“双一流”高校图书馆轻量级微服务发展策略研究——以微信小程序为例

文章以微信小程序作为“双一流”高校图书馆开展轻量级微服务的切入点进行调研,分别从微信小程序的功能建设、服务方式、运行状态三个方面对其发展现状进行阐述,进而发现“双一流”高校图书馆微信小程序存在维护不足、服务质量参差不齐、竞争压力较大的问题,并为“双一流”高校图书馆小程序的进一步发展提出了相应的参考意见和建议,以帮助高校图书馆通过小程序构建自身的轻量级服务体系。

融合Transformer和CNN的轻量级人脸识别算法

随着深度学习的发展,卷积神经网络通过堆叠卷积层逐步扩大感受野以融合局部特征的方式已经成为人脸识别(FR)的主流方法,但这种方法存在因忽略人脸全局语义信息和缺乏对人脸重点特征信息的关注造成识别准确率不高,以及大参数量层数的堆叠导致网络难以部署于资源受限设备的问题。因此提出一种融合Transformer和CNN的极其轻量级FR算法gcsamTfaceNet。使用深度可分离卷积构建主干网络以降低算法的参数量;引入通道-空间注意力机制,从通道和空间两个域最优化选择特征以提高对人脸重点区域的关注度;在此基础上,融合Transformer模块以捕获特征图的全局语义信息,克服卷积神经网络在长距离语义依赖性建模方面的局限性,提高算法的全局特征感知能力。参数量仅为6.5×10^(5)的gcsamTfaceNet在9个验证集(LFW、CA-LFW、CP-LFW、CFP-FP、CFP-FF、AgeDB-30、VGG2-FP、IJB-B以及IJB-C)上实验评估,分别取得99.67%、95.60%、89.32%、93.67%、99.65%、96.35%、93.36%、89.43%和91.38%的平均准确率,达到参数量和性能之间较好的权衡。

基于三重注意力的轻量级YOLOv8印刷电路板缺陷检测算法

在全球产业中,印刷电路板的生产和应用持续增长,已经成为各种电子设备的核心组成部分。由于缺陷尺度较小的问题以及检测模型轻便嵌入便携式设备的需求,印刷电路板图像的自动缺陷检测是一项具有挑战性的任务。为了满足智能制造和使用中对高质量印刷电路板产品日益增长的需求,提出一种基于YOLOv8的印刷电路板缺陷检测改进方法。首先,采用轻量级网络MobileViT作为主干网络,减小模型体积和计算量。其次,引入Triplet Attention模块,增强张量中不同维度间特征的捕捉能力。最后,将边界框损失函数替换为LMPDIoU,直接最小化预测框与实际标注框之间的左上角和右下角点距离。实验表明:改进后的检测模型能够在拥有极小参数量的同时保证小尺寸缺陷检测精度较高,模型参数量降低率为89.38%,满足轻便嵌入便携式检测设备和计算机资源受限的场景应用,证实了在印刷电路板缺陷检测领域具有良好的应用前景。

轻量级密码Pyjamask和SUNDAE-GIFT的不可能统计故障分析

Pyjamask密码是2020年由Goudarzi等学者在国际对称密码学期刊中提出的密码算法,同时也是国际轻量级密码竞赛第二轮候选算法,旨在保护物联网中传感器、智能芯片和嵌入式设备的数据安全.本文结合Pyjamask密码的设计结构和实现特点,基于不可能关系策略和统计分析,提出适用于在唯密文环境下的不可能统计故障分析方法,并设计了 Wasserstein距离-汉明重量和Wasserstein距离-极大似然估计区分器.该分析方法分别仅需1024和1120个随机故障密文,即可在59.84ms和140.16ms内破译Pyjamask密码全部版本的128比特主密钥.并且,该方法和区分器均可用于认证加密算法SUNDAE-GIFT的分析中.不可能统计故障分析的攻击速度快,并且实现代价低,为轻量级密码的实现安全研究提供了有价值的参考.

基于轻量级卷积神经网络的羊绒羊毛识别方法

羊绒、羊毛纤维的形态和物理化学性质十分相似,2种纤维表面鳞片的纹理有所不同,鉴别二者的传统方法显微镜人工鉴别存在速度慢、识别率不高、人力成本高等弊端。针对该问题,文章提出了一种基于轻量级卷积神经网络MobileNetV3_small模型的纤维识别方法。实验发现:纤维图像中的鳞片纹理模式复杂度有限,轻量级网络能够有效地提取纤维图像中的视觉特征,并根据特征较好地识别出纤维的类别,实验中5种不同的纤维测试集识别率超过97.1%。与其他卷积神经网络相比,轻量级模型MobileNetV3_small速度更快,识别5000个样本只需13 s,适合于纤维商检中的快速检测。

一种轻量级多模态车辆轨迹预测算法

针对自动驾驶汽车车载嵌入式计算平台存储和计算资源有限、车辆未来轨迹具有不确定性、周围环境信息复杂多变的问题,提出了一种基于MobileNeXt搭建的轻量级多模态车辆轨迹预测算法(CAM-MobileNeXt)。首先,利用MobileNeXt轻量级框架,构建了参数量和计算量均较少的车辆轨迹预测模型;其次,通过将单模态轨迹预测调整为多模态轨迹预测,以预测目标车辆可能存在的多条未来轨迹;最后,引入注意力机制,使其具备从众多输入信息中筛选出重要信息的能力,从而高效分配有限的存储和计算资源。在L5级别自动驾驶车辆轨迹数据集Lyft上开展轨迹预测实验,结果表明:所提算法具备较低的参数量和计算量,预测性能优于Lyft基线方法ResNet50;与MobileNeXt相比,所提算法在Lyft数据集上的损失值降低了11.9%,最终位移误差降低了7.4%,平均位移误差降低了11.4%。所提算法适合部署在自动驾驶汽车的车载嵌入式计算平台上,在对自动驾驶汽车的周围车辆进行准确多模态轨迹预测,以保证自动驾驶汽车安全行驶方面具有良好的应用前景。

基于差异化能源大数据与敏感特征的轻量级共享数据加密方法

差异化大数据属性的路径密钥生成较为复杂,存在额外记录加密数据的行为,难以针对特定的敏感数据进行加密,导致整体开销较大。对此,基于差异化能源大数据与敏感特征,设计了一种轻量级共享数据加密方法。分析了能源大数据的差异化特征,建立同参数的无向图,通过顶点搜索法分类顶点权重值下的差异化特性,将其分离成为轻量级的数据形态,解析相应能源大数据的Raft共识机制。基于Raft共识机制,结合敏感特征测试代价矩阵,修正不同状态的能源大数据信息,针对性地定义共享能源大数据的加密密文格式,结合RSA(Rivest-Shamir-Adleman)算法,完成轻量级共享数据加密。实验结果表明,主动攻击数据、被动攻击数据、高级持续性威胁攻击数据、差分攻击数据、连接攻击数据的总体防御成功率较高,带宽开销与验证开销较小,满足了能源大数据安全保障需求。

GhostConv轻量级网络设计及故障诊断研究

提出一种GhostConv轻量级网络模型并将其用于故障诊断。GhostConv利用常规卷积生成一小部分特征图,然后在生成的特征图上进行多次特征提取来生成其余特征图,最大程度地节约了常规卷积中生成冗余特征图的成本,减少了模型参数,保证了模型的性能。采用连续小波变换对振动信号进行时频变换生成二维时频图,之后利用设计的GhostConv搭建轻量级网络模型进行故障诊断。采用凯斯西储大学轴承数据集进行验证,并与其他卷积结构网络模型进行参数量、计算量以及识别准确率的对比。实验结果表明,与其他模型相比,所使用的网络模型在参数量和计算量较少的条件下依旧有较高的识别精度,且具有较好的鲁棒性和泛化能力,具有一定的工程应用价值。

一种基于格的轻量级物联网群签密认证方案

5G时代为物联网高速发展带来了机遇,身份认证是保障物联网安全的基础。然而在面对量子攻击时,由于物联网节点众多,基于签密的身份认证方案生成节点密钥将消耗大量资源,难以满足物联网低开销的需求。为此,设计了一种基于格的轻量级群签密认证方案。在密钥生成阶段,设计了改进陷门对角矩阵,优化生成密钥所需的原像采样算法,减小了生成大量密钥时所需的整体时间;在身份认证阶段,基于剩余哈希引理和签密性质,在一个逻辑步骤内对消息同时进行签名和加密,提出了低次数的点乘与哈希运算的交互流程,完成组长代替群组成员进行的接入认证。仿真实验表明,该方案降低了物联网设备接入时的交互次数,减少了身份认证阶段的计算开销,对比现有方案,签密与解签密的总开销降低了至少7%,同时证明了该方案能在物联网中抵抗量子攻击。

基于改进轻量级沙漏模型的2D单人姿态估计研究与应用

提出一种基于改进轻量级沙漏模型的2D单人人体姿态估计方法。使用逆残差卷积来构建改进的轻量级沙漏模型,从而降低参数数量与计算量,使用多尺度特征融合以提高轻量级模型在遮挡情况下的关键点检测能力。引入知识蒸馏方法,使得改进的模型在略微降低检测准确度时,能大幅降低训练和部署所需要的计算资源。MPII数据集和实际应用中的检测结果表明,改进的轻量级沙漏模型能有效检测人体骨骼关键点,实时性好、鲁棒性强,能在一定程度上克服遮挡问题。

PRIDE轻量级密码的不可能统计故障分析

针对2014年美密会上提出的PRIDE轻量级密码的实现安全,提出了面向唯密文攻击假设的新型不可能统计故障分析方法,设计了卡方拟合优度-汉明重量区分器、卡方拟合优度-极大似然估计区分器等新型区分器。所提方法基于随机半字节故障模型,结合统计分布状态和不可能关系分析,围绕导入故障前后中间状态的变化,最少仅需432个故障即可恢复出PRIDE算法的128 bit原始密钥,且成功率达99%及以上。实验分析表明,所提方法不仅能减少故障数和耗时,而且进一步提升了准确率。该结果对轻量级密码的实现安全性提供了重要参考。

基于特征融合的轻量级新残差人脸识别方法

针对现有轻量级模型在嵌入式设备的人脸识别应用中存在识别精度难以提升的问题,提出一种融合人脸对齐关键特征点信息的轻量级新残差网络模型(Lightweight New Residual Network,LNRN).LNRN利用深度残差网络结构能够解决网络退化且避免干扰因素影响的优势,结合人脸对齐环节产生的关键特征点信息,对深度残差网络结构进行简化和合理设计,实现对关键特征信息和全局信息的提取.为避免特征提取过程中丢失重要特征信息,该模型在新残差网络中加入结合空间和通道的注意力机制进行辅助.在公开的四个标准人脸数据集上的仿真实验表明,该模型识别速度在接近主流轻量级人脸识别方法的同时,平均识别精度比MobiFace提高了0.6%.

一种轻量级YOLOv5S农作物虫害目标检测模型

[目的]本文提出一种轻量级YOLOv5S农作物虫害目标检测模型以解决在样本数量不足的情况下农作物虫害识别的问题。[方法]利用Ghost技术将2个Ghost Bottle Block线性特征提取模块封装为1个GB模块,代替YOLOv5S中前7个CBL、CSP、SPP非线性特征提取模块,从而约简了YOLOv5S的网络参数,减轻了网络体量。[结果]在保证虫害检测效果的前提下降低网络对计算硬件与训练样本的依赖。为了验证模型的有效性,对水稻、玉米、棉花、马铃薯、苜蓿5种农作物的12类虫害进行识别与定位,多类别平均精度(mAP)为91.31%,比YOLOv5S模型高出2.56百分点。[结论]通过与SSD、Faster-RCNN、YOLOv5S模型对比发现,本文提出的模型在mAP、F1-score、精确率(Precision)、召回率(Recall)4个评价指标均占优势,尤其在小目标、密集目标、与背景相似目标的检测方面表现突出。

联合多连接特征编解码与小波池化的轻量级语义分割

语义分割是当前场景理解领域的基础技术之一。现存的语义分割网络通常结构复杂、参数量大、图像特征信息损失过多和计算效率低。针对以上问题,基于编-解码器框架和离散小波变换,设计了一个联合多连接特征编解码与小波池化的轻量级语义分割网络MLWP-Net(Multi-Link Wavelet-Pooled Network),在编码阶段利用多连接策略并结合深度可分离卷积、空洞卷积和通道压缩设计了轻量级特征提取瓶颈结构,并设计了低频混合小波池化操作替代传统的下采样操作,有效降低编码过程造成的信息丢失;在解码阶段,设计了多分支并行空洞卷积解码器以融合多级特征并行实现图像分辨率的恢复。实验结果表明,MLWP-Net仅以0.74 MB的参数量在数据集Cityscapes和CamVid上分别达到74.1%和68.2%mIoU的分割精度,验证了该算法的有效性。

融合图像显著性特征的轻量级目标检测算法

针对智能车辆在实际交通环境中面临的目标密集、边缘严重遮挡和前景背景模糊的问题,本文提出了一种融合图像显著性特征的轻量级目标检测算法。首先基于灰度图像提取出显著性特征图,和彩色图像分别输入卷积神经网络。其次采用轻量化模块(ghost model)搭建轻量级融合网络,并使用EIoU优化模型的边框定位损失。在网络后端将非极大值抑制算法进行改进,以此提高网络对同类别遮挡目标的检测准确率。最后在KITTI数据集上进行训练和测试。实验表明,改进后的网络mAP达到92.7%,相比原始网络YOLOv5平均精度提高3.8%,精确率和召回率分别提高3%和6.2%。

融合注意力机制轻量级网络的语声情感识别

在语声情感识别过程中,为解决缺乏方言数据库、识别模型准确率低等问题,建立辽西方言语声情感数据库,并提出一种融合注意力机制轻量级网络的语声情感识别模型。模型由特征组合网络、CBAM注意力机制、深度卷积网络及输出层四部分组成。利用3个大小不同的并行卷积提取浅层语声特征并进行拼接;引入CBAM注意力模块将空间特征与通道特征融合;融合后的特征输入深度卷积网络,提取语声深层次特征,输出多维特征向量;输出层对语声进行情感分类识别。模型在IEMOCAP、Emo-DB和自建辽西语声情感数据库上验证,分别取得82.5%、96.2%和90.8%的准确率。实验结果表明,与其他深度学习的模型相比,该文提出的模型在参数量更少的同时识别率更高。

融合人体骨架和姿势信息特征的轻量级人体动作识别方法

针对人体动作识别任务中特征值选取不当导致识别率低、使用多模态数据导致训练成本高等问题,提出一种轻量级人体动作识别方法。首先使用OpenPose、PoseNet提取出人体骨架信息,使用BWT69CL传感器提取姿势信息;其次对数据进行预处理、特征融合,对人体动作进行深度学习分类识别;最后,为验证此方法的有效性,在公开数据集WISDM、UCIHAR、HASC和自建的人体动作数据集上进行实验验证,并使用改进的目标引导注意力机制(target-guided attention,TGA)–长短期记忆(long short term memory,LSTM)网络输出最终的分类结果。实验结果表明,在自建数据集下融合姿势和骨架特征达到99.87%准确率,相比于只使用姿势信息特征,识别准确率提高了约5.31个百分点;相比于只使用人体骨架特征,识别准确率提高了约1.87个百分点;在识别时间上相比于只使用姿势信息,识别时间降低了约29.73 s;相比于只使用人体骨架数据,识别时间降低了约9 s。使用该方法能及时有效地反映人体的运动意图,有助于提高人体动作和行为的识别准确率和训练效率。

基于BN-YOLOv5的轻量级齿轮表面缺陷检测方法

齿轮表面的缺陷检测是齿轮生产制造过程中相当重要的工序。为了提高齿轮表面缺陷检测的精度,提出了一种基于改进YOLOv5的算法检测模型BN-YOLOv5。首先,将加权双向特征金字塔网络结构嵌入到颈部网络结构中,强化了网络对不同特征的提取能力;其次,引入轻量级的基于标准化的注意力模块(Normalization-based Attention Module,NAM),将其与加权双向特征金字塔网络结构相结合,以更加有效地融合高层与低层的特征信息;最后,采用深度可分离卷积模块替换网络结构中所有的卷积层,使网络模型更加轻量化。实验结果显示,改进后的算法模型平均精度均值可达到98.5%,检测速度达到66 FPS/s,模型大小为9.69 MB,有效降低了模型的占用内存,可满足在小型移动设备上实时检测齿轮表面缺陷的任务要求。

一种不平衡数据下的新型轻量级轴承故障诊断模型

在实际工程场景中,轴承故障数据远少于正常数据,不平衡数据下的轴承故障诊断方法存在参数多、模型复杂的问题。因此,提出了一种由带梯度惩罚的辅助分类瓦瑟斯坦生成对抗网络(auxiliary classier Wasserstein generative adversarial network with gradient penalty,ACWGAN-GP)和神经回路策略故障诊断(neural circuit policy-fault diagnosis,NCP-FD)网络组成的不平衡数据NCP-FD(unbalanced data NCP-FD,UDNCP-FD)模型。首先,将轴承故障信号数据转换为二维时频图,利用不平衡的训练集训练ACWGAN-GP生成高质量故障样本,并将其扩充到原始训练集中;然后,将扩充后的训练集输入到NCP-FD网络中进行学习;最后,将训练好的NCP-FD网络应用于测试集进行故障诊断。实验结果表明,所提模型与其他不平衡数据下的轴承故障诊断模型相比,参数更少,存储空间更小,故障诊断准确率更高。

智慧图书馆轻量级资源推荐服务模式研究

智慧图书馆轻量级资源推荐服务具有灵活性、可扩展性、易维护性、高可用性等优势。文章明确了轻量级资源推荐服务要素,提出构建具有开放共享、泛在化、专业化、个性化特征的资源推荐服务模式,并提出了相应的建设策略,以便为轻量级服务在智慧图书馆的应用提供有益的指导和建议。