CC＄:一种面向分布式众核平台的并行编程语言

CC＄是一种并行编程语言,目的是解决分布式众核并行计算机的编程困难。CC＄的编程模型以Multi-BSP模型为基础,将分布式众核并行计算机的硬件架构抽象为3层。数据按照存储的层次和共享范围分为5类,以便在不同层次上提供共享。CC＄还提出一类虚拟指令来解决不同层次之间的数据交换,实现数据访问的逻辑化描述。并行程序按照3层Multi-BSP超步嵌套执行。CC＄具有统一的编程风格、内建的多层公共地址空间、数据访问请求的表达式描述和数据传输编译优化4大特点。测试表明,CC＄程序的运行效率高,易学易用,大幅地缩短了开发周期。

图卷积算法的研究进展

近年来,随着科学技术的发展,越来越多的数据以图的形式呈现和存储。图是不规则的数据,具有分散性和无序性,除了节点本身可赋予数据的特征外,边权信息更可以刻画节点间的相似性。虽然传统的深度卷积网络能有效处理图像、视频、语音等规则的数据,但直接用以处理图的数据效果并不理想。如何借鉴传统的卷积算法,提出适应图数据特点的学习算法,是当前深度学习研究的一个热点。文章拟对面向图数据的图卷积算法进行归纳总结,然而由于篇幅有限,无法对所有算法做到面面俱到的介绍,因此文章侧重于介绍模型背后的原理,分析并指出这些算法的优缺点,同时扼要介绍图卷积网络的主要应用。

基于层间互相关感知损失的风格迁移方法

深度学习在风格迁移领域的应用使一系列以图片艺术风格化为核心的产品真正落地,而从像素级损失向基于Gram矩阵的感知损失的转变是其中最关键的跨越。Gram矩阵在艺术风格特征的提取上有良好的效果,但其局限于同等级语义特征间相关性统计的做法并不能作为艺术风格的充分表示。自Gram矩阵被提出以来,一系列研究并未对其进行充分的研究和改进,而是关注于模型结构的设计以提高风格迁移的速度。提出使用层间互相关矩阵作为Gram矩阵的代替或补充进行风格迁移任务的风格损失函数计算。实验表明,在得到相似水平输出结果的情况下,使用层间互相关矩阵方法可以降低20%的计算时间。

基于分数阶微积分正则化的图像处理

全变分正则化方法已被广泛地应用于图像处理,利用此方法可以较好地去除噪声,并保持图像的边缘特征,但得到的优化解会产生"阶梯"效应.为了克服这一缺点,本文通过分数阶微积分正则化方法,建立了一个新的图像处理模型.为了克服此模型中非光滑项对求解带来的困难,本文研究了基于不动点方程的迫近梯度算法.最后,本文利用提出的模型与算法进行了图像去噪、图像去模糊与图像超分辨率实验,实验结果表明分数阶微积分正则化方法能较好的保留图像纹理等细节信息.