“数据”可否纳入知识产权客体范畴?

《民法总则》(草案)第108条将“数据信息”纳入知识产权客体范畴,虽然该规定最终未获通过,但却引发了学界和业界的热议,数据可否纳入知识产权客体范畴的讨论方兴未艾。根据“信息链”理论,事实、数据、信息、知识和情报之间是呈现一种由下至上逐步提炼加工的链式关系,数据与信息、知识、情报之间依次包含。但数据并不符合知识产权客体的一般特征,若将“数据”整体直接纳入知识产权客体的范畴,会冲击已有的权能和体系,影响知识产权客体家族的统一性和协调性。应对数据进行分类保护,在现有知识产权保护基础之上,增设数据产权保护模式,数据主体就个人原始数据享有数据人格权和数据财产权;企业就其加工处理取得的衍生数据享有数据财产权,企业这种财产权利取得的门槛低于知识产权取得,不必要求独创性、创造性或显著性等知识产权客体的一般特征,宜采取弱保护模式。

论客体对数据基本产权和分类确权的决定作用

数据二十条构建了基本数据产权,但要进一步确权立法,必须依据数据关系客体的不同对数据基本产权作出总体规定,并应根据客体类型作出分别规定。数据及其产品是新型民事关系客体,可被多人同时使用,其财产关系依合同产生具有相对性,这一客观规律决定数据产权为不同于所有权的有限产权。数据产权包括人格性权利和财产性权利,财产性权利以人格性权利为基础。数据确权立法的基本框架包括数据流通中当事人享有的数据持有权、加工使用权、数据产品经营权等基本数据财产权,著作类电子产品当事人的权利,数据直接生成产品当事人的权利,货币结算与比特币的规定,法院管辖、涉外法律适用、仲裁等内容。

基于数据流的K-S变化检测的动态多目标规划算法

为了更加准确地判断环境是否发生变化并快速追踪动态多目标规划问题(dynamicmulti-objectiveoptimization problem,DMOP)当前时刻的Pareto前沿,提出了一种基于数据流的Kolmogorov-Smirnov(K-S)变化检测的动态多目标规划(DSK-SDMOP)算法。该算法以NSGA-Ⅱ为基础,通过数据流建立2个时刻的检验窗口,再利用K-S检验基于数据流的Pareto最优前沿是否发生变化,检测2个窗口的数据是否服从同一分布来判断环境是否发生变化,并就环境变化的剧烈程度实行相应的应答机制,以提高对环境的适应程度。利用基于数据流的K-S检测方法,对环境变化不会过于敏感,而且不用提前假设对应目标值的分布,易于操作。通过5个动态多目标规划标准测试函数对该算法进行测试,并和现有的2种算法进行对比分析,结果表明该算法处理动态多目标规划问题具有良好的性能。

“三权分置”路径下数据产权客体的类型谱系

“数据二十条”在表述数据产权“三权分置”时分别使用了“数据资源”“数据”“数据产品”三项表达来称谓“三权”的客体,从政策上肯认并确立了数据产权的客体对象。从法律视角审视,前述三项政策表达仍需经由学理阐释来论证其在法律上的定位及其相互关系,使之成为具有规范性的法律表达。“三权分置”路径下,“数据”的核心特征应包括信息属性、物理属性和集合属性,并在数据生产和流通使用的“价值链”上延展形成“数据资源”—“数据集合”—“数据产品”的类型层级。在分级分类构建原则下,作为产权客体的“数据”还可在横向上形成以公共数据与企业数据为一级子类型、公用/私用公共数据与公开/不公开企业数据为二级子类型的类型谱系。由此,便可在“三权分置”路径下阐明作为产权客体的数据的规范属性与类型谱系,为数据产权“三权分置”的法律化奠定基础和前提。

基于改进YOLOX与多级数据关联的行人多目标跟踪算法研究

目标跟踪是计算机视觉领域的基本问题,行人多目标跟踪在智能监控、智慧交通等多个领域有着广泛的应用前景。然而实际跟踪场景中存在频繁遮挡、尺度变化等情况,给多目标跟踪算法带来了极大的挑战。为了进一步提升跟踪精度,在DeepSORT的基础上,提出一种基于改进YOLOX与多级数据关联的行人多目标跟踪算法。对于检测器,为了增强网络的特征表达能力,提高检测精度,在YOLOX骨架网络与颈部网络分别引入ECA通道注意力模块与ASFF自适应特征融合模块。对于身份识别特征,为了减少数据关联步骤的错误匹配数量,提高跟踪效率,使用轻量的OSNet重识别网络与NSA卡尔曼滤波获取目标特征。对于数据关联,为了减少身份切换次数,避免目标丢失,将检测与跟踪都进行分类处理,使用不同的相似性计算方法,实现基于检测置信度与轨迹状态的多级数据关联。实验结果表明:与改进前YOLOX与DeepSORT简单结合的算法相比,在YOLOX中引入ECA模块与ASFF模块使误检数量大幅降低,使用YOLOX-s模型时降幅可达17%;结合OSNet模型与NSA卡尔曼滤波的特征提取方法能提高跟踪稳定性,IDF1指标提高0.77%,IDSW减少947;基于检测置信度与轨迹状态的多级数据关联算法可以明显改善跟踪性能,MOTA指标提升3.36%。算法最终在MOT17与MOT20测试集上的MOTA达80.4%与77.7%,IDF1达78.4%与76.7%。提出的行人多目标跟踪方法相较于其他先进算法在跟踪精度与跟踪速度上达到更好的平衡,可为工业上在线行人多目标跟踪应用提供参考。

Managing Data-Objects in Dynamically Reconfigurable Caches

The widening gap between processor and memory speeds makes cache an important issue in the computer system design. Compared with work set of programs, cache resource is often rare. Therefore, it is very important for a computer system to use cache efficiently. Toward a dynamically reconfigurable cache proposed recently, DOOC （Data- Object Oriented Cache）, this paper proposes a quantitative framework for analyzing the cache requirement of data-objects, which includes cache capacity, block size, associativity and coherence protocol. And a kind of graph coloring algorithm dealing with the competition between data-objects in the DOOC is proposed as well. Finally, we apply our approaches to the compiler management of DOOC. We test our approaches on both a single-core platform and a four-core platform. Compared with the traditional caches, the DOOC in both platforms achieves an average reduction of 44.98% and 49.69% in miss rate respectively. And its performance is very close to the ideal optimal cache.

融合分类校正与样本扩增的小样本目标检测

现有小样本目标检测方法在扩增样本时往往存在数据分布偏移问题,同时分类任务性能容易受定位任务影响。针对上述问题,提出一种新的小样本目标检测算法。该算法在Faster R-CNN框架基础上引入分类校正模块(CCB)、样本扩增模块(SAB)和梯度限制层(GCL)改善性能。CCB使用离线的强分类网络对检测器最终结果进行校正;SAB在特征域利用基类样本信息修正新类样本分布,从而在修正的分布中进行采样完成新类样本扩增;在梯度反向传播中通过GCL限制主干网络接收的基类和新类信息。在PASCAL VOC和COCO数据集上的实验结果表明,相较于目前已知的最新算法结果,提出的小样本目标检测算法在样本数量很小的情况下提升了检测效果,在公共数据集PASCAL VOC上最高提升可以达到5.1%,更难的数据集COCO上最高提升可达到1.9%,同时拥有很好的鲁棒性和泛化能力。

改进Hybrid-Task-Cascade的染色体分割研究

针对人工分割染色体图像中的实例存在耗时长,精度不佳等问题,提出一种基于改进Hybrid Task Cascade模型的染色体实例分割方法。首先,提出基于实例操作的染色体增强策略,以扩充量少且信息不丰富的染色体数据集。然后使用PAFPN代替Hybrid Task Cascade中的特征金字塔模块,保留浅层特征信息,提高定位和分割染色体实例的准确度。针对重叠的染色体簇引入Soft-NMS方法改进候选框的筛选,保留更多的染色体包围框。最后,将测试集的结果与其它模型进行对比,采用平均准确率(mean average precision, mAP)、AP50和AP75评估模型定位和分割性能,通过对自采集的染色体图像进行评估验证,其包围框定位平均准确率和分割平均准确率分别达到了80.53%和77.55%。实验表明,上述方法在染色体图像数据集上具有较好的分割效果。

基于程序依赖关系的变异体生成策略

针对数量庞大的变异体导致高昂变异测试代价的问题,提出一种基于程序依赖关系的变异体生成(PDMG)策略,选择满足一定约束条件的变异实施对象用于变异体生成。首先,基于数据依赖和控制依赖生成程序依赖图;其次,基于变异对象选择策略和程序依赖图选择被依赖语句作为变异对象;最后,对选择的变异对象注入变异算子生成变异体。将所提策略用于8个基准测试程序的变异测试。实验结果表明,与随机选择(RS)和变异算子选择(MOS)策略相比,PDMG策略在不降低变异测试有效性的前提下,平均减少了52.20%的变异体,提高了变异测试的执行效率。

多目标跟踪中基于次模优化的轨迹片段生成方法

作为智能视觉任务的基础工作,多目标跟踪(MOT)一直是计算机视觉领域具有挑战性的课题之一。遮挡是影响跟踪准确性的主要因素,为此该文采用基于检测跟踪的思想,以轨迹片段为基础进行关联获取目标的完整轨迹;同时,为提高跟踪鲁棒性,该文将轨迹片段的生成问题转化为运筹学中的设施选址问题,并进而提出基于次模优化的轨迹片段生成方法。该方法融合梯度(HOG)和颜色(CN)两个互补特征进行目标表征,并根据运动信息设计权重系数提高目标匹配准确度,最后提出具有约束的次模最大化算法实现全局范围内的数据关联生成轨迹片段。通过在多个基准数据集上的对比实验,表明该文算法在保证性能的同时能有效处理遮挡问题。

大数据的6种地理学应用范式

随着大数据时代的来临,多源大数据正在兴起,数据驱动研究范式与地理学日益融合。基于个体行为的地理空间大数据可提供对海量个体行为模式的观察,从而实现“由人及地”的社会感知,支持城市管理、交通、公共卫生等不同应用。本文从应用角度,以地理空间大数据为重点,梳理其支持的6种应用范式,按照层次从低到高依次为描述时空分布、识别异常对象、发现普适规律、揭示关联关系、预测未来趋势及优化空间决策。其中,第1个方向是对地理现象和地理要素时空特征的简单刻画;第2~4个方向则注重探寻时空分布特征背后的规律和机理;最后两项,则是在决策层面提供支持。继而,本文指出大数据应用中数据获取、分析方法和应用目标3方面的问题。

基于数字孪生的加工生产线虚实交互技术研究

针对传统加工生产线运行过程中设备数据采集困难和可视化程度低的问题,研究了数字孪生(DT)技术在加工生产线虚实交互方面的应用问题。首先,以某电机外壳加工生产线为例,分析了生产线的加工流程,设计了虚实交互技术的总体框架,并提出了具体的方法;然后,对加工生产线进行了数字孪生体建模,对模型中的关键要素,几何、物理、行为属性及通讯接口的构建进行了详细的阐述;最后,采用过程控制的对象链接和嵌入(OPC)技术进行了加工生产线中多源异构数据的采集与处理,完成了实时数据间的映射。研究结果表明:采用虚实交互技术可以完成物理生产线与数字孪生体间的实时映射;电机外壳加工生产线中机械臂虚实交互的可靠性为99.95%,可满足精确性要求;采用服务模块能够更加直观、有效地反映生产线的实际加工状态,可满足加工过程信息动态可视化要求,证明了该方案具有可行性和有效性。

基于深度学习的移动机器人语义SLAM方法研究

为了给移动机器人提供细节丰富的三维语义地图,支撑机器人的精准定位,本文提出一种结合RGB-D信息与深度学习结果的机器人语义同步定位与建图方法。改进了ORB-SLAM2算法的框架,提出一种可以构建稠密点云地图的视觉同步定位与建图系统;将深度学习的目标检测算法YOLO v5与视觉同步定位与建图系统融合,反映射为三维点云语义标签,结合点云分割完成数据关联和物体模型更新,并用八叉树的地图形式存储地图信息;基于移动机器人平台,在实验室环境下开展移动机器人三维语义同步定位与建图实验,实验结果验证了本文语义同步定位与建图算法的语义信息映射、点云分割与语义信息匹配以及三维语义地图构建的有效性。

融合多源地理数据与高分辨率遥感影像的尾矿库识别与监测——以云南省个旧市为例

尾矿库是具有高势能的重大危险源,对尾矿库空间范围开展快速识别与监测,及时掌握尾矿库数量及分布情况,对我国尾矿库的环境监管与治理具有重要意义。现有单纯基于遥感影像识别提取的思路,因缺乏尾矿库潜在目标针对性,易将裸露地表等混淆为尾矿库,给实际的尾矿库监测应用带来较大误差。为此,提出一种融合企业名录与空间分布点位、数字高程模型(digital elevation model,DEM)、道路网等多源地理数据与高分遥感影像的尾矿库提取方法。以云南省个旧市为研究区的应用验证结果表明:融合多源地理数据可有效排除不存在尾矿库的干扰区域,尾矿库提取结果的精确率和召回率分别为83.9%和72.4%。该技术方案在全国尺度的尾矿库高频次、自动化遥感监测中具有广阔的应用前景。

基于改进CStrack关联策略的多目标跟踪算法

针对复杂场景下目标外观变化明显、运动不规律易导致轨迹中断和身份切换频繁等问题,从重识别(Re-Identification,Re-ID)特征、数据关联和插值等方面对跟踪器进行改进,提出基于改进CStrack关联策略的多目标跟踪算法。使用外观特征更新模块,减小因视角改变、目标移动导致特征剧烈变化而产生的影响,增强特征间的关联。提出二次关联方法,根据高低置信度检测结果的特点,使用不同的度量方式进行二次关联:第一次关联使用IoU距离融合外观特征作为关联的代价矩阵,第二次使用扩展IoU关联,缓解运动估计偏差、外观不可区分导致度量失效的问题;采用高斯回归算法,考虑运动信息,通过插值补偿漏检。在MOT17、MOT20数据集上进行测试,跟踪精度分别达到73.9%、64.2%。实验结果表明,该方法在跟踪精度上有明显优势,能够较好地适应复杂场景。

特异小样本工业产品表面缺陷检测方法研究

基于机器视觉的工业产品表面缺陷检测设备和系统大量应用在工业制造领域,目前其难点在于工业检测数据的采集,由于训练样本缺失导致深度学习网络模型无法有效训练.为解决上述问题,首先,提出一种基于不规则掩码的伤痕样本生成算法,改善了钢板表面缺陷检测任务中特异小样本数据集正负样本不均衡的情况;然后,在YOLOv8主干网络引入MHSA多头自注意力,提高对钢板表面缺陷的关注度;最后,使用SIoU替换原损失函数,增强网络模型的定位能力,提高检测的准确性.基于热轧钢板表面缺陷检测问题的实验结果表明,该方法能够有效解决特异小样本工业探伤的具体问题.

绩效目标分层管理模式在医疗设备采购过程管理中的价值研究

目的:构建绩效目标分层管理模型,探讨其在医疗设备采购过程管理中的应用价值。方法:从医疗设备采购申报层、过程层、使用层和处置层筛选采购绩效评价指标,采用熵权法和数据包络分析(DEA)法制定综合评价模型,形成人员、制度、数据和设备层面的过程管理方案。选取2019—2022年北京佑安医院采购的717台医疗设备,根据绩效目标评价方法不同分别采用传统管理模式(348台)和分层管理模式(369台)管理,对比不同管理模式下医疗设备采购的绩效目标完成度、采购过程管理质量和临床配置管理满意度。结果:采用分层管理模式的369台设备包括手术室设备、实验室设备、住院治疗设备、消毒供应设备及其他医疗设备,其采购的绩效目标完成度分别为(96.10±3.46)%、(96.76±2.65)%、(95.59±2.52)%、(96.06±2.34)%和(96.88±1.75)%,均高于传统管理模式,差异有统计学意义(t=2.663、2.801、2.858、4.111、3.548,P<0.05);采用分层管理模式的医疗设备采购申报层、过程层、使用层和处置层的综合评价DEA有效率分别为96.7%、98.6%、94.6%和99.7%,均高于传统管理模式,差异有统计学意义(χ^(2)=10.983、9.327、7.270、12.309,P<0.05);临床科室使用管理人员对采用分层管理模式的设备采购和使用平均满意度分别为(95.82±2.83)%和(97.25±1.96)%,均高于传统管理模式,差异有统计学意义(t=5.575、5.248,P<0.05)。结论:分层管理模式能够有效落实医疗设备采购绩效目标,提高医疗设备采购过程管理质量,提升采购后配置临床科室使用和管理人员满意度,保障设备运行质量。

基于虚拟数据和旋转目标检测分析的大豆豆荚表型参数测量方法

为解决传统大豆考种过程中人工测量大豆豆荚表型参数耗时费力的问题以及现有的自动化测量方式存在的人工数据标注需求量大、环境适应能力弱、计算代价高等问题,本研究提出一种基于虚拟数据集生成和旋转目标检测分析的豆荚关键表型参数自动化测量方法,重点关注荚长和荚宽的测量。该方法基于YOLOv7-tiny提出一种改进的豆荚检测模型(CSL-YOLOv7-tiny),通过引入环形平滑标签使模型获得对旋转目标的检测能力,提升对无序摆放的狭长豆荚目标检测的质量。为避免人工标注训练数据,采用虚拟图像生成方法得到含标注信息的虚拟豆荚数据集和虚拟硬币与豆荚混合数据集。利用迁移学习策略,将模型从虚拟豆荚数据集迁移至虚拟硬币与豆荚混合数据集,积累模型对豆荚特征的提取能力。设计一种基于K-均值聚类的后处理方法,对检测到的旋转边界框进行分析,得到荚长和荚宽,以减少拍摄环境差异带来的测量误差。试验结果表明,在无任何训练数据标注的条件下,使用虚拟图像训练的CSL-YOLOv7-tiny对硬币和豆荚目标检测的最优mAP_(0.50)和mAP_(0.50∶0.95)分别达到了99.3%和78.0%,其模型大小和推理时间分别仅为12.92 MB和12.5 ms,荚长和荚宽测量的决定系数(R^(2))分别达到了0.94和0.86,与实际测量均值分别仅相差0.42 mm和0.02 mm。此外,通过对本研究提出的方法进行对比分析,验证了其在模型训练、轻量化部署以及不同考种环境适应能力上的优势。研究结果可为大豆豆荚表型参数的自动化、智能化测量系统的研发提供参考,为加速优质高产大豆的选育进程提供支撑。

乳腺钼靶肿块自监督预训练迁移检测方法研究

借助深度学习技术在乳腺钼靶领域辅助医生进行乳腺癌诊断在当下已经成为很多研究关注的热点,诊断技术主要包括良恶性分类、病灶区域检测以及病灶区域分割等。由于深度学习训练的模型性能很大程度上依赖于大量的带有标注的数据,而医学图像数据集往往存在数据量少、标注成本昂贵以及公开数据集标注质量差等现象,所以在医学图像领域应用深度学习技术具有重重困难。为使基于深度学习的乳腺钼靶计算机辅助诊断技术的开发不受限于大量有标注的数据,提出一种适用于钼靶自监督目标检测方法来完成乳腺钼靶肿块检测任务,利用大量来自肿瘤医院的数据预训练,并在公开数据集DDSM上进行微调与测试。实验结果表明,提出模型在乳腺钼靶肿块检测任务中表现优异,并且不依赖于位置标签,具有重要的研究价值与应用前景。

基于改进数据关联的三维多目标跟踪算法

针对传统三维多目标跟踪算法在复杂场景中出现的误关联、跟踪中断、适应性差等问题,在数据关联阶段进行了相应改进,提出了一种基于加权聚合关联代价和目标预测置信度的多目标跟踪算法。首先,结合目标的位置、外观、方向特征计算加权聚合关联代价以度量目标之间的差异性。然后,在关联代价矩阵中引入预测置信度的相关概念,并依据该置信度调整丢失目标的关联搜索域。最后,使用卡尔曼滤波器进行目标运动状态以及预测置信度的更新。在实测数据上的实验结果表明,所提出的算法能够提高点云遮挡、轨迹交叉情况下的跟踪正确率,在MOTA上达到了73.6%。