密者的身份信息作为输出，不但能验证签密者身份的合法性，而且能有效隐藏签密者身份信息。在随机预言模型下，将方案的机密性和不可伪造性规约到多项式时间内求解计算性Diffie-Hellman问题和离散对数问题，证明了方案的安全性；在验证阶段，无需任何用户私有信息，任意可信第三方均可验证，具有公开验证性。此外，对方案的效率进行了比较，该方案在聚合解签密阶段只需要 3 n次点乘运算，计算效率较高。

• 随机集成策略迁移

  常田, 章宗长, 俞扬

  强化学习（RL）在序列决策问题上取得了巨大的成功。随着强化学习的飞速发展，迁移学习（TL）成为了一种重要的可以通过利用和转移外部知识来加速强化学习的技术。策略迁移是一种外部知识来自教师策略的迁移强化学习方法。现有的策略转移方法要么通过测量源任务与目标任务之间的相似性来转移知识，要么通过估计源策略在目标任务上的性能来选择最佳源策略。但是，性能估计有时可能不可靠，这可能会导致负迁移。针对这种问题，提出了一种新的策略转移方法，称为随机集成策略迁移（SEPT）。SEPT不是在源策略库中选择一个策略，而是利用源策略集成出教师策略来进行迁移。SEPT把策略迁移转变为选项学习问题以便获得终止概率，用终止概率计算出源策略的概率权重，根据概率权重从策略库中集成出教师策略。然后，通过策略蒸馏的方式从教师策略进行知识迁移。实验结果表明SEPT可以有效地加速强化学习训练，并且在离散和连续空间上都能胜过其他最佳的策略迁移方法。

• 基于特征加强的异构网络潜在摘要模型

  徐正祥, 王英, 汪洪吉, 王鑫

  随着网络数据的快速增长，大规模异构网络数据的存储和网络表示已成为研究的热点。现提出两个不同的任务：生成图摘要和生成图的节点表示。图摘要的目标是找到用于压缩存储和加速查询的输入图的紧凑表示；网络表示可以很好地提取网络数据中的结构信息，并为下游任务生成节点表示。但是，在大规模网络数据中，在生成图摘要和嵌入表示时仍需要解决一些挑战。为克服大规模异构网络数据带来的科学计算和存储空间问题，提出基于特征加强的异质网络潜在摘要模型（FELS），通过融合节点特征和图属性获得大规模异构网络数据的摘要表示。首先，将原图中不同的节点特征作为基础特征，通过应用多种关系算子捕获高阶子图结构信息；然后，根据不同的图属性通过桶映射方式学习上下文的潜在子空间结构；最后，对学习到的上下文特征矩阵利用奇异值分解获取异构网络的潜在摘要表示，即一种独立于输入图大小维度紧凑的潜在图摘要，同时能够获取节点表示。实验结果表明，与传统方法相比，提出的FELS模型能够获得更优质的潜在摘要且具有更低的模型复杂度，在链路预测任务上具有更高的效率和精度。

• 融合通道与空间注意力的编解码人群计数算法

  余鹰, 潘诚, 朱慧琳, 钱进, 汤洪

  人群计数旨在准确地预测现实场景中人群的数量、分布和密度，然而现实场景普遍存在背景复杂、目标尺度多样和人群分布杂乱等问题，给人群计数任务带来极大的挑战。针对这些问题，提出了一种融合通道与空间注意力的编解码结构人群计数网络（CSANet）。该模型采用多层次编解码网络结构提取多尺度语义特征，并充分融合空间上下文信息，以此来解决复杂场景中行人尺度变化和分布杂乱的问题；为了降低复杂背景对计数性能的影响，在特征融合的过程中引入了通道与空间注意力，提高人群区域的特征权重，凸显感兴趣区域，同时降低弱相关背景区域的特征权重，抑制背景噪声干扰，最终提升人群密度图质量。为了验证算法的有效性，在多个经典人群计数数据集上进行了实验，实验结果表明，与现有的人群计数算法相比，CSANet具有良好的多尺度特征提取能力和背景噪声抑制能力，这使得密集场景下计数算法的准确性和鲁棒性均有较大提升。

• 动态一致自信的深度半监督学习

  李勇, 高灿, 刘子荣, 罗金涛

  基于一致性正则化和熵最小化的深度半监督学习方法可以有效提升大型神经网络的性能，减少对标记数据的需求。然而，现有一致性正则化方法的正则损失没有考虑样本之间的差异及错误预测的负面影响，而熵最小化方法则不能灵活调节预测概率分布。首先，针对样本之间的差别以及错误预测带来的负面影响，提出了新的一致性损失函数，称为动态加权一致性正则化（DWCR），可以实现对无标记数据一致性损失的动态加权。其次，为了进一步调节预测概率分布，提出了新的促进低熵预测的损失函数，称为自信促进损失（SCPL），能灵活调节促进模型输出低熵预测的强度，实现类间的低密度分离，提升模型的分类性能。最后，结合动态加权一致性正则化、自信促进损失与有监督损失，提出了名为动态一致自信（DCC）的深度半监督学习方法。多个数据集上的实验表明，所提出方法的分类性能优于目前较先进的深度半监督学习算法。

• 融合记忆网络的细粒度实体分类方法

  周祺, 陶皖, 孔超, 崔佰婷

  细粒度实体分类是在给定实体指称后要求为其分配细粒度类型标签的任务。大多数细粒度实体分类采用远程监督的方法，为实体指称分配知识库中实体所对应的全部类型标签，这会引入无关或具体的噪声标签。在远程监督中，将分配与指称上下文无关的类型标签归为无关噪声标签，分配细粒度标签导致在上下文中实体含义不准确的类型标签归为具体噪声标签。为减轻噪声影响，以往采用人工标注、启发式规则剪枝等方法，但存在效率低、缩减训练集规模导致分类模型整体性能变差等问题。通过引入记忆网络，分类模型能深入学习实体指称上下文与类型标签之间的关联性，增强对相似的指称上下文所对应类型标签的记忆表示，有效减轻无关噪声标签的影响。与此同时，利用变形的层次损失函数有效学习类型标签之间的层次关系，从而缓解具体噪声标签的负面影响。此外，结合L2正则化函数防止训练模型对噪声标签的过拟合。在公开数据集上的实验结果表明，提出的方法能够有效缓解无关噪声标签和具体噪声标签对分类模型的消极影响，在准确率、Macro F1值、Micro F1值上表现均优于以往处理标签噪声的方法。

• 注意力与跨尺度融合的SSD目标检测算法

  李青援, 邓赵红, 罗晓清, 顾鑫, 王士同

  为了进一步提升SSD算法的性能，解决SSD算法在进行多尺度预测时特征图信息不平衡和小目标识别难的问题，设计了即插即用的模块，充分融合不同尺度特征图包含的信息并建模特征图内的重要性关系，来增强特征图的表示能力。首先，设计了一种新颖的特征融合方法来解决跨尺度特征融合存在的信息差异问题。其次，根据池化金字塔的思想设计了一种深度特征提取模块来提取不同感受野的信息，从而提高模型对不同尺寸目标的检测能力。最后，为了进一步优化特征图，突出特征图对当前任务有效的信息，并建立全局像素点之间的长距离关系和各通道之间的重要性关系，提出了一种轻量级的注意力模块。通过上述机制，修改了SSD模型的架构，有效地提升了SSD算法的检测精度和鲁棒性。在PASCAL VOC数据集上设计了丰富的实验，验证了所提方法的有效性。在PASCAL VOC2007测试集上该方法比SSD算法提高了2.9个百分点的平均精确度（mAP），同时还保留了实时检测的能力。

• 改进的Siamese自适应网络和多特征融合跟踪算法

  李睿, 连继荣

  针对当前目标跟踪领域中跟踪精确度和跟踪速度难以平衡的问题，例如基于相关滤波实现的跟踪器能够以很高的速度运行，但跟踪准确性极低；基于深度学习实现的跟踪器能够实现较高的跟踪准确性，但跟踪速度较低。在此基础上，提出一种改进的Siamese自适应网络和多特征融合目标跟踪算法。首先在Siamese网络每个分支上同时构建AlexNet网络和改进的ResNet网络，用于特征提取。其次通过端到端的方式同时进行训练，将跟踪问题分解为分类每个位置标签和回归边界框子问题。最后对浅层特征和深层特征进行自适应选择，并基于多特征融合进行目标识别和定位。将提出的算法与现有的一些跟踪器在目标跟踪标准数据集上进行测试。实验结果表明, 提出的算法能够在确保跟踪速度的同时实现较高的跟踪精确度和成功率。同时，在光照变化、形变、背景杂波等复杂情况下，算法具有较强的鲁棒性。

• 锚框策略匹配的SSD飞机遥感图像目标检测

  王浩桐, 郭中华

  针对当前飞机遥感图像目标检测算法的精度和实时性不能兼顾的问题，提出了基于SSD的锚框尺度密集化和锚框策略匹配目标检测算法。该算法选用经过改进后的深度残差网络替代SSD算法原有的特征提取网络。结合飞机遥感图像存在小尺度且密集的特点，重新设计了锚框尺度大小、比例和额外增加了一个包含两种尺度的特征层。而后对各个特征层进行锚框密集化操作使得特征层的锚框铺设密度基本相等，提高不同尺度的锚框匹配到真实目标的概率。在不同尺度的正样本锚框数量差距较大的问题上，提出了一种使得不同尺度的正样本锚框数量趋向于总体正样本平均值的锚框策略匹配方法，一定程度上提高训练的有效性和目标检测的鲁棒性。在飞机遥感数据集上进行相关实验，精度均值达到91.15%，每秒帧率为33.4。结果表明，改进后的算法不仅可以在增加较少训练参数的基础上提升检测精度，还能保留SSD算法的实时检测性。

• 异构分支关联特征融合的行人重识别

  陈璠, 彭力

  针对行人重识别（Person Re-ID）过程中，多分支结构的网络模型在提取行人特征时缺乏异构特征的问题，提出一种异构分支关联特征融合的行人重识别算法。训练阶段，将OSNet与注意力机制相结合作为主干共享网络，以学习到具有更强显著性和区分性的行人关键特征；将分支网络输出的行人特征进行水平均等分割，再提取关联条纹特征，从而全面利用位于条纹间的综合信息；设计异构特征提取模块，以增加模型学习差异特征所需的结构多样性。推理阶段，将多个特征向量融合成一个新的特征向量，再进行相似性判断。将该方法在Market-1501、DukeMTMC-reID数据集上进行有效性实验验证并对结果进行分析，所提算法能够提高行人重识别的准确率，模型所提取的特征具有较强的鲁棒性和判别力。

• 最大化独立有效分类信息率的属性选择

  柳叶, 代建华, 陈姣龙

  粗糙集中的属性选择有着十分重要的应用价值。现有的属性选择方法大多忽视了衡量待选属性所提供的分类信息和冗余信息，以及新增待选属性时已选属性所保留的分类信息三者之间的关联。因此，首先利用传统互信息，定义了有效分类信息率的属性重要性评估函数，并提出了一种基于有效分类信息率的属性选择方法。该属性选择方法可以有效地选择能提供大量有效分类信息同时携带较少冗余信息的待选属性。另外，考虑到新增待选属性对已选属性所保留的分类信息的影响，进一步提出了独立有效分类信息率的概念，并构造一种基于独立分类有效信息率的改进属性选择方法。该改进的属性选择方法能够有助于平衡属性的有效分类信息和冗余信息的关系，同时提高属性子集的整体识别能力。最后，从分类性能和统计学检验等方面分别与现有的属性选择方法进行了对比实验,实验结果表明了所提出的两种属性选择方法的有效性。

• 极值个体引导的人工蜂群算法

  陈兰, 王联国

  针对目前人工蜂群算法（ABC）在求解函数优化问题时存在开发能力差、易陷入局部最优、收敛速度慢等问题，提出了一种极值个体引导的人工蜂群算法（EABC）。首先，该算法在雇佣蜂和跟随蜂的搜索中利用全局极值个体和邻域极值个体引导搜索，全局极值个体引导搜索有利于种群中优良个体的保留和发展，使算法跳出局部极值，避免早熟收敛。邻域极值个体引导搜索有利于增强搜索精度，提高算法的收敛速度，并通过随机数 r平衡两种搜索机制。其次，在搜索过程中引入小概率变异算子，对蜜蜂个体的各维度以较小的概率进行变异，克服算法陷入局部极值并出现早熟收敛的现象。最后，采用基于目标函数值的贪婪选择策略，提高算法的优化性能；采用28个测试函数进行仿真实验，并与其他几种算法进行比较，实验结果表明改进算法具有较高的优化性能和较快的收敛速度。

• 基于距离优势关系的高维多目标进化算法

  顾清华, 徐青松, 李学现

  收敛性与多样性是多目标进化算法的两个主要研究方面，随着多目标优化问题目标维度的增加，传统的多目标进化算法很难维持解的多样性。为了增强算法在高维多目标优化问题中的多样性，提出了一种新的距离优势关系。首先，为了保证算法的收敛性，在同一小生境内，基于距离优势关系计算候选解到理想点的距离作为适应度值，选择适应度值好的候选解作为非支配解。然后，为了增强算法的多样性，距离优势关系设定了每个候选解具有相同的小生境，并且保证在同一小生境内只保留一个最优解。最后，基于提出的距离优势关系对VaEA算法进行改进，得到的算法命名为VaEA-DDR。在5、8、10、15维目标的DTLZ及IDTLZ测试问题上将改进的算法与目前六种常用的算法进行实验对比。实验结果表明，改进后的算法具有较强的竞争性，能显著增强算法的多样性。