基于神经网络的HEVC帧内预测组合快速算法

为了提升高效视频编码(High Efficiency Video Coding,HEVC)帧内编码的实时性能,本文提出的方法利用了引入偶数边长与步长的卷积核以及自注意力机制的轻量级卷积网络来预测编码树单元(Coding Tree Unit,CTU)的帧内划分结构,从而减少了编码器对CTU进行四叉树递归遍历划分的编码时间。原始编码策略中粗模式决策通过基于残差经哈德曼变换的预测残差绝对值总和(Sum of Absolute Transformed Difference,SATD)的损失值来估计率失真优化过程中的率失真损失值来进行加速,但仍会耗费一定的编码时间。提出一种方法通过采样搜索的方式减少粗模式决策过程中计算的模式数,从35种模式降低到了18种模式,降低了粗模式决策过程中计算估计损失值的时间。由粗模式决策过程得到的较优的多个候选帧内模式来进行率失真优化,为了缩减粗模式决策需要计算的候选模式数,在候选模式列表中根据前后帧内预测角度模式的估计损失值的差距来筛选掉部分可能性较低的候选模式实现早停止决策,从而减少需要进行率失真优化的候选模式数量,进而减少率失真优化过程的计算时间。本文提出的算法在测试序列上平均实现78.15%的编码时间缩减,BD-PSNR为-0.168 d B,BD-RATE为3.49%。

光互连数据中心网络架构与业务路由技术研究

【目的】目前已提出的数据中心光互连网络结构中,大多将光网络用于交换机间的机架间通信,而机架内服务器之间的通信则通过电以太网交换机实现。由于电以太网交换机功率较大且数量众多,目前所提出的数据中心光互连网络存在能耗高、带宽低和分组时延大等问题。为了进一步改善数据中心光互连网络的性能,文章提出了一种基于可重排无阻塞三级Clos网络的机架内光互连网络结构。【方法】在此结构中,机架内服务器通过1个三级Clos网络实现相互连接,同时结合文章所提的多波长路由算法可实现机架内服务器间的无阻塞通信。【结果】文章使用OMNET++软件进行了仿真验证,结果显示,文章所提结构的吞吐量在同等条件下比传统机架内电交换提高20%,端到端平均时延减少90%,能耗减少67%。【结论】通过仿真对比可知,文章所提结构可以改善数据中心光互连网络的带宽利用、分组时延及能耗等性能。

一种基于编码单元快速划分的VVC帧内编码方法

相比于高效视频编码(high efficiency video coding,HEVC)标准,新一代编码标准多功能视频编码(versatile video coding,VVC)引入了很多新的技术,其中包括四叉树(quadtree,QT)和多类型树(multi-type tree,MTT)划分,MTT划分由HEVC中的QT划分延伸而来。新划分方法提高了压缩效率,但导致编码时间急剧增加。为了降低编码复杂度,提出了一种结合深度学习方法和MTT方向早期判决的快速帧内编码算法。首先使用轻量级的卷积神经网络(convolutional neural network,CNN)对QT和部分MTT进行预测划分,其余MTT则采用提前预测MTT划分方向的方法作进一步的优化。实验结果表明,所提方法能够大幅降低编码复杂度,相比于原始编码器的编码时间减少了74.3%,且只有3.3%的码率损失,性能优于对比的方法。

一种快速的多尺度多输入编码树单元互补分类网络

深度神经网络(DNN)已被广泛应用到高效视频编码(HEVC)编码树单元(CTU)的深度划分中,显著降低了编码复杂度。然而现有的基于DNN的CTU深度划分方法却忽略了不同尺度编码单元(CU)间的特征相关性和存在着分类错误累积等缺陷。基于此,该文提出一种多尺度多输入的互补分类网络(MCCN)来实现更高效且更准确的HEVC帧内CTU深度划分。首先,提出一种多尺度多输入的卷积神经网络(MMCNN),通过融合不同尺度CU的特征来建立CU间的关联,进一步提升网络的表达能力。然后,提出一种互补的分类策略(CCS),通过结合二分类和三分类,并采用投票机制来决定CTU中每个CU的最终深度值,有效避免了现有方法中存在的错误累积效应,实现了更准确的CTU深度划分。大量的实验结果表明,该文所提MCCN能够更大程度降低HEVC编码的复杂度,同时实现更准确的CTU深度划分:仅以增加3.18%的平均增量比特率(BD-BR)为代价,降低了71.49%的平均编码复杂度。同时,预测32×32 CU和16×16 CU的深度准确率分别提升了0.65%~0.93%和2.14%~9.27%。

计及分布式光伏和储能主动支撑的配电网日前日内协调优化运行策略

为充分挖掘分布式光伏与储能对配电网的主动支撑能力,提高配电网运行效益与供电质量,提出计及分布式光伏和储能主动支撑的配电网日前日内协调优化运行策略。考虑到光伏和负荷预测误差所带来的调度成本风险,采用条件风险价值的方法对其进行量化。日前优化模型以配电网运行成本与成本风险最小为优化目标,制定日前优化方案,为日内优化提供参考;日内优化模型对分布式光伏与储能的有功无功功率进行调度,以加权电压偏差、线路损耗、储能有功功率偏差最小为优化目标,在提升配电网供电质量的同时保证日内运行的经济性。将所提出的模型转化成便于求解的二阶锥规划模型,采用IEEE 33节点算例对所提出的策略进行验证。算例结果表明,所提出的日前日内协调优化策略充分挖掘了分布式光伏与储能的主动支撑能力,有效降低了配电网的运行成本,并对电压越限问题有明显的缓解作用。

基于关键区域特征提取与二阶段分类网络的场景识别方法

在场景识别任务中,存在异类场景包含高相似度的物品种类或同类场景空间布局差异过大的情况,即场景的类间相似性与类内差异性。现有方法通过增强数据集或利用多层次的信息互补提高分类器的判别能力,尽管性能得到了一定提升,但仍存在局限性。文中提出了关键区域特征提取(Discriminative Patch Extraction,DPE)以及二阶段分类(Two-Stage Classification,TSC)网络的方法来克服场景的类间相似性与类内差异性。关键区域提取通过保留图像中的关键信息区域来避免类内差异性对场景识别的影响,而二阶段分类网络则通过粗细两个阶段的训练来避免类间相似性对场景识别的影响。文中方法结合ViT(Vision Transformer)等基线网络,在经典场景识别数据集Scene15、MITindoor67和SUN397上的分类精度分别达到了96.9%、88.4%以及76.0%。所提方法在最大规模的场景识别数据集Places365上取得了60.5%的最高分类精度。

面向H.266/VVC的R-λ帧内码率控制算法

在R-λ帧内码控中,提出基于卷积神经网络(Convolutional Neural Networks,CNN)的最佳比特分配和最优拉格朗日因子λ选择。首先,探索编码树单元(Coding Tree Unit,CTU)的码率与失真(Rate-Distortion,R-D)及码率与拉格朗日因子λ(Rate-λ,R-λ)的关系特性,设计具有四输出的CNN预测R-D和R-λ曲线的关键参数;然后,建立帧级λ和目标码率的优化方程,反演得到最佳CTU码率分配;最后,根据CTU码率分配和先知的R-λ曲线,得到最优CTU级λ。实验表明,算法在保持4.76%控制精度下,比VTM13.0默认码控算法提高0.31 dB的编码质量。

全局跨层交互网络学习细粒度图像特征表示

细粒度图像分类中的关键任务是提取极具鉴别性的特征。在以往的模型中,往往采用双线性池化技术及其变种来解决这个问题。然而,大多数双线性池化及其变体会忽略层内或层间特征交互,这种不充分的交互易导致鉴别信息丢失或使鉴别信息包含过多冗余信息。针对上述问题,设计一种新的学习细粒度图像特征及特征表示的方法——全局跨层交互(GCI)网络。提出的分层双三次池化方法具有平衡提取鉴别信息和过滤冗余信息能力,并能同时建模层内和层间的特征交互。进一步分析层间交互计算结构,发现易于将交互计算结构与现有的通道注意力机制结合形成交互注意力机制,以提升骨干网络的关键特征提取能力。最后,将交互注意力机制构成的特征提取网络与双三次池化方法融合得到GCI,用来提取鲁棒的细粒度图像特征表示。在3个细粒度基准数据集上进行实验,实验结果表明分层双三次池化实现了分层交互池化框架中最优效果,即在CUB-200-2011、Stanford-Cars、FGVC-Aircraft上分别达到了87.4%、93.2%和92.1%的分类精度,将交互注意力机制融入后分类精度进一步提升至88.5%、95.1%和93.9%。

基于帧内-帧间自融合的双流泛化人脸伪造检测方法

现有人脸伪造检测方法往往在已知伪造类型上表现良好,但面对未知数据时检测性能有所下降,模型易受到过拟合的影响,检测泛化性不足。针对此问题,提出一种基于帧内-帧间自融合的双流泛化人脸伪造检测方法,从数据增强和检测器改进2个方面提高检测泛化性。设计帧内-帧间自融合模块,分别利用同帧人脸、帧间人脸进行数据增强:帧内自融合子模块利用同帧人脸生成训练数据,从而避免人脸图像身份信息干扰;帧间自融合子模块利用伪造视频的帧间不一致性,进一步构造多样性丰富、逼真的训练数据集,从而有效防止模型的过拟合,确保检测模型的泛化能力。此外,设计基于通道注意力机制的双流特征融合网络,在网络的浅层提取RGB特征、高频特征并进行融合来挖掘伪造信息,在提升模型性能的同时缓解网络的参数增长。将模型在4个数据集上与9种主流检测方法进行对比实验,结果表明:在跨数据集实验中,所提方法较次优方法AUC均值提高1.52个百分点,EER均值降低1.5个百分点;在跨伪造方法实验中,所提方法在4种伪造方法子数据集上均取得最优或次优效果。实验结果验证了该方法优秀的泛化能力。

基于特征筛选的综合能源系统多元负荷日前-日内预测

负荷预测是指导综合能源系统调度与运行的前提。为更加经济高效地实施系统日前计划、日内优化,提出一种基于特征筛选的多元负荷日前-日内预测方法。首先,结合特征工程中3类特征筛选方法筛选预测模型输入特征,简化模型的同时能够保存下最重要的特征,针对日前-日内预测策略分别确立输入特征集;然后通过多任务学习硬共享机制,采用长短期记忆神经网络建立预测模型,实现不同子任务信息共享,并通过随机搜索方法优化网络参数以提高预测精度;最后以北京某产业园区供暖季电、热负荷为案例进行分析,日前、日内预测综合精度分别达到91.3%和95.2%。分析结果表明,该预测方法能够为系统日前调度和日内运行优化提供良好支撑,且预测结果优于未经特征筛选预测和单独负荷预测,证明了该预测方法具有更高的预测精度。

组织内合作网络与超越追赶阶段企业创新绩效——组织间合作网络的调节作用

合作网络对创新绩效的意义已得到广泛论证,但同时考虑组织内、外部合作网络的研究相对匮乏,更鲜有文献考虑超越追赶阶段的特殊情境。基于2014—2019年国内34家超越追赶阶段后发科技企业专利数据,采用负二项回归分析方法探索组织内合作网络密度、网络规模与超越追赶阶段后发企业创新绩效的关系,以及组织间合作网络密度与网络规模对两者关系的调节作用。结果表明:组织内合作网络密度越大,企业创新绩效越低;组织内合作网络规模越大,企业创新绩效越高。进一步研究表明,组织间合作网络密度强化组织内合作网络密度对创新绩效的负向影响,而组织间合作网络密度和网络规模会削弱组织内合作网络规模对创新绩效的正向影响。

车联网安全研究综述:威胁、对策与未来展望

车联网(Internet of vehicle,IoV)作为一个支撑交通管理、信息服务、车辆控制等各类功能的集成网络,为车、路、人、云等不同实体提供信息服务,为道路安全和交通效率带来的极大帮助.然而,庞大而复杂的网络架构也曝露了大量的攻击面,进而可能造成车辆失窃、信息泄露、驾驶故障等安全事故.在深入总结现有车联网安全相关文献的基础上,将车联网架构分为了车内网和车外网2部分,再进一步细粒度地将车内网划分为固件层、车内通信层和应用决策层3个层级,将车外网划分为设备层、车外通信层和应用与数据层3个层级.然后,基于该架构系统性地分析总结了每个层级目前所面临的攻击威胁,并且归纳比较了每层能够采取的安全对策.之后,针对性地介绍了当前车联网安全关键技术.最后,展望了车联网安全未来的研究方向.

面向多目标的一体化融合网络体系结构

随着网络空间重要性日益增强,其涵盖范畴也在不断延展.除了传统互联网支持全球网络空间互联互通之外,还存在不同形式的有限域网络,例如空间卫星网络、工业互联网、数据中心网络等.这些有限域网络具有多样化的终端类型、接入方式、拓扑结构和业务场景,而传统互联网体系结构所采用的协议、传输格式和转发方式无法满足这些异构网络高效的互联互通发展需求.因此,实现互联网、空间卫星网络、工业互联网、高性能数据中心网络等异构网络的一体化融合是势在必行的发展趋势.本文针对一体化融合网络所面临的规模可扩展性和实时性两大挑战,采用演进创新的研究思路,设计了一种分域自治、可扩展的一体化融合网络体系结构,实现了域间协同和域内自治的大规模可扩展的架构,并通过富语义的层间接口支撑差异化业务跨域传输的服务质量需求.

胃癌根治术患者腹腔感染危险因素的贝叶斯网络模型分析

目的 探讨胃癌根治术患者腹腔感染的主要危险因素及感染组病原菌分布情况,利用贝叶斯网络模型揭示腹腔感染影响因素的网络关系及影响程度。方法 回顾性收集2015年1月—2021年3月青海省某三甲医院行胃癌根治术患者的病例资料。首先对胃癌根治术患者腹腔感染相关数据进行单因素分析,利用多因素logisitic回归筛选出独立的危险因素,之后采用MMHC算法构建贝叶斯网络模型。结果 共计纳入胃癌根治术患者1 448例,发生腹腔感染169例,腹腔感染发生率为11.67%;胃癌根治术患者发生腹腔感染会延长患者住院时间;多因素logistic回归模型筛选出5个危险因素,分别为年龄、吸烟史、脉管侵犯、手术时长(≥240 min)、引流管数(≥2根);将logistic回归结果当中的5个危险因素纳入到贝叶斯网络模型当中,结果显示与腹腔感染直接相关的因素为年龄、手术时长、留置引流管数、脉管侵犯;高龄、留置较多引流管且脉管侵犯伴较长手术时间胃癌患者根治术后腹腔感染风险最高达0.462。感染组共培养出115株病原菌,其中革兰阴性菌68株(59.13%),病原菌主要为大肠埃希菌31株(26.96%)、肺炎克雷伯菌11株(9.57%)、铜绿假单胞菌10株(8.70%)、表皮葡萄球菌12株(10.43%)、屎肠球菌13株(11.30%)等。结论 胃癌根治术患者腹腔感染主要的危险因素为高龄、吸烟史、脉管侵犯、较长手术时间、留置较多引流管,贝叶斯网络模型在胃癌根治术患者腹腔感染危险因素研究中具有较好运用前景。

考虑碳交易收益和网损成本的发电权交易优化模型

随着“双碳”目标的提出,亟需完成电源结构调整和降耗减排的任务。提出一种考虑碳交易收益和网损成本的含新能源系统发电权交易优化模型,以推动各类发电厂商积极参与发电权交易。采用发电权日内多边协商交易模式,在降低交易偏差的同时提升交易效率并扩大规模;融合碳交易机制,构建风火、光火和火火多种发电权交易结构,充分挖掘各机组的减排潜力;基于功率分量理论计算交易前、后网损成本的变化,为网损费用的控制和结算问题的解决提供参考;以多边协商交易后综合收益最优为目标函数,考虑出力特性、系统安全等约束条件,建立日内发电权交易电量优化模型。改进的IEEE39节点系统仿真结果验证了所提模型的有效性。

基于T-CNN的3D-HEVC深度图帧内快速编码算法

3D-HEVC标准中引入了具有大面积平坦区域、陡峭边缘和低纹理复杂度特性的深度图。针对深度图编码过程中编码单元(CU)率失真优化导致编码复杂度过高这一问题,本文在分析深度图编码所具有的特点的基础上,构建了深度图划分深度数据集,并提出了一种基于两通道特征传递卷积神经网络(T-CNN)的划分深度预测算法。使用本文提出的算法替换原始编码器中各视点下深度图CU划分模块,可以在一定的率失真性能损失下,将原始HTM-16.0编码器编码时间平均减少76%左右,编码效率得到了显著提升。

基于深度高斯过程回归的术中失血量和血红蛋白损失量估计

动态、准确地估计失血量对围手术期管理非常重要,但测量术中失血量是一项困难的任务,特别是当血液被医用纱布吸收时。针对上述情况,以浸血医用纱布图像为研究对象,提出一种基于密集连接卷积网络(DenseNet)的深度多任务高斯过程回归(DMGPR)方法,以估计术中失血量和血红蛋白(Hb)损失量。DMGPR方法包括两部分:用于自动特征提取的密集连接卷积网络(DenseNet)和用于失血量及Hb损失量估计的多任务高斯回归过程(MGPR)。在手术室正常光照条件下,采集了569张浸血纱布图像,并对这些图像进行在线扩充,构建实验数据集。以决定系数(R2)、均方误差(MSE)和平均绝对误差(MAE)为性能指标,对DMGPR方法进行评估和对比。在失血量估计方面,DMGPR方法的R2、MSE和MAE分别为0.971、0.080和0.151;而在Hb损失量估计方面,DMGPR方法的相应结果分别为0.950、0.217和0.292。实验结果表明,DMGPR可以动态、准确地估计术中失血量和Hb损失量,并且比其他对比方法具有更好的性能,更适合于主要使用医用纱布和小到中度失血的手术。

基于CNN的λ域帧内码控最佳码率分配算法

在λ域帧内码控中,提出一种基于卷积神经网络(Convolutional Neural Network,CNN)的帧内码控最佳码率分配算法。首先利用双曲线函数拟合编码树单元(Coding Tree Unit,CTU)的率失真(Rate Distortion,RD)特性。设计双分支卷积神经网络(Dual-Branch Convolutional Neural Network,DBCNN)预测率失真关键参数。然后根据帧级率失真优化(Rate Distortion Optimization,RDO),建立帧级目标码率与CTU码率分配等式关系,推导帧级拉格朗日参数λ。最后反演出最佳CTU码率分配。实验表明,该算法能够显著提高帧内码控编码性能,并具有较高码控精度。

基于多尺度一维卷积神经网络的雷达辐射源脉内调制类型分类方法

雷达辐射源脉内调制类型是分析雷达系统的关键性特征信息,对脉内调制类型的正确分类有助于分析目标雷达的功能,为己方提供有效的信息支撑与帮助。针对目前脉内调制类型多样复杂的特点,提出了一种基于多尺度一维卷积神经网络的雷达辐射源脉内调制类型分类方法。该方法在数据预处理阶段仅包括序列的零填充、快速傅里叶变换和取模值与幅度归一化,与基于时频变换的方法相比,实时性更高。同时多尺度一维卷积神经网络相比单一尺度的卷积神经网络,能进一步提升雷达辐射源脉内调制类型分类的平均正确率。实验仿真了8种不同脉内调制类型的雷达辐射源信号,其中信噪比(Signal-Noise Ratio,SNR)范围为-14~0 dB,并使用所提出的多尺度一维卷积神经网络和对比算法进行分类。实验表明,提出的多尺度一维卷积神经网络对8种不同的雷达辐射源脉内调制类型的分类效果良好,全局平均正确率达到95.92%,同时在SNR为-10 dB的条件下,分类正确率均优于91%。

电力系统多模态数据融合模式及关键技术问题

在能源转型和信息化建设背景下,电力系统中的多模态数据是客观存在,多模态数据融合是推进多种异质网络协同分析、电网可观可控的有效途径。基于此,首先对电力系统多模态数据及多模态数据融合进行剖析,给出了包含网内和网间融合的多模态数据融合体系,并分别对2类融合的融合模式进行了划分;然后,结合研究现状对网内和网间融合存在的关键问题进行总结,给出了相应的技术解决路线;最后,从概念、融合模式和关键技术问题以及解决思路3个方面对电力系统多模态数据融合进行了总结。