计算机科学与探索杂志

计算机科学与探索杂志2022年第5期

• Winograd快速卷积相关研究综述

  童敢, 黄立波

  卷积神经网络（CNN）已经被广泛应用到各个领域并发挥了重要作用。卷积算子是卷积神经网络的基础组件,同时也是最耗时的部分。近年来,研究者提出了包括基于FFT和Winograd的若干种快速卷积算法。其中Winograd卷积因大幅减少了卷积中乘法操作且占用内存更小而迅速成为小卷积核的卷积算子上快速卷积实现的首选。但目前相关工作聚焦于算法的一般化、拓展和各类体系结构上的实现,还没有研究者对Winograd卷积算法作系统性的总结。为了给后续研究者提供详细的参考依据,对Winograd卷积引入以来的相关工作进行了总结。首先阐述了Winograd最小滤波算法及Winograd卷积的引入,介绍了Winograd卷积的一般化与拓展,并对比了现有实现之间的差异;从稀疏剪枝、低精度与量化、数值稳定性这三方面介绍了Winograd卷积的优化工作,并详细介绍了相关具体方法的优缺点;对各类体系结构上的实现和优化进行了分类总结,比较了各平台上实现可用的通用优化方法,并介绍了Winograd卷积的实际应用;最后对内容进行了简要总结,分析了现有研究的局限性,并对未来可能的方向进行了初步展望。

• 超分辨率图像重建算法综述

  钟梦圆, 姜麟

  在人类视觉感知系统中,高分辨率（HR）图像是图像清晰表达其空间结构、细节特征、边缘纹理等信息的重要媒介,在医学、刑侦、卫星等领域有着极为广泛的实用价值。超分辨率图像重建（SRIR）旨在从给定的低分辨率（LR）图像中,重建含有清晰细节特征的高分辨率图像,是计算机视觉和图像处理领域中的一项重点研究任务。首先,对超分辨率图像重建的概念和数学模型进行阐述,并对图像重建方法进行系统分类,将其系统地分为基于插值、基于重构、基于学习（深度学习前、后）三类超分辨率图像重建方法;其次,对三类方法中典型的、常用的、最新的算法及其研究进行全面回顾和综述,并从网络结构、学习机制、适用场景、优势和局限性等方面对所列的图像重建算法进行了梳理;然后,归纳总结了超分辨率图像重建算法所用的数据集和图像质量评价指标,重点比较基于深度学习的各种超分辨率图像重建算法的特点与性能;最后,从四方面对超分辨率图像重建问题未来的研究方向或角度进行展望。

• 人体动作识别与评价——区别、联系及研究进展

  杨刚, 张宇姝, 宋震

  人体动作识别与动作评价是近年来的热点研究问题。两者在数据类型、数据处理、特征描述等方面有许多相通之处。近年来,随着应用需求的显著增长,出现了大量有关动作识别与评价的研究工作,但两者间的区别与联系,以及它们的理论方法和技术路线还未见系统的分析与总结。从应用目的与技术特点等方面出发,探讨了两者的联系,给出了两者较为明确的概念界定。在此基础上,从数据处理流程的角度出发,将动作识别与动作评价归纳到一个统一的技术框架中;依据此框架,对动作识别与评价所涉及到的各个重要环节,包括数据类型、预处理、特征描述、分类方法、评价方法等的研究进展和存在的问题进行了系统阐述。其中,在分类方法环节,将当前动作识别的分类方法划分为基于统计模型的方法和基于深度学习的方法进行论述;而在评价方法环节,则以专家知识介入方式为依据,将当前的动作评价相关工作划分为四类并进行了系统梳理。最后对当前存在的瓶颈及未来研究重点进行了总结与展望。

• 区块链在车联网数据共享领域的研究进展

  熊啸, 李雷孝, 高静, 高昊昱, 杜金泽, 郑岳, 牛铁铭

  车联网中实现高效、安全的共享数据对智慧交通的发展具有重要意义。将区块链技术与车联网相结合,在促进车联网数据共享和隐私保护改善方面都有巨大的潜力,但仍然存在区块链技术如何保证车联网数据安全共享的问题。针对这一问题,对区块链和车联网技术融合的最新研究与车联网数据共享的应用进行了系统的整理和分析。首先,总结归纳传统车联网数据共享模型并分析其特点;其次,从共享数据可靠性、共享数据安全性、激励机制、访问控制、可扩展性和储存方式六方面介绍基于区块链的车联网数据安全共享现状;再次,列举并分析三种基于区块链的车联网数据安全共享的通用模型的特点;最后,讨论了该领域未来研究发展的方向,并对解决车联网中数据共享安全问题提出解决思路,为构建未来车联网数据共享提供理论支持。

• 深度卷积应用于目标检测算法综述

  董文轩, 梁宏涛, 刘国柱, 胡强, 于旭

  目标检测作为计算机视觉中最基本、最具挑战性的任务之一,旨在找出图像中特定的目标,并对目标进行定位和分类,现已被广泛应用于工业质检、视频监控、无人驾驶等众多领域。近年来,随着计算机硬件资源和深度卷积算法在图像分类任务中取得突破性进展,基于深度卷积的目标检测算法也逐渐替代了传统的目标检测算法,在精度和性能方面取得了显著成果。综述了基于深度卷积的目标检测算法的研究现状以及今后可能的发展方向。以传统目标检测算法存在的局限性为引,首先介绍了目标检测算法权威的数据集和评估指标;再以时间和算法架构为研究主线,综述了近年来基于深度卷积的目标检测代表性算法的研究和发展历程,对比分析了单阶段、双阶段以及其他改进算法的网络架构,并归纳总结出各类目标检测算法所存在的特点、优势和局限;最后结合当下目标检测存在的问题与挑战对未来趋势进行展望。

• 面向稀疏数据的协同过滤用户相似度计算研究

  武森, 董雅贤, 魏桂英, 高晓楠

  基于用户的协同过滤通过获取最近邻的偏好实现对目标用户偏好的预测推荐,相似度计算为其核心步骤。传统数值相似度计算依赖于用户共同评分项的评分数值,用户-项目评分矩阵稀疏程度的加剧导致数值相似度计算准确性降低,难以为目标用户选取可靠的最近邻,影响推荐效果;现有结构相似度大多利用用户共同评分项占比度量,计算简单,受数据稀疏影响较小但区分度低。针对上述协同过滤任务中数据稀疏带来的相似度计算问题,提出一种稀疏余弦相似度。首先定义新的结构相似度——稀疏集合相似度,将用户区分为高相关用户与低相关用户,并进一步针对不同类型用户设计差异化的数值相似度计算方式,以缓解传统数值相似度在面临数据稀疏时的不足,最终综合数值相似度与结构相似度形成稀疏余弦相似度。实验结果表明,与七种相似度计算方法相比,稀疏余弦相似度解决了传统数值相似度受数据稀疏影响严重和结构相似度计算结果区分度低的问题,可更准确计算用户相似度,提升推荐效果。

• 模糊特征的top-k平均效用co-location模式挖掘

  李金红, 王丽珍, 周丽华

  空间并置（co-location）模式是指在空间邻域内空间特征的实例频繁地出现在一起所形成的非空特征子集。人们已经对确定数据和不确定数据的top-k空间co-location模式挖掘进行了相关研究,但是针对模糊特征的top-k平均效用co-location模式挖掘的研究还没有。提出模糊特征的top-k平均效用co-location模式挖掘。首先,定义了模糊特征的top-k平均效用co-location模式的相关概念,分析了模式的扩展模糊平均效用具有的“向下闭合”性质。其次,设计了一种基于扩展模糊平均效用值挖掘top-k平均效用co-location模式的算法,解决模糊平均效用不满足“向下闭合”性质的问题。在此基础上,又提出了一种基于局部扩展模糊平均效用的剪枝方法,有效地减小了top-k平均效用co-location模式挖掘的搜索空间,进一步提高了挖掘算法的效率。最后,在真实和合成数据集上验证了所提出算法的实用性、高效性和鲁棒性。

• 结合信息论和范数的并行随机森林算法

  毛伊敏, 耿俊豪

  针对MapReduce框架下的随机森林算法在处理大数据问题时存在的冗余与不相关特征过多,训练特征信息量低以及并行化效率低等问题,提出了大数据下基于信息论和范数的并行随机森林算法（PRFITN）。首先,该算法基于信息增益和Frobenius范数设计了一种混合降维策略（DRIGFN）,获得降维后的数据集,有效减少了冗余及不相关特征数;其次,提出了基于信息论的特征分组策略（FGSIT）,根据FGSIT策略将特征分组,采用分层抽样方法,保证了随机森林中决策树构建时训练特征的信息量,提高了分类结果的准确度;最后,在Reduce阶段提出了一种键值对重分配策略（RSKP）,获取全局的分类结果,实现了键值对的快速均匀分配,从而提高了集群的并行效率。实验结果表明,该算法在大数据环境下,尤其是针对特征数较多的数据集有更好的分类效果。

• 命名数据网络中带宽时延感知的拥塞控制机制

  曲大鹏, 张建坤, 吕国鑫, 高程希, 宋琪

  作为一种新型网络架构,命名数据网络（NDN）采用内容中心和无连接传输模式。NDN是内容请求者驱动,如果其所需内容较大,内容提供者将内容分片,并装入多个数据包返回。此时或者内容请求者持续发送等量兴趣包才能获取完整内容,传输延时过高;或者内容提供者一次性将数据包全部返回,易造成丢包。因此,NDN不适用于AR/VR等大数据量且延迟敏感型应用。首先基于One-Interest-Multiple-Data传输模式,提出应用于内容提供者的瓶颈链路带宽时延感知的拥塞控制机制,内容提供者通过兴趣包收集的路径瓶颈带宽和时延信息计算拥塞窗口和数据发送速率,从而合理地发送数据包,内容请求者再据此继续发送兴趣包,最终以较短延时获取大数据量内容。并进一步提出缓存标记方法,通过标记路径中中间节点的缓存信息,使得各节点缓存内容可以有序传输,充分地利用了节点缓存,减少传输所需时间。最后,基于ndnSIM的实验结果表明,与传统和改进的拥塞控制机制相比,提出的机制在拥塞窗口、队列长度和数据传输速率等方面取得更好的性能,能够以更短的时间完成大数据量内容传输。而且在网络中存在丢包和中间节点存在缓存内容时,提出的机制均达到了更好的性能优势。

• 模指数外包方案ExpSOS的格基密码分析

  郑云海, 田呈亮

  随着云计算的普及,外包计算作为一种重要的云服务形式,日益引起学术界与工业界的广泛关注。模指数操作作为一种耗时的基本密码运算广泛地应用于RSA、数字签名算法（DSA）等,其外包方案的设计得到了广泛关注和研究。当前基于单个云服务器的外包方案,大多需要在本地端执行一个小指数的模指数操作,一般地,该指数的大小决定了方案的效率,其机密性决定着方案的安全性。对Zhou等提出的一个单服务器模指数外包方案ExpSOS进行了唯密文安全性分析。通过将算法中底数与指数的机密性转换为求解模多项式的小整数解的问题,使用Coppersmith的格构造技术对ExpSOS方案潜在的弱密钥进行了全面分析,并分别估计了安全应用场景下方案适用的底数大小和方案中安全参数选取的规模,为该方案在实际应用中的安全部署提出了具体建议。最后,给出了数字签名标准推荐参数下的ExpSOS方案弱密钥攻击实例,证明了理论攻击的有效性。

• 融合图注意力的多特征链接预测算法

  张雁操, 赵宇海, 史岚

  链接预测是复杂网络中重要的研究方向之一。利用神经网络学习预定义的启发式特征近年来受到广泛关注。但是目前此类方法主要利用目标链接的局部子图预测链接,具有较强的局部性。针对这一问题,在SEAL算法的基础上,提出了利用多特征融合图注意力进行链接预测的算法ADNSL。该模型支持多类型的节点嵌入特征作为输入,包括局部特征生成和全局特征提取两部分。对于局部特征生成模块,利用图卷积层,将局部子图中的节点特征交互融合。为了弥补SEAL中的特征无效性和节点无偏性,提出了双向无参注意力。在全局特征提取模块中,利用迭代公式生成聚合图以降低struc2vec节点嵌入算法的复杂度,进而从全局角度挖掘可解释的结构特征,可以有效提升链接预测算法性能。实验表明,ADNSL算法可以合理地利用多类型节点嵌入特征,在八个不同领域的真实数据集上的表现明显优于多个基准算法。

• 用于无监督域适应的深度对抗重构分类网络

  林佳伟, 王士同

  最近迁移学习的新方法对抗域适应,将生成对抗网络（GAN）的思想添加到深度网络中,能够学习数据的可迁移表示形式进行域适应。虽然通过GAN的思想能够很好地提取出源域数据和目标域数据的共同特征,有效地进行不同域之间的知识迁移,但现有的对抗域适应算法不能有效地保留目标域数据的局部特征,而目标域数据的某些特征可能会对分类精度有显著的提升。为了避免原始数据的局部特征因对抗性学习遭到破坏,利用多任务神经网络来保留目标域数据的局部特征。提出了一个深度对抗重构分类网络的模型（DARCN）。DARCN受到自动编码器的启发,在对抗域适应的基础上,添加了自动编码器的解码部分,这样能够有效地从低维特征重建原始数据。该模型学习了以下任务的共享编码表示：带标签的源域数据的监督分类;不带标签的目标域数据的无监督重构;源域和目标域的不可区分性。最后,最小化标签分类器的分类损失和解码器的重构损失,同时最大化域判别器的分类损失,通过梯度下降法能够有效地解决此类优化问题。实验结果证明了目标域局部特征的保留对领域自适应任务是十分关键的。

• 由形状结构和位姿特征学习的稠密点云重建

  杨永兆, 张玉金, 张立军

  作为高分辨率三维重建的方法之一,从单张图像生成稠密三维点云在计算机视觉领域中一直有着较高的关注度。针对以往这个方法中大多关注目标单一特征信息和使用样本数据量大的问题,提出一个基于特征多样性的多阶段重建稠密点云网络。该网络模型是由第一阶段的3D重建网络和第二阶段的点云处理网络两部分两阶段组成。第一阶段的3D重建网络在融合2D图像目标形状特征与3D点云位姿特征基础上,实现从单张图像重建稀疏点云操作。第二阶段的点云处理网络在稀疏点云基础上提取全局特征和局部特征,通过融合全局和局部点特征增加点的稠密度,得到高分辨率稠密点云。运用深度学习微调技术组合两阶段网络形成一个能从单张图像生成稠密点云的端到端网络。该方法在合成和真实世界数据集上通过大量实验定量和定性分析,结果表明,该方法平均CD值为0.006 98,EMD值为2 823.53,结果优于一些现有方法,且点云重建效果较好。

• 高斯混合生成模型检测健康数据异常

  朱壮壮, 周治平

  在智能穿戴设备普及的背景下,运动手环为全面地了解人们的身体状况提供了丰富的信息源,但是其提供的多维活动数据存在未知的异常值,因此需要进行异常值的检测。由于“维度灾难”,通过传统的方法进行密度估计十分困难,导致检测效果不佳。针对该问题,使用了一种高斯混合生成模型（GMGM）健康数据检测方法。首先,该模型利用变分自编码器（VAE）训练原始数据,并且通过降低重构误差提取潜在特征。然后,利用深度信念网络（DBN）,通过潜在分布和提取的特征来预测样本的混合成员隶属度。接着,变分自编码器、深度信念网络与高斯混合模型（GMM）共同优化,避免了模型解耦的影响。高斯混合模型预测得到每个数据的样本密度,将密度高于训练阶段阈值的样本视为异常。在ODDS标准数据集上验证模型的性能,结果表明,相比深度自编码器高斯混合模型（DAGMM）,GMGM的AUC指标平均提升了5.5个百分点。最后,在真实数据集上的实验结果也表明了该方法的有效性。

• 全卷积注意力机制神经网络的图像语义分割

  欧阳柳, 贺禧, 瞿绍军

  全卷积神经网络是一种强大的端到端的模型,在语义分割领域应用广泛,获得了巨大的成功。研究人员提出了一系列基于完全卷积神经网络的方法,但是随着卷积和池化的持续性下采样,图像的上下文信息将会丢失,影响了像素级分类。针对完全卷积网络上下文信息丢失问题,提出基于像素的注意力方法。该方法利用计算高级特征图像素之间的联系来获取全局信息,增强像素之间的相关性,再结合空洞空间金字塔池化进一步提取图像的特征信息。针对图像的高层特征图像素丢失的问题,提出了基于图像不同层级的注意力方法。该方法将高层特征图中的信息作为指导对低层特征图中隐藏的信息进行挖掘,然后和高级特征图进行融合,充分利用高级特征图信息和低级特征图的信息。在实验方面,通过对比所提不同模块对全卷积神经网络分割性能的影响,验证了所提方法的有效性。同时在公认的图像语义分割数据集Cityscapes上与当前先进的网络进行实验对比,结果显示所提方法在客观评价指标和主观效果方面均存在优越性,并在Cityscapes官网测试集中达到了69.3%的准确率,性能比近期几个先进网络高出3~5个百分点。

• 融合全局与局部特征的深度卷积神经网络算法

  程卫月, 张雪琴, 林克正, 李骜

  为进一步提高人脸表情识别的准确率,提出一种融合全局与局部特征的深度卷积神经网络算法（GL-DCNN）。该算法由两个改进的卷积神经网络分支组成,全局分支和局部分支,分别用于提取全局特征和局部特征,对两个分支的特征进行加权融合,使用融合后的特征进行分类。首先,提取全局特征,全局分支基于迁移学习,使用改进的VGG19网络模型进行特征提取;其次,提取局部特征,局部分支采用中心对称局部二值模式（CSLBP）算法进行第一次特征提取,得到原始图像的局部纹理信息,将其输入到浅层卷积神经网络进行第二次特征提取,使其自动提取出与表情相关的局部特征;再次,采用两个级联的全连接层对两个分支的特征进行降维,为其分配不同权重,进行加权融合;最后,采用softmax分类器进行分类。实验在CK+和JAFFE数据集上进行验证,分类精度分别达95%以上和93%以上,对比其他五种算法,该算法总体表现较好,具有较好的识别效果和良好的鲁棒性,可为人脸表情识别提供有效依据。

• 视觉显著区域和主动轮廓结合的图像分割算法

  何亚茹, 葛洪伟

  传统区域主动轮廓模型在分割弱边缘图像时,演化曲线受背景干扰,易陷入局部极值导致演化速度缓慢;且由于局部项仅考虑空间信息,无法更好保留目标边界,影响分割精度。针对上述问题,首先利用改进的显著性检测方法,对待分割图像进行预处理操作,获取目标候选区域,自动设置初始化轮廓曲线,并将获取的目标先验信息与待分割图像中具有最大对比度的位图相结合,设计自适应符号函数,对优化LoG能量项进行加权,以线性方式融合到RSF模型中,增强模型自适应能力;其次设计新的局部灰度测度,与局部核函数相结合,改进局部能量项,提高模型在弱边缘处的敏感程度,准确定位目标边界。实验结果表明,该模型能够自动设置初始化轮廓,并有效保留目标边缘细节,视觉及定量实验结果证明了该模型优于目前一些主流的主动轮廓模型。

• 核中心驱动混合蛙跳算法及其应用

  刘立群, 顾任远

  针对混合蛙跳算法（SFLA）青蛙个体当前位置提供的惯性以及跳跃步长引起的进化速度慢,易陷入局部收敛的缺陷,将青蛙个体跳跃进化行为定义为量子力学行为,提出一种核中心驱动混合蛙跳算法（NCSFLA）。在全局寻优中,以原子核为中心的同心圆作为电子轨道构成青蛙族群;在局部寻优中,分别以跃迁步长为半径向局部最优个体跳跃,以驱动步长为半径向全局最优个体跳跃,随机产生不重复的青蛙个体分量等三种不同的局部搜索策略对族群内最差个体进行更新。以电子轨道中心即局部最优个体为跃迁的惯性指导,使得族群内的收敛更加有利于寻找局部最优解,提升搜索能力;如果陷入局部最优,则以原子核中心即全局最优个体为驱动的惯性指导,使得青蛙个体尽可能聚集在原子核中心周围,从而加快收敛速度。将该算法应用于解决容量限制车辆路径问题（CVRP）,提出一种核中心驱动混合蛙跳算法的容量限制车辆路径优化算法（NCSFLA-CVRP）。实验结果显示,在单峰值、多峰值函数以及复合函数等20个测试函数上,改进后的核中心驱动混合蛙跳算法相比其他五种算法具有收敛速度快、精度高的特点。Solomon算例标准测试数据测试结果表明该方法可有效提高容量限制车辆路径的优化性能。

• 融合随机反向学习的黏菌与算术混合优化算法

  贾鹤鸣, 刘宇翔, 刘庆鑫, 王爽, 郑荣

  黏菌优化算法（SMA）和算术优化算法（AOA）是最近提出的新型元启发式优化算法。SMA算法具有较强的全局探索能力,但迭代后期振荡作用较弱,易陷入局部最优,且收缩机制不强,导致收敛速度慢。AOA算法利用乘除算子进行位置更新,随机性强,具有较好的避免早熟收敛能力。针对上述问题,将两种算法结合并利用随机反向学习策略提高收敛速度,提出一种性能优越且高效的融合随机反向学习策略的黏菌与算术混合优化算法（HSMAAOA）。改进算法保留了SMA全局探索部分位置更新公式,局部开发阶段将乘除算子替换SMA收缩机制,提高算法随机性与跳出局部极值的能力。此外,通过随机反向学习策略增强改进算法种群多样性,提高收敛速度。实验结果表明,HSMAAOA算法具有良好的鲁棒性以及寻优精度,且明显提升了收敛速度。最后,通过焊接梁设计问题与压力容器设计问题,验证了HSMAAOA在工程问题上的适用性与有效性。