计算机科学与探索杂志

计算机科学与探索杂志2023年第11期

• 多标签分类综述

  李冬梅, 杨宇, 孟湘皓, 张小平, 宋潮, 赵玉凤

  多标签分类是指在一个样本中可能会有多个标签同时存在的分类问题，目前已被广泛应用于文本分类、图像分类、音乐及视频分类等领域。与传统的单标签分类问题不同，由于标签之间可能存在相关性或者依赖关系，多标签分类问题变得更加复杂。近年来，深度学习技术发展迅猛，结合深度学习的多标签分类方法逐渐成为研究热点。因此，从传统的和基于深度学习的角度对多标签分类方法进行了总结，分析了每一种方法的关键思想、代表性模型和优缺点。在传统的多标签分类方法中，分别介绍了问题转换方法和算法自适应方法。在基于深度学习的多标签分类方法中，特别是对最新的基于Transformer的多标签分类方法进行了综述，该方法目前已成为解决多标签分类问题的主流方法之一。此外，介绍了来自不同领域的多标签分类数据集，并简要分析了多标签分类的15个评价指标。最后，从多模态数据多标签分类、基于提示学习的多标签分类和不平衡数据多标签分类三方面对未来工作进行了展望，以期进一步推动多标签分类的发展和应用。

• 神经网络算法在癫痫预测模型中的应用研究综述

  黄红红, 张丰, 吕良福, 司霄鹏

  癫痫作为一种大脑神经元异常放电导致的中枢神经系统疾病，给患者的正常生活带来了极大影响，提前预测癫痫发作并及时采取防范措施可以有效提高患者的生活质量。随着数据科学和大数据技术的发展，神经网络算法越来越多地应用于癫痫预测领域，并展现出了巨大的应用潜力。对神经网络算法在癫痫预测领域的应用情况和不足之处进行了综述，按照癫痫预测模型的搭建流程依次从数据集、数据预处理、特征提取、神经网络算法模型几个模块进行论述。在介绍了脑电信号特点和常用数据集类别、常见数据预处理手段、常见的特征提取方法特别是手工设计特征的提取方法后，重点对多层人工神经网络和脉冲神经网络算法原理及其在癫痫预测领域的应用进行分析梳理和归纳总结，系统性地对神经网络算法的缺点进行剖析，并对神经网络算法在癫痫预测领域的进一步应用发展进行了讨论和展望。

• 深度学习在手指静脉识别中的应用研究综述

  李杰, 瞿中

  手指静脉识别技术由于其非接触、高防伪性以及活体检测等优点，成为新一代生物识别技术中的研究热点。随着深度学习的发展，基于深度神经网络的手指静脉识别技术取得了显著的成果。首先对手指静脉识别领域的常用公开数据集进行了介绍，然后根据神经网络学习任务的不同，对近几年深度学习方法在手指静脉识别中的应用进行了分类，分析了每种类型的技术特点和适用场景。从轻量化网络、数据增广、注意力机制等方面对手指静脉识别中的深度学习设计技巧进行了介绍。从分类损失和度量学习损失两方面，对模型中常用的损失函数进行了阐述。最后介绍了手指静脉识别系统的评价指标并汇总了部分研究在准确率和等错误率方面的成果。此外，还提出了手指静脉识别面临的挑战和潜在的发展方向。

• 面向知识图谱补全的归纳学习研究综述

  梁新雨, 司冠南, 李建辛, 田鹏新, 安兆亮, 周风余

  知识图谱补全能够使知识图谱更加完整。然而，传统的知识图谱补全方法假定在测试时所有实体和关系都出现在训练过程，由于现实世界知识图谱的演变性质，一旦出现不可见实体或不可见关系，就需要重新训练知识图谱。面向知识图谱补全的归纳学习旨在补全包含不可见实体或不可见关系的三元组，而无需从头开始训练知识图谱，因此近年来受到广泛关注。首先从知识图谱的基本概念出发，将知识图谱补全分为两大类，直推式和归纳式；其次从归纳式的知识图谱补全的理论角度出发，分为半归纳和全归纳这两类，并从该角度对模型进行总结归纳；然后从归纳式的知识图谱补全的技术角度出发，分为基于结构信息和基于额外信息这两大类，将基于结构信息的方法细分为基于归纳嵌入、基于逻辑规则和基于元学习这三类，将基于额外信息的方法细分为基于文本信息和其他信息这两类，并对当下方法进一步深入细分、分析和对比；最后对未来的研究方向进行展望。

• 基于深度学习的图像全景分割综述

  毕阳阳, 郑远帆, 史彩娟, 张昆, 刘健

  随着深度学习与图像分割的不断发展，图像全景分割已经成为计算机视觉领域的一个研究热点，许多图像全景分割方法被提出。综述了基于深度学习的图像全景分割研究方法，首先介绍了图像全景分割国内外的研究现状，对已有图像全景分割的方法，根据网络架构优化任务的不同进行分类阐述，主要包括特征提取优化的图像全景分割、子任务分割优化的图像全景分割、子任务融合优化的图像全景分割、其他图像全景分割；其次简单介绍图像全景分割中常用的MS COCO、PASCAL VOC、Cityscapes、ADE20K和Mapillary Vistas五个数据集以及全景质量（PQ）和解析覆盖（PC）两种评价准则；然后对典型图像全景分割方法在不同数据集上进行了性能比较；接着列举了图像全景分割在医学、自动驾驶、无人机、农业、畜牧业、军事等领域的应用；最后指出了现有方法在复杂场景应用、实时性、冲突等方面存在的不足与挑战，并探讨了基于简单统一框架的图像全景分割、实时的高质量图像全景分割、复杂应用场景下图像全景分割等未来研究方向。

• 面向资源约束项目调度的二阶段帝国竞争算法

  李斌, 黄起彬

  资源约束项目调度问题是一类经典的组合优化难题，有着广泛的工程应用背景。自20世纪60年代起，该问题的优化方法层出不穷，但大多数智能优化算法在该问题空间中搜索表现一般。针对这一挑战，提出了一种二阶段演化帝国竞争算法（TSE-ICA）。首先，基于由关键路径法得到的组块提取策略，提出两种分别用于种群多样性开发和高效收敛的同化算子，通过在不同阶段选择合适的同化算子实现二阶段演化框架的构建。其次，基于组块的改进革命机制包含插入和乱序两种邻域搜索策略，帝国竞争机制则通过收集不同帝国的收敛信息实现参数的自适应调整；最后，利用记忆库引导种群进化，提高算法的收敛速率。TSE-ICA的最佳参数设置由Taguchi法的实验设计方法确定。数值实验面向典型实例库PSPLIB中的3个实例集J30、J60和J120对TSE-ICA执行了性能测试，并基于两种评价标准与17种先进的元启发式算法进行性能对比。实验结果显示，TSE-ICA具有较好的优化性能和收敛效率，初步验证了所提改进机制的有效性和所提算法的问题适用性。

• 增量式约简拉氏非对称ν型孪生支持向量回归机

  张帅鑫, 顾斌杰, 潘丰

  拉氏非对称ν型孪生支持向量回归机是一种泛化性能良好的预测算法，然而其并不适用于增量提供样本的场景。为此，提出了一种增量式约简拉氏非对称ν型孪生支持向量回归机（IRLAsy-ν-TSVR）算法。首先，引入正号函数，将有约束最优化问题转换成无约束最优化问题，并采用半光滑牛顿法在原始空间直接求解，以加快收敛速度。接着，利用矩阵求逆引理，实现半光滑牛顿法中Hessian矩阵求逆的高效增量更新，节省时间开销。然后，为了减少样本累积导致的内存消耗，使用约简技术分别筛选增广核矩阵的列向量和行向量以逼近原增广核矩阵，确保解的稀疏性。最后，在基准测试数据集上验证算法的可行性和有效性。结果表明，与一些代表性算法相比，IRLAsy-ν-TSVR算法继承了离线算法的泛化性能，能够获得稀疏解，更适合大规模数据集的在线学习。

• 反向近邻构造连通图的聚类算法

  龙建武, 王强

  大数据时代的发展使得聚类算法的应用越来越广泛，但是当前大多数聚类算法对噪声数据比较敏感，并且不能识别非凸形状等复杂结构的数据集。针对该问题，提出一种反向近邻构造连通图的聚类算法。首先，设计一种密度计算方式得到数据点的密度，并构建一种动态的噪声判别器对数据进行去噪，从而削弱噪点对聚类过程的影响；其次，考虑到反向邻居更能体现数据点与周围各点之间的联系，设计一种对去噪后数据构造反向近邻连通图来识别簇内数据结构信息的聚类方法，并利用给定的聚类数合并聚类；最后，对噪点划分聚类时，考虑到仅仅将其划分到距离最近的簇可能导致划分结果不准确，设计一种噪点划分方式，将密度信息考虑到噪点划分聚类中，得到最终的聚类结果。为验证提出方法的有效性，将该方法与其他五种聚类算法的聚类结果进行对比，采用外部评价指标Acc和NMI进行聚类结果的评价。实验结果表明，该算法在非凸形状等复杂结构的含噪数据集上的聚类效果优于对比算法。

• 细粒度视觉分类：深度成对特征对比交互算法

  汪敏, 赵鹏, 郭鑫平, 闵帆

  由于高类内和低类间方差，细粒度图像识别成为计算机视觉领域一项极具挑战性的研究课题。经典的细粒度图像识别方法采用单输入单输出的方式，限制了模型从成对图像中对比学习推理的能力。受人类在判别细粒度图像时的行为启发，提出了深度成对特征对比交互细粒度分类算法（PCI），深度对比寻找图像对之间的共同、差异特征，有效提升细粒度识别精度。首先，PCI建立正负对输入策略，提取细粒度图像的成对深度特征；其次，建立深度成对特征交互机制，实现成对深度特征的全局信息学习、深度对比以及深度自适应交互；最后，建立成对特征对比学习机制，通过对比学习约束成对深度细粒度特征，增大正对之间的相似性并减小负对之间的相似性。在流行的细粒度数据集CUB-200-2011、Stanford Dogs、Stanford Cars以及FGVC-Aircraft上开展了广泛的实验，实验结果表明PCI的性能优于当前最先进的方法。

• 融合注意力机制和上下文信息的实时交通标志检测算法

  冯爱棋, 吴小俊, 徐天阳

  近年来交通标志检测任务得到了广泛的关注，然而现有方法常无法满足检测实时性要求，并且现有方法在检测小尺度交通标志时存在较多漏检情况，为此，提出融合注意力机制和上下文信息的实时交通标志检测算法。该算法以YOLOv5为基准模型，首先，在主干网络中嵌入空间注意力机制自适应地强化关键位置的特征，抑制干扰信息，提高主干网络的特征提取能力；其次，设计跨阶段局部窗口Transformer模块用于学习不同位置间信息的关联性，捕获交通标志周围丰富的上下文信息，有助于提高小尺度交通标志的检测精度；再次，提出轻量的特征融合网络对不同尺度的特征图进行融合，减少计算量的同时确保有效的特征融合；最后，在后处理阶段提出高斯加权融合方法修正检测框，进一步提高定位精度。在TT100K和DFG交通标志检测数据集上的实验表明，提出的算法有效地改善了小尺度交通标志的漏检情况，具有较高的准确性和实时性，可以满足实际场景的交通标志检测需求。

• HSKDLR：同类自知识蒸馏的轻量化唇语识别方法

  马金林, 刘宇灏, 马自萍, 巩元文, 朱艳彬

  针对唇语识别模型的识别率较低和计算量较大的问题，提出一种同类自知识蒸馏的轻量化唇语识别模型（HSKDLR）。首先，提出关注唇部图像空间特征的S-SE注意力模块，用其构建提取唇部图像通道特征和空间特征的i-Ghost Bottleneck模块，以提升唇语识别模型的准确率；其次，基于i-Ghost Bottleneck构建唇语识别模型，该模型通过优化瓶颈结构的组合方式降低模型计算量；然后，为提升模型准确率，减少模型运行时间，提出同类自知识蒸馏（HSKD）的模型训练方法；最后，使用同类自知识蒸馏方法训练唇语识别模型，并检验其识别性能。实验结果表明：与其他方法相比，HSKDLR具有更高的识别准确率和更低的计算量，在LRW数据集上的准确率达87.3%，浮点数运算量低至2.564 GFLOPs，参数量低至3.872 3×107；同类自知识蒸馏可被应用于大多数唇语识别模型，帮助其有效提升识别准确率，减少训练时间。

• 畸变感知相关滤波目标跟踪算法

  姜文涛, 任金瑞

  针对现有相关滤波跟踪算法在目标畸变情况下应对能力不足和滤波器模型更新存在误差累积易导致跟踪失败的问题，提出畸变感知相关滤波目标跟踪算法。首先，利用粒子采样构建强化目标信息的空间参考权值，适应相邻帧间目标外观变化，使滤波器专注于学习目标可信赖部分，抑制背景干扰信息；其次，采用交替方向乘子法以较少的迭代次数求解目标最优函数值，优化算法，降低计算复杂度；最后，为进一步增强滤波器的判别能力，设计目标畸变感知策略，通过分析平均峰值相关能量和响应图峰值时序约束来衡量目标受干扰因素影响后的畸变程度，判别当前跟踪结果是否可靠。当目标跟踪定位可靠性较低时，采用粒子滤波对目标进行选择性的重检测。并依据当前跟踪目标畸变程度，自适应地更新滤波器模型。在OTB50、OTB100和DTB70数据集上与多种代表性目标跟踪算法进行对比实验，实验结果表明，该算法的跟踪成功率和精确率较优，在面对实际场景中因多个干扰因素而产生畸变的目标时具有较强鲁棒性。

• 多教师对比知识反演的无数据模型压缩方法

  林振元, 林绍辉, 姚益武, 何高奇, 王长波, 马利庄

  知识蒸馏是用于压缩深度神经网络的一种有效方法，但是由于用户数据隐私保护、数据机密性或传输的限制，很多时候人们无法获取到原始数据。现有的无数据知识蒸馏方法仅使用单教师模型进行有偏特征统计，生成的数据和原始数据相比存在着多样性和泛化性差问题，从而导致压缩后模型的准确率不高。为了解决此类问题，提出了一种多教师对比知识反演的无数据模型压缩方法（MTCKI），该方法从多个可用的教师模型中提取知识并将其融合到学生模型中，以消除模型有偏统计带来的偏差，增强了合成图片的泛化性。为提升合成的图像多样性，采用对比学习的策略将当前批次生成的图像与历史的图像进行对比，迫使生成器合成与历史不相似的图片。同时，提出多教师-学生对比的策略，进一步提升学生网络的表征能力。实验表明，该方法不仅能生成视觉上令人满意的图像，而且在多个指标上优于现有的方法。生成的合成图像更接近原始数据集的分布，而且只需要一次生成的图片数据集就能泛化用于不同模型训练。

• 联合注意力与卷积网络的知识超图链接预测

  庞俊, 徐浩, 秦宏超, 林晓丽, 刘小琪, 王国仁

  知识超图（KHG）是超图结构的知识图谱。知识超图链接预测旨在通过已知实体和关系预测缺失的关系。然而，现有最优的基于嵌入模型的知识超图链接预测方法HypE虽然实体嵌入时考虑了位置信息，但关系嵌入时忽略了不同实体的贡献有差异，且实体嵌入蕴含信息不够充足。关系嵌入考虑实体贡献度并补足实体嵌入的信息含量，可以较大地提升模型的预测能力。因此，提出了一种基于注意力与卷积网络的链接预测方法（LPACN），采用改进的注意力机制将实体的注意力信息融入到关系嵌入中；并且将同元组内相邻实体个数信息融入卷积网络，进一步补足了实体卷积向量的信息含量。针对LPACN的梯度消失问题，将改进的残差网络（ResidualNet）融入LPACN，并引入多层感知器（MLP）提升了模型的非线性学习能力，得到LPACN的改进算法LPACN+。真实数据集上的大量实验验证了LPACN的预测性能均优于Baseline方法。

• 融合决策蕴涵的知识图谱推理方法

  翟岩慧, 何煦, 李德玉, 张超

  决策蕴涵是形式概念分析中的决策知识表示和推理工具。提出了一种基于决策蕴涵的知识图谱关系补全方法。基于知识图谱构建对应的决策背景，证明决策蕴涵可以等价表示知识图谱推理中的规则；为了快速挖掘决策蕴涵，对复杂的决策背景进行多次约简，证明约简后的决策背景也可以获取知识图谱推理中的规则；设计了从简化后的决策背景中获取决策蕴涵的算法，给出了使用决策蕴涵进行关系补全的步骤；最后通过实验验证了上述方法的有效性。该研究为完成知识图谱关系补全任务提供了新的思路，也为融合推理提供了一个新的选择。

• 特征地图的室内机器人路径规划融合算法

  刘朋, 任工昌

  为利用特征地图计算效率高的优点，同时解决传统动态窗口法对全局参数敏感的问题，提出一种基于特征地图的路径规划融合算法。通过给出适用于路径规划的特征地图表达方式，改进机器人与障碍物间距离的计算方法，实现了特征地图中障碍物的检测；结合爬虫（Bug）算法的基本原理和线段特征的属性，使用搜索优化算法，先搜索全局可行路径，再进行节点优化得到全局最优路径的关键节点，并对内外角点处搜索方向选择、障碍物端点绕行等问题提出了解决方法；针对传统动态窗口法对全局参数敏感性高的问题，分析了目标函数中各参数在路径不同位置对规划路径的影响程度，使用动态参数的方法对原目标函数进行改进；算法融合时，改进方向函数的计算方法，解决了机器人在路径中间节点出现明显减速的问题。经仿真实验验证，搜索优化算法有效，改进后的动态窗口算法降低了参数的敏感性，融合算法在计算效率方面有较大的优势，计算耗时最多减小79.27%，最少减小43.16%，而且机器人移动更平滑。

• 改进的Ramp孪生支持向量机聚类

  陈素根, 刘玉菲

  基于Hinge损失的孪生支持向量机聚类和基于Ramp损失的孪生支持向量机聚类是两种平面聚类的新算法，为解决聚类问题提供了新的研究思路，逐渐成为模式识别等领域的研究热点。然而，它们在处理带有噪声数据的聚类问题时，往往性能表现不佳。为了解决这个问题，构造了非对称的Ramp损失函数，并在此基础上提出了一种改进的Ramp孪生支持向量机聚类算法。非对称Ramp损失函数不仅继承了Ramp损失函数的优点，用非对称的有界函数度量类内散度和类间散度，使得该算法对离聚类中心平面较远的数据点更加鲁棒，而且参数[t]的引入使得非对称Ramp损失函数更加灵活。特别地，当参数[t]等于1时，非对称Ramp损失函数退化为Ramp损失函数，使得基于Ramp损失函数的孪生支持向量机聚类算法成为所提算法的特例。同时，基于核技巧推广到了非线性情形，线性和非线性模型均为非凸优化问题，通过交替迭代算法有效求解。分别在多个UCI数据集和人工数据集上进行实验，实验结果验证了所提算法的有效性。

• 面向内存表的可动态配置预写日志框架

  朱海铭, 黄向东, 乔嘉林, 王建民

  通常情况下，NoSQL数据库管理系统启动后，其多个数据库或数据分区的预写日志（WAL）会固定地写入一个或多个日志文件，因而形成强耦合的对应关系。由于数据库逻辑模型与分区配置是由应用业务和计算环境所决定的，在预写日志被强耦合的情况下，数据库管理系统无法对预写日志的个数、大小等进行配置以实现性能调优。针对该问题，提出了一种面向内存表的可动态配置预写日志框架，该框架记录了重写日志，内存表可以动态地被分配给不同的预写日志队列，支持可变的对应关系，实现了预写日志与具体应用之间的解耦。在物联网时序数据库Apache IoTDB上实现了该框架，并进行了相关实验，结果表明使用可动态配置预写日志框架后可以找到比强耦合的预写日志更优的配置方案，写入性能可提高8%~19%，说明该框架能针对不同计算环境和应用负载实现动态性能调优。

• 金融分布式数据库异步全局索引研究

  金磐石, 李博涵, 秦小麟, 邢磊, 李晓栋, 王进

  伴随移动支付的快速发展，传统的金融核心业务所使用的集中式数据库面临性能、可用性等方面的挑战。为此有研究者提出了采用计算和存储分离架构的分布式数据库解决思路，通过网络连接构建在物理上分散、逻辑上集中的分布式数据库管理系统。全局索引是分布式数据库提升查询效率的重要手段，但当前的全局索引主要通过在传统网络中利用同步机制来实现。这种机制在金融数据管理的典型交易和批量导入数据场景下面临单表索引数量少、吞吐量降低、事务响应时间抖动等亟需解决的问题。为此，提出了一种基于分布式数据库的异步全局索引架构，通过新增MQ消息队列、分布式缓存，以及利用RDMA网络，实现一种满足金融典型场景需求的异步全局索引。为了验证有效性，与Oracle、CockroachDB在相同的场景下进行大量对比分析，实验结果表明，在金融核心业务数据的批量导入、交易等场景中，该方法的主要性能指标比现有方法提升60%以上，而对系统资源需求降低20%以上。