基于多尺度流模型的视觉异常检测研究

针对现有异常检测(Anomaly detection,AD)模型计算效率低和检测性能差等问题,提出一种多尺度流模型(Multi-scale normalizing flow,MS-Flow),通过多尺度交叉融合实现高效的视觉图像异常识别.具体地,在流模型(Normalizing flow,NF)内部构建层级式的多尺度架构来避免多通道数据的冗余交叉计算,同时保证网络的多尺度表达能力.此外,设计的层级感知模块通过逐层级的多粒度特征融合,在细粒度级别表达多尺度特征,有效地提高分布估计的精确性.该方法是一个平衡检测精度与计算效率的解决方案.在两个公开数据集上的实验表明,所提方法相较于以往的检测模型能够获得更高的检测精度(在MVTec AD和BTAD数据集上的平均AUROC(Area under the receiver operating characteristics)分别为99.7%和96.0%),同时具有更高的计算效率,浮点运算次数(Floating point operations,FLOPs)约为CS-Flow的1/8.

面向无人机图像场景的小目标检测模型

无人机因其飞行高度和拍摄角度的独特性,采集的遥感图像中存在大量小目标。小目标物体像素小、语义信息少,容易受背景信息干扰和出现聚集遮挡,是当前检测模型性能不佳的主要原因之一。提出一种面向小目标的无人机图像目标检测模型UAIDet(unmanned aerial vehicles images detector),从解决信息冲突和检测框回归难入手,提升模型的检测性能。其一,构建自适应的通道融合模块,在特征融合阶段动态学习通道权重以过滤不同尺度特征之间的信息冲突,抑制特征融合时的尺度不一致性,提高小目标物体的检测能力;其二,设计误差敏感定位损失函数,在小目标物体检测框的收敛阶段提出偏移敏感损失项以解决小目标对几何误差的敏感性,提高定位损失函数的鲁棒性,优化小目标物体的检测精度。在数据集Visdrone2022上对文章方法进行实验,mAP(means average precision)和AP50(average precision at IOU threshold 50%)分别达到了22.0%和37.1%,相较于基准模型分别提高3和4.7个百分点。TinyPerson数据集上的mAP和AP50为9.9%和29.1%,分别提高了4.29和4.2个百分点,证明UAIDet模型的有效性和鲁棒性。

基于区块链的智能电网隐私保护数据聚合方案

为解决电力用户用电数据隐私泄露的问题,提出一种基于区块链的智能电网隐私保护数据聚合方案。每个智能电表分别使用Okamoto-Uchiyama加密算法和双线性聚合签名算法对用电数据进行处理,将其上传至区块链主节点。区块链主节点负责验证签名并聚合数据后将其存入区块链。电力公司从链上获取聚合数据。由于区块链主节点可能为了节省计算资源而不验证用户签名,发起懒惰攻击,引入可选性检验阶段,避免这种攻击。安全分析和性能评估表明,所提方案具有较好的安全性,能够以较低计算代价取得更优整体性能。

双特征流融合和边界感知的显著性目标检测

显著性目标检测是计算机视觉领域的热门研究方向之一,许多基于深度学习的检测算法虽然已经取得了显著的成果,但是仍然存在待测目标漏检误检和边界模糊等问题。针对这些问题提出了一种基于双特征流融合和边界感知的目标检测算法,通过改变输入图像尺寸来丰富多尺度信息,并自顶向下逐层聚合特征得到精细的预测结果。首先将输入图像调整为两种不同分辨率分别送入编码器,提取丰富的多层级特征形成双特征流;其次将双特征流自顶向下逐层融合,生成由粗到细的显著图;最后构建了边界感知结构,凭借上下文语义信息的指导生成精细的物体轮廓。在五个公开数据集上进行了大量实验,实验结果表明,所提算法在结构相似性(Sm)等多个指标上取得了更高的检测精度,生成的显著图目标完整且边缘清晰。

基于多尺度全局注意力的U型视网膜血管分割网络

眼底视网膜血管分割在多种类型眼科疾病的评估和诊断中起着重要作用。由于眼底图像中血管的拓扑结构复杂多变,现有算法通常存在分割结果中血管特征不连续以及血管边缘分割准确度不高的问题。针对上述问题,本文提出一种用于视网膜血管分割的多尺度全局注意力U型神经网络MSGA-UNet。该网络一方面通过全局特征注意力模块从编码器中较为容易地获得图像的全局表征信息,解决眼底视网膜血管分割中特征不连续的问题;另一方面利用多尺度空洞卷积模块,利用不同膨胀率的空洞卷积扩大感受野并获取图像的多尺度局部特征信息,从而提升血管边缘信息的提取能力。经过在DRIVE、STARE和CHASEDB1数据集上的实验,MSGA-UNet的平均交并比分别为74.06%、78.22%和79.62%;类别平均像素准确率分别为80.39%、84.60%和85.53%;精确度分别为96.32%,96.42%和97.23%;综合分割性能优于其他模型。

基于分布式数据流的大数据分类模型和算法

大数据是需求驱动的概念.随着数据库系统的普及和因特网服务的扩张,企业或者个人可用的数据正在膨胀,已有的技术很难满足大数据时代的数据分析需求,因此需要探索新的理论和方法来支撑大数据的应用.虽然大数据的4V属性已经被广泛讨论,但是它们大多描述的仍然是大数据的表象,所以很难从中抽象出统一的数据格式,因而进一步寻找可用于数据格式化的技术特征是必要的.面向于以分布式和流动性为主要技术特征的大数据应用需求,文中以分布式数据流为数据表达载体,在此基础上设计对应的大数据分类模型和挖掘算子.同时针对大数据的分类挖掘需要解决的关键问题来构建关键步骤对应的算法.理论上证明了文中给出的微簇合并技术和样本数据重构方法的合理性.实验表明:文中提出的基于分布式数据流的大数据的分类模型及算法不仅能大幅度地减少网络节点间的通讯代价,而且可以获得平均10%左右的全局挖掘精度的提升(对比已有的典型算法DS-means);虽然时间花费略高于DS-means,但是两者在不同的数据容量测试下相差很小、且时间攀升趋势相当.

基于项目序列集操作的关联规则挖掘算法

最大频繁项目序列集的生成是影响关联规则挖掘的关键问题 ,传统的算法是通过对事务数据库的多次扫描实现的 .最新的研究已经开始通过减少事务数据库的扫描次数进而减少挖掘过程的 I/ O代价来获得更高的效率 .随着计算机性能的提高 ,探索合适的数据结构来支持基于一次事务数据库扫描的高效算法成为可能 .该文首先给出项目序列集和它的基本操作的严格定义 ,然后在此基础上提出一个称为 ISS- DM的最大频繁项目序列集生成算法 .ISS- DM算法是通过对事务数据库的一次扫描而逐步演化成最大频繁项目序列集的 .

基于多维数据流挖掘技术的入侵检测模型与算法

网络访问数据有着数据流的高速、无穷达到的特点,所以利用传统多遍扫描数据库的挖掘技术来构建入侵检测模型是不可行的.针对网络访问数据流的特点,提出了一种基于多维数据流挖掘技术的入侵检测模型.此模型将传统的误用检测和异常检测两种入侵检测方法进行有机融合,因此能够克服目前广泛使用的误用检测方法无法检测新的攻击类型的缺点,并且也能够保持检测的高效性.网络访问数据记录的结构是复杂的,一个访问行为总是联系到许多属性,所以分析的难度很大.因此,引入多维频度等概念来解决网络数据流的模式表示和生成问题.同时,针对多维频度模式的特点,提出了一种新型数据结构MaxFP-Tree.在MaxFP-Tree的基础上,给出了一种高效的挖掘网络访问数据流的学习算法MaxFPinNDS.MaxFPinNDS采用衰减机制挖掘,可以快速地形成一个数据流的最近时期数据所隐含的最大频繁项目集.实验表明,设计的入侵检测模型是有效的.

计算机系统结构课程群的“1+2+3”模式及其应用

本文介绍了北京工业大学在计算机系统结构课程群教学实践中构建的“1＋2＋3”模式，并就相关的教学规划以及课程建设等情况进行了总结。

分布式系统中的双向启动自适应任务分配算法

本文讨论一种分布式系统中的任务分配算法，对它所使用的数据结构、算法实现以及性能等给予阐述．本算法采用双向启动策略（发送者和接受者都能启动），而且能根据系统总负载情况等自动选择发送者或接受者启动，所以称为双向启动自适应算法．同时，利用阈值和阈长两种参数把系统中的节点分为接受节点、负载适中节点和发送节点，它保证了寻找合作节点的优化和寻找速度的提高，是一种启发式算法．

时态约束下的数据挖掘问题及算法

对于一个大型数据库而言 ,为了提高挖掘效率 ,必须考虑减少数据库的扫描次数 ,同时使内存需求量保持在一个适当的水平上 .把时态约束应用到事务数据库的挖掘中 ,可以获得更好的效率 .本文首先利用时态区间代数操作实现原始数据库的过滤和挖掘时态区间的合并 ;然后在定义项目序列集操作的基础上 ,提出一个称为TISS DM的发现频繁项目序列集的高效算法 ;最后讨论了这个算法的效率 .

PageRank模型的改进及微博用户影响力挖掘算法

随着Web技术的发展,微博逐渐成为当下最流行的社交平台之一。微博中用户影响力计算是相关研究中的焦点问题。通过对PageRank模型的改进,提出一种新的用户影响力挖掘算法PR4WB(PageRank for Micro Blogs),解决了传统的PageRank算法由于页面权威值的等分传递带来的潜在误差过大的问题。PR4WB算法在考虑微博中用户关系的同时,利用社会网络概念将自身的活跃度、博文质量及可信性加以关联,形成动态的评价模型。基于Twitter数据的实验表明,PR4WB算法能更加准确、客观地反映出用户的实际影响力。

数据挖掘的概念、系统结构和方法

首先对数据挖掘的概念及相关流派加以归纳,然后给出一个数据挖掘系统的体系结构,并通过它介绍数据挖掘系统的主要功能部件,最后对数据挖掘的主要方法进行分析。

一种三叉树的存储结构及其基本操作的实现

本文在文献［１］所给出的有关三叉树及其相关概念的基础上，提出了一种新的三叉树存储结构，即“儿子－兄弟链表”方法，并在这种结构下，对三叉树的基本操作的实现算法进行了较详细的讨论。

基于数据概要描述的分布式数据流聚类模型与算法

数据流挖掘可有效解决大容量流式数据的知识发现问题,并已得到广泛研究。数据流的一个典型的例子是传感器采集的流式数据。然而,随着传感器网络的应用普及,这些流式数据在很多情况下是分布式采集和管理的,这就必然导致分布式地挖掘数据流的需求。分布式数据流挖掘的最大障碍是由分布式而导致的挖掘质量或者效率问题。为适应分布式数据流的聚类挖掘,探讨了分布式数据流的挖掘模型,并且基于该模型设计了对应的概要数据结构和关键的挖掘算法,给出了算法的理论评估或者实验验证。实验说明,提出的模型和算法可以有效地减少数据通信代价,并且能保证较高的全局模式的聚类质量。

广义超立方体和它的任务分配问题

广义超立方体ＥＨ（ｅｘｔｅｎｄｅｄｈｙｐｅｒｃｕｂｅ）作为组织大型分布式多处理机系统的拓扑结构，在使用阈值和阈长两种控制参量的阈值选择策略中表现出许多良好的性质．文章探讨了ＥＨ中的若干性质，这些性质为实现高效稳定的任务分配算法提供了理论基础．最后，该文详尽地讨论了在一个ＥＨ中，基于使用阈值和阈长的启发式选择策略、多叉树状态信息组织方法以及动态阈值修改措施的任务分配算法和它的性能．

FNN上的反向传播学习算法

近几年来,模糊神经网络(FNN)的研究引起了广泛的注意。本文对FNN上的反向传播学习方法加以讨论。使用输入均值和输出权重参量来进行模糊化和反模糊化处理,学习的目的是调整这两个参量到合适的值。

容限空间理论的扩展及其在人工神经网络中的应用

<正>我们知道,在一般的代数空间中,集合X和Y的二元关系定义为XxY的子集.2~Inan在研究人的视觉结构中,从一般拓扑空间理论出发建立了容限空间理论。在容限空间理论中,定义了容限、容限空间等概念。这些概念的提出对于我们正确认识人工神经网络功能有着重要的指导意义。

基于网格结构的数据流在线快速聚类算法

针对现有的数据流聚类算法不能在线实时生成用户需要的聚类结果问题,提出一种基于滑动窗口的数据流在线聚类算法.该算法采用密度网格存储结构,实现了数据流的在线聚类过程,能实时地向用户提供聚类结果,动态地检测数据流的进化情况.实验结果表明,该方法具有快速在线聚类能力,并能保证良好的聚类质量.

数据仓库的质量管理问题和方法

A data warehouse is often a large-scale information system for an enterprise,so its quality management isimportant and difficult. Recently,some researchers have studied the problems of quality management in data ware-houses from different views ,and achieved some good results. This paper will broadly introduce the concept ,methodsand techniques in quality management in data warehouses ,and discuss the important quality factors in data warehous-es in detail.