基于邻域采样的多任务图推荐算法

近年来,图神经网络(GNN)成为解决协同过滤的主流方法之一。它通过构建用户-物品图,模拟用户与物品的交互关系,并用GNN学习它们的特征表示。尽管现有在模型结构上的研究已取得了较大进展,但如何在图结构上更有效地进行负采样仍未有效解决。为此,提出一种基于邻域采样的多任务图推荐算法。该算法提出了一种基于GNN的邻域采样策略,该策略以每个用户为中心构建子图,将次高阶物品作为用户邻域采样的负样本,可以更有效地挖掘强负样本并提高采样质量。通过GNN对图结点进行信息聚合与特征提取,得到结点的最终嵌入表示。设计一种余弦边际损失来过滤部分冗余负样本,以有效减少采样过程中的噪声数据。同时,该算法引入了多任务策略对模型进行联合优化,以增强模型的泛化能力。在3个公开数据集上进行的大量实验表明,该算法在大多数情况下明显优于其他主流算法。

改进YOLOv7算法的钢材表面缺陷检测研究

当前,基于深度学习的智能检测技术逐步应用于钢材表面缺陷检测领域,针对钢材表面缺陷检测精度低的问题,提出一种高精度实时的缺陷检测算法CDN-YOLOv7。加入CARAFE轻量化上采样算子来改善网络特征融合能力,融合级联注意力机制和解耦头重新设计YOLOv7检测头网络,旨在解决原始头网络特征利用效率不高的问题,使其充分利用各尺度、通道、空间的多维度信息,提升复杂场景下模型表征能力。引入归一化Wasserstein距离重新设计Focal-EIoU损失函数,提出NF-EIoU替换CIoU损失,平衡各尺度缺陷样本对Loss的贡献,降低各尺度缺陷的漏检率。实验结果表明,CDN-YOLOv7的检测精度可达80.3%,较于原YOLOv7精度提升了6.0个百分点,模型推理速度可达60.8帧/s,满足实时性需求,CDN-YOLOv7在提升各尺度缺陷检测精度的同时显著降低了缺陷的漏检率。

区块链系统身份管理机制研究综述

区块链技术是一项集P2P网络、共识机制、密码学、博弈论、经济学等众多技术与理论于一体的应用创新,以其去中心化这一特质冲击着传统系统中心化机制带来的种种约束,通过共识机制在一个无需第三方信任机构的开放网络环境中实现交易的可信性、可溯源、防篡改等功能,其所形成的新型计算范式和信任机制有助于推动管理模式的转变。同时,区块链技术具有的账本公开和多方共识机制,为以交易为最小数据单元的区块链系统身份管理提出了挑战。梳理区块链系统身份管理技术的重要研究成果,为系统掌握区块链身份标识和认证方式、加强不同应用场景中的信息发现和价值挖掘提供借鉴。在讨论传统系统与区块链系统身份管理特征,并明确区块链身份管理主要内容的基础上,阐释UTXO模型和账户模型的特点,深入分析基于公钥转换、数字证书和去中心化数字身份3类区块链系统身份标识机制,以及匿名认证、实名认证和可控匿名认证3类区块链认证方式,最后对区块链身份管理技术的未来发展进行展望。

联邦学习中的攻击手段与防御机制研究综述

联邦学习的攻防技术是联邦学习系统安全的核心问题。联邦学习的攻防技术能大幅降低联邦学习系统被攻击的风险,明显提升联邦学习系统的安全性。深入了解联邦学习的攻防技术,可以推进联邦学习领域的研究,实现联邦学习的广泛应用。因此,对联邦学习的攻防技术进行研究具有十分重要的意义。简要地介绍了联邦学习的概念、基本工作流程、类型及可能存在的安全问题;介绍联邦学习系统可能遭受到的攻击,梳理了相关研究;从联邦学习系统有无目标性的防御措施出发,将防御措施分为通用性防御措施及针对性防御措施两类,并对其进行了针对性的总结;对联邦学习安全性未来的研究方向进行了梳理与分析,为相关研究者在联邦学习安全性方面的研究工作提供了参考。

改进YOLOv8s与DeepSORT的矿工帽带检测及人员跟踪

不系帽带,安全帽等于没戴。然而现有的安全帽检测方法,缺乏对帽带异常佩戴的检测研究。针对此问题,结合煤矿井下特殊的作业环境,以人员安全帽帽带检测及人员跟踪为研究对象,提出了CM-YOLOv8s算法检测安全帽及其帽带,利用DeepSORT算法对未系帽带的作业人员进行跟踪。利用井下监控视频制作数据集,使用CM-YOLOv8s对井下人员安全帽帽带进行检测:在YOLOv8s的基础上引入更高分辨率的特征图并新增了一种级联查询机制,在不提高计算成本的前提下能完成对小物体更精准的检测。利用改进DeepSORT对人员进行编码追踪:采用更深层卷积替换DeepSORT中小型残差网络来强化外观信息提取能力。通过自制井下安全帽帽带检测及跟踪数据集对改进算法进行验证,实验结果表明:CM-YOLOv8s的安全帽帽带识别算法平均精度均值达到92.3%,较YOLOv8s提高4.2个百分点。此外,基于CM-YOLOv8s与DeepSORT的安全帽规范佩戴识别系统的平均准确率为85.37%,检测速度达到59 FPS。提出的安全帽帽带检测算法,通过检测帽带是否在人员下颚附近来鉴别安全帽是否规范佩戴,能较好地平衡检测速度与精度,并能适应复杂的井下环境。通过在陈四楼煤矿数月的应用表明,实现了对安全帽佩戴异常的监测预警,加强了对矿工规范佩戴安全帽的有效监管。

农村电商物流下无人机与车辆协同配送路径优化研究

无人机配送正在成为解决物流末端配送难题的重要手段。无人机与车辆协同配送模式克服了无人机配送能力不足、安全性不高的弊端,是无人机参与配送的重要途径之一。针对农村电商物流“最后一公里”配送难、配送贵问题,考虑无人机与车辆协同方式、多无人机多包裹配送等约束,以配送成本最小化为目标构建混合整数规划模型并提出一种两阶段算法对无人机与车辆协同配送路径优化问题进行求解。第一阶段通过带约束的自适应K-means算法确定车辆停靠点范围,第二阶段设计爬山算子与分裂算子改进遗传算法,求得无人机与车辆配送路径。最后,通过算例实验验证了模型和算法的可行性与有效性。研究成果有望为农村电商物流末端配送降本增效提供新思路和参考价值。

CNN-Transformer特征融合多目标跟踪算法

在卷积神经网络(CNN)中,卷积运算能高效地提取目标的局部特征,却难以捕获全局表示;而在视觉Transformer中,注意力机制可以捕获长距离的特征依赖,但会忽略局部特征细节。针对以上问题,提出一种基于CNN-Transformer双分支主干网络进行特征提取和融合的多目标跟踪算法CTMOT(CNN-transformer multi-object tracking)。使用基于CNN和Transformer双分支并行的主干网络分别提取图像的局部和全局特征。使用双向桥接模块(two-way braidge module,TBM)对两种特征进行充分融合。将融合后的特征输入两组并行的解码器进行处理。将解码器输出的检测框和跟踪框进行匹配,完成多目标跟踪任务。在多目标跟踪数据集MOT17、MOT20、KITTI以及UADETRAC上进行评估,CTMOT算法的MOTP和IDs指标在四个数据集上均达到了SOTA效果,MOTA指标分别达到了76.4%、66.3%、92.36%和88.57%,在MOT数据集上与SOTA方法效果相当,在KITTI数据集上达到SOTA效果。由于同时完成目标检测和关联,能够端到端进行目标跟踪,跟踪速度可达35 FPS,表明CTMOT算法在跟踪的实时性和准确性上达到了较好的平衡,具有较大潜力。

基于条件独立性检验的非稳态因果发现方法

非稳态时间序列数据之间的因果关系发现是非常重要但极具挑战的问题。现有的工作主要假设观察数据随着时间或领域发生变化。上述假设使得相关方法需要引入时间或领域作为先验知识,无法应用于分段稳态的非稳态场景。因此,提出了一种基于条件独立性检验的非稳态因果关系发现算法。首先使用变化点检测方法来识别非稳态变化的时间点,然后将上一步的时间点进行区间划分,用基于条件独立性检验的时序因果关系发现算法推断局部稳态因果结构。在仿真和真实世界数据上的实验证明了该方法的有效性。

改进YOLOv7的复杂道路场景目标检测算法

虽然基于深度学习的目标检测算法在道路场景中的目标检测方面已经取得了很好的效果,但是对于复杂道路场景中的密集目标,远处的小尺度目标检测精度低,容易出现漏检误检的问题,提出一种改进YOLOv7的复杂道路场景目标检测算法。增加小目标检测层,增加对小目标的特征学习能力;采用K-means++重聚类先验框,使得先验框更贴合目标,增加网络对目标的定位精度;采用WIoU(Wise-IoU)损失函数,增加网络对普通质量锚框的关注度,提高网络对目标的定位能力;在颈部和检测头引入协调坐标卷积(CoordConv),使网络能够更好地感受特征图中的位置信息;提出P-ELAN结构对骨干网络进行轻量化处理,降低算法参数量和运算量。实验结果表明,该改进算法在华为SODA10M数据集下的mAP达到64.8%,比原算法提高2.6个百分点,模型参数量和运算量分别降低12%和7%,达到检测精度和检测速度的平衡。

基于NVAE和OB-Mix的小样本数据增强方法

由于深度学习模型对海量标注数据的依赖性较高,导致目前许多前沿性目标检测理论难以适用于工业检测领域。为此,提出一种基于NVAE图像生成和OB-Mix数据增强的小样本数据扩充方法。具体方法是通过NVAE构建检测目标的数据分布模型,再通过采样潜变量的方式生成与真实目标图像属于同一分布的全新目标图像。在得到生成目标图像后,提出了OB-Mix数据增强策略,将生成目标图像与背景图像进行随机位置融合以构建出新的图像数据,从而提高网络的定位能力及泛化能力。方法在仅使用474张标注图像以及400张无检测目标的背景图像情况下,使YOLOv5的检测精确率达到95.86%,相比于不使用该方法的结果提高了17.60个百分点。

基于多尺度注意力特征融合的场景文本检测

针对目前文本检测中小尺度文本和长文本检测精度低的问题,提出了一种基于多尺度注意力特征融合的场景文本检测算法。该方法以Mask R-CNN为基线模型,引入Swin_Transformer作为骨干网络提取底层特征。在特征金字塔(feature pyramid networks,FPN)中,通过将多尺度注意力热图与底层特征通过横向连接相融合,使检测器的不同层级专注于特定尺度的目标,并利用相邻层注意力热图之间的关系实现了FPN结构中的纵向特征共享,避免了不同层之间梯度计算的不一致性问题。实验结果表明:在ICDAR2015数据集上,该方法的准确率、召回率和F值分别达到了88.3%、83.07%和85.61%,在CTW1500和Total-Text弯曲文本数据集上相较现有方法均有良好表现。

智能垃圾回收下收集中心选址-路径二层优化

随着技术的进步及环保意识的提升,智能垃圾箱逐渐流行起来,使得垃圾回收工作面临新考验。针对带容量约束的选址-路径问题,引入双商品流公式构建垃圾回收选址-路径多主体优化模型,其中上层智能回收企业以总成本最低为目标确定收集中心选址;下层外包运输公司依据回收阈值选择需访问的智能垃圾箱,规划回收路径并确保运输成本最小化。改进遗传算法求解该问题:上层采用聚类算法处理选址初始化;下层路径为随机生成和节约里程初始化;引入最优成本路线交叉和反向变异算子。选取Prins和Barreto算例集测试,并与BKS、GAPSO和BSA算法对比,结果与BKS的差距均值仅为0.419%;通过模拟实际案例验证智能垃圾收集路径方式可有效降低总成本,为解决智能垃圾回收背景下选址-路径问题提供决策支持。

改进YOLOv8的轻量级军事飞机检测算法

遥感图像军事飞机检测在侦察预警、情报分析等领域具有重要意义。为使军事飞机检测模型能在算力受限的设备上高效运行,从网络设计与模型压缩两个方面对YOLOv8n进行轻量化改进。在网络设计方面,使用FAS_C2f替换原始主干网络中的C2f模块,减少计算冗余并加快网络特征提取的速度;根据军事飞机目标的尺度特征对网络结构进行优化,缓解因过度下采样导致的小目标信息丢失问题;使用Inner-SIoU作为新的定位回归损失函数,提升对小目标样本的学习能力并加快回归边界框的收敛。在模型压缩方面,使用基于LAMP分数的通道剪枝对重设计后的模型进行压缩,进一步减少参数和模型大小;并利用通道级知识蒸馏(channel-wise knowledge distillation,CWD)将模型精度恢复到接近剪枝前的水平。实验结果表明,在公开军用飞机数据集MAR20上,轻量化后的模型mAP为97.2%,体积仅有0.7 MB,较原始模型缩小了88.3%,FPS提高了14帧/s,满足军事飞机目标检测的实时性要求。

基于改进YOLOv7的遥感图像小目标检测方法

针对遥感图像中小目标数量众多且背景复杂所导致的识别精度低的问题,提出了一种改进的遥感图像小目标检测方法。该方法基于改进的YOLOv7网络模型,将双级路由注意力机制加入至下采样阶段以构建针对小目标的特征提取模块MP-ATT(max pooling-attention),使得模型更加关注小目标的特征,提高小目标检测精度。为了加强对小目标的细节感知能力,使用DCNv3(deformable convolution network v3)替换骨干网络中的二维卷积,以此构建新的层聚合模块ELAN-D。为网络设计新的小目标检测层以获取更精细的特征信息,从而提升模型的鲁棒性。同时使用MPDIoU(minimum point distance based IoU)替换原模型中的CIoU来优化损失函数,以适应遥感图像的尺度变化。实验表明,所提出的方法在DOTA-v1.0数据集上取得了良好效果,准确率、召回率和平均准确率(mean average precision,mAP)相比原模型分别提升了0.4、4.0、2.3个百分点,证明了该方法能够有效提升遥感图像中小目标的检测效果。

求解TSP的离散野马优化算法

针对求解TSP问题,提出一种新的元启发式算法离散野马优化算法(DWHO),应用最小位置匹配值法(MPMV)对求解结果进行离散化解码;为提高算法搜索能力,结合野马放牧、交配、领导者交流与选拔行为,引入变邻域搜索策略,增强了算法的局部搜索能力、加快算法收敛速度。选取TSPLIB标准库33个算例进行实验,并与交换序列人工蜂群算法(ABCSS)、离散蜘蛛猴优化算法(DSMO)两种算法进行比较。实验结果表明,DWHO求得的最优解与ABCSS、DSMO两种算法的最优解相比,最优解改进率最大值分别达到4.52%和3.41%。同时,将离散野马优化算法求解TSP收敛速度与以上两种算法进行比较,其收敛速度具有一定的优势。结果表明离散野马优化算法求解能力和精度具有优势。

构音障碍语音识别算法研究综述

构音障碍作为一种医学难症,目前主流的语音识别技术并不能很好地适应这一领域的需求。同时针对构音障碍的语音识别技术利用预训练及个性化训练相结合的方式,通过数据驱动进一步提升了算法性能,识别字错误率进一步降低,但是目前针对构音障碍的语音识别技术离实际商用还存在一定的距离,该技术的发展受数据规模和技术的限制。到目前为止,尚未出现针对构音障碍语音识别方面的综述文章,亟需将该领域中各种数据集的构建方法和先进技术进行对比分析,以方便进入该领域的研究人员快速获取这方面的知识。对现有数据集、主流算法、评估方式进行了调研,总结了国内外主流构音障碍数据集的规模、形式和特点。分析了构音障碍语音识别的主流算法,并给出了不同算法的性能和特点。最后,研究了基于构音障碍患者的严重等级的算法模型性能评价指标,并讨论了未来的研究方向,以期能够为从事构音障碍语音识别的研究人员提供帮助,助力该领域的快速发展。

分布式装配置换流水车间调度问题研究综述

近几十年来,现代制造业发展迅速,一种趋势是在分布式生产工厂进行工件的加工,待完成后到装配工厂集中装配成最终产品。该模式在带来诸多好处的同时,对资源调度提出了新的挑战。针对分布式装配置换流水车间调度问题(distributed assembly permutation flowshop scheduling problem,DAPFSP),介绍了DAPFSP的背景和存在的主要困难,进而对以最小化最大完工时间为优化目标的DAPFSP,从数学模型、编解码策略、全局和局部搜索算法角度进行探讨,分别综述了以最小化总流程时间等为优化目标,具有零等待等约束,以及考虑准备时间等因素的DAPFSP研究成果。最后,对有待进一步开展的研究工作进行展望。

改进YOLOv7-tiny的无人机目标检测算法

针对无人机视角下小目标难以检测、目标密集和环境复杂导致漏检概率增加的问题,提出一种改进YOLOv7-tiny的无人机目标检测算法。在原主干网络的基础上增加一个并行网络,加强主干网络对特征图信息的提取能力;增加细小目标采样尺度并改进FPN结构,使主干网络输出的特征图可以用于后续上采样和下采样当中,提高网络精度;加入CA注意力机制,优化主干网络输出特征图,减少特征信息损失;使用WIoU损失函数计算定位损失,增强网络对小目标的检测能力。实验结果表明,相较于原算法,改进YOLOv7-tiny算法的准确率和召回率分别提升了2.8和2.7个百分点,mAP@0.5和mAP@0.5:0.95分别提升了3.8和3.2个百分点,有效提高了算法的检测精度。

联合多意图识别与语义槽填充的双向交互模型

意图识别与语义槽填充是口语理解的两个主要任务,两者具有高度相关性,通常进行联合训练。随着口语理解任务的深入,研究发现用户在现实场景中的话语往往含有多个意图。但部分联合模型只能识别用户话语中的单个意图,未能充分建模多个意图和语义槽之间的关联性。考虑到话语中多个意图的信息可以引导语义槽填充,语义槽信息也可以帮助意图更好的识别,模型采用图注意力网络建立意图和语义槽之间的双向交互。具体的,将两个任务双向关联以便模型能够挖掘多个意图与语义槽之间的关系,同时引入两个任务的标签信息使模型能够学习到话语上下文和标签的关系,从而提高意图识别与语义槽填充的准确率,优化口语理解的整体性能。实验表明,模型在MixATIS和MixSNIPS两个多意图数据集上对比其他模型性能得到了显著提升。

基于邻域K-shell分布的关键节点识别方法

复杂网络中关键节点的精准识别对于网络结构稳定和信息传播起着至关重要的作用。传统K-shell方法仅通过节点在网络中所处位置对节点的重要性进行评估,导致区分度不高。基于此,综合考虑了节点的全局信息和局部信息对节点重要性的影响,提出一种基于邻域K-shell分布的关键节点识别方法。该方法通过节点邻域Ks值定义节点的熵,从而反映邻居节点的K-shell分布特征。通过11个网络数据集上的仿真实验,验证了所提方法能够更准确地识别并区分复杂网络中的关键节点。