把准双一流建设坐标 推进软件工程学科发展--大连理工大学校长助理罗钟铉教授专访

作为"中国四大工学院之一"的大连理工大学,是国家"211工程"和"985工程"重点建设高校。软件学院建院15年来培养了大批适应时代发展的工程型、国际化高端软件人才。作为大连理工大学校长助理、大连理工大学软件学院院长、国际信息软件学院院长、国家示范性微电子学院院长,罗钟铉教授为此作出了很大贡献。今年正值国家全面开展"双一流"建设之际,也是国家"十三五"规划开局之年,大连理工大学软件学院收获了怎样的成果,对未来又有哪些展望呢?作为中国软件人才培养的领军人物,罗钟铉教授对中国高等教育的深化改革和人才培养问题又有着怎样的深入思考呢?带着这些问题,《计算机教育》杂志奚春雁主编(简称奚)专访了罗钟铉教授(简称罗),下面是他们的对谈。

基于图神经网络聚类的土壤监测点位优化

在土壤污染的监测过程中,由于需要大面积的监测点位布设,所以需要大量的人力和物力,同时原有的土壤监测点位存在冗余和代表率低的问题,对监测结果的准确性和全面性产生了影响。使用一种基于自编码器降维和图卷积网络(GCN)推理的土壤点位优化方法,通过将原有监测点位聚类成不同簇,来实现用尽量少的监测点位全面地表现区域污染情况的目的。使用GCN推理结合自编码器降维的土壤点位优化方法,该方法同时利用土壤监测点位数据的结构信息和高维特征表示,将监测点位聚类成不同簇。通过对相关性进行分析,发现聚类后的簇中心点位可以作为原始簇的代表,从而降低土壤监测点位的冗余性,实现了监测点位的优化。实验证明GCN方法可以有效地减少监测点位的数量,同时保持监测结果的准确性和全面性。

应用掩码区域卷积神经网络的文本检测模型

要:提出一种基于掩码区域卷积神经网络的文本检测模型。首先从扩大模型感受野并尽可能保持模型效率的角度出发,针对残差神经网络中的瓶颈结构进行优化,构建基于结构优化的残差神经网络(residual network based on structural optimization,ResNetSO);然后去除冗余特征以提高融合后特征质量,并将空间注意力机制应用于特征金字塔网络,构建了基于下层特征指导的特征金字塔网络(feature pyramid network based on lower feature guidance,FPNetLFG)。在两个公开数据集上的实验结果表明:包含ResNetSO和FPNetLFG两个模块的模型应用在级联区域卷积神经网络、递归特征金字塔和可切换空洞卷积的目标检测模型中,分别可以带来0.8%和0.3%左右的F1值提升,从而说明了该方法的有效性和普遍适用性。

联合模态语义相似度修正的无监督跨模态哈希

基于哈希编码的无监督跨模态检索方法以其存储代价低、检索速度快、无需人工标注信息的优点受到了广泛的关注.最近的方法通过融合各模态的相似度信息构建联合模态相似度矩阵,用以指导哈希编码网络的学习.然而,这些方法未考虑数据特征空间的流形结构差异对相似度的影响而引入了噪声降低了模型的检索性能.本文提出了一种基于联合模态语义相似度修正的无监督跨模态哈希方法(JSSR),引入特征空间中的流形结构信息修正相似度矩阵中的噪声信息,同时增强语义相关样本的亲和力,使得生成的哈希码更具判别性和区分度.在典型的公开数据集NUS-WIDE和MIR Flickr上的实验结果表明,JSSR在跨模态检索精度上超越了现有的方法.

基于样本加权模糊聚类的土壤重金属污染溯源

由于土壤数据的复杂性,现有的方法难以对土壤重金属进行高效溯源,为了解决这个问题,基于样本加权的模糊聚类算法建立了一种新的重金属污染溯源模型,该模型使用一种新的相似度计算方法来构建模糊相似矩阵,将聚类结果与土壤重金属污染来源表相结合,可以快速确定土壤重金属的污染来源。通过与欧式距离、皮尔逊相关系数、余弦相似度等相似度计算方法在天津市武清区数据集上的对比实验验证了所提出方法的有效性与可用性,结果表明,该方法可用于土壤重金属污染源解析方面的工作。

多模态特征融合的裁判文书推荐方法

为了解决传统办案方式可能引起的"类案不同判"等问题,以及满足当事人查找预览与自身情况相似裁判文书的需求,本文提出了一种基于多模态特征融合的裁判文书推荐方法,学习高层次的裁判文书多模态融合特征表示,进而实现相似裁判文书推荐.该方法主要包括预处理、特征提取、特征融合和文书推荐四个阶段.实验结果表明,与只利用单一模态特征以及简单串联多模态特征的方法相比,利用本文方法学习到的多模态融合特征进行裁判文书推荐,推荐结果的准确率、召回率和综合评价指标(F1值)均有显著提高.说明本文提出的多模态特征融合方法对于推荐任务更加有效,体现了算法的优越性.

基于深度多模态与核密度估计的法律文书推荐模型

智慧司法是智慧城市建设中不可或缺的一部分,智慧司法中法律文书推荐体系的建设完善可以有效解决裁判尺度不统一,类案不同判和量刑不规范等问题.针对现阶段法律文书推荐体系不完善,存在对算力要求高、推荐准确率低和不能满足用户对诉讼请求服务的即时性需求问题,以及为了建立智慧司法中法律纠纷快速响应机制,文中提出了基于深度多模态与核密度估计的法律文书推荐计算模型.首先,构建一个多模态特征融合网络,学习法律文书的融合多模态特征表示;然后,利用核密度估计方法构建类密度距离映射空间;最后,在这个映射空间中通过近邻选择进行法律文书推荐.通过在真实数据集上验证表明,该方法有效减少了推荐误差,提高了推荐准确率.

基于特征和实例迁移的加权多任务聚类

传统聚类方法只对每个数据集单独进行聚类,但是有时单个数据集中的数据不足以挖掘一个良好的簇结构.在现实生活中,有很多数据集包含相同的类标签,因此存在多个相关的聚类任务.多任务聚类通过在相关任务之间迁移知识来提升每个任务的聚类性能,近些年来它获得越来越多的关注.一个好的多任务聚类算法要完成以下两方面工作:(1)它应该充分利用来自其它任务的知识;(2)它能够自动地评估任务相关性以避免负面迁移.然而,现有多任务聚类方法还不能很好地完成任意一方面的工作.本文提出一个基于特征和实例迁移的加权多任务聚类算法MTCFIR.一方面,它在任务之间既迁移特征表示知识又迁移实例知识,要比大部分现有多任务聚类方法更充分地利用跨任务知识.另一方面,它自动地学习任务相关性来避免负面迁移,并且没有现有评估任务相关性的多任务聚类方法的限制条件.MTCFIR执行以下三个步骤.首先,它利用边缘堆栈降噪自编码器在任务之间学习一个共有的特征表示.该步骤通过迁移特征表示知识来降低任务之间的分布差异,这是一致相似度矩阵学习的前提.其次,它通过在任务之间迁移实例知识来为每个任务学习一个一致相似度矩阵,并且通过对任务进行加权来决定不同任务对每个任务的一致相似度矩阵学习的贡献程度.该步骤可以避免在不太相关的任务之间强制迁移知识所带来的负面影响.最后,它在每个任务的一致相似度矩阵上执行对称非负矩阵分解来得到聚类结果.在真实数据集上的实验结果说明本文提出的方法比传统单任务聚类方法和现有多任务聚类方法具有更好的聚类效果,并且要比大部分多任务聚类方法高效.

在线评论的静态多模态情感分析

提出了一种基于Pre-LN Transformer的静态多模态情感分类模型。该模型首先利用Pre-LN Transformer结构中的编码器提取评论文本中的语义特征,其中编码器的多头自注意力机制允许模型在不同的子空间内学到相关情感信息。然后根据ResNet提取评论的图像特征,在特征水平融合的基础上通过视觉方面注意力机制来指导文本的情感分类,实现在线评论的静态多模态情感分析。最后在Yelp数据集上执行情感分类的实验结果表明:所提出的模型在准确率上相比于BiGRU-mVGG、Trans-mVGG模型分别提高了1.34%、1.10%,验证了该方法的有效性和可行性。

多标签遥感图像分类研究现状与展望

多标签遥感图像分类是遥感分析领域的基础研究任务之一,解析给定的遥感图像并识别其中的类别语义,可以为下游计算机视觉任务提供重要的技术基础;由于遥感图像空间分辨率不断提升,众多遥感对象以不同规模、颜色、形状分布于图像的各个区域,为遥感图像多标签分类任务带来了严峻挑战。该文聚焦于遥感领域的多标签图像分类研究,对该问题的前沿研究进展进行总结分析。首先,阐述多标签遥感图像分类任务的问题定义,并对该研究问题中常用的多标签图像数据集和模型评估指标进行归纳介绍;进而,对该领域的前沿进展进行系统性的介绍,深入剖析多标签遥感图像分类过程中的2个关键任务——遥感图像特征提取和标签特征提取;最后,针对遥感图像特性,分析了该任务当前存在的挑战和问题,并对未来研究方向进行展望。