面向隐写算法失配的小样本图像隐写分析方法

在实际的隐写分析应用场景中,待测隐写算法大多是未知的,难以获得足量带标记的样本,从而导致隐写算法失配问题.为提升在隐写算法未知且仅有少量标记图像时隐写分析的检测性能,提出新型隐写分析网络BTONet.首先,提出结合瓶颈注意力机制的改进SRNet,即BAMSRNet,作为BTONet的特征提取模块,从空间维度和通道维度对纹理区域进行关注,解决小样本环境下直接使用SRNet会导致检测性能不佳的问题,在带标记图像数量极少的情况下提取有辨识性的特征.然后,将正交投影损失和交叉熵损失有机结合,从特征和预测标签2个角度强化不同类别之间的正交性,提升分类模块的性能.最后,在隐写算法失配的情况下,将BTONet与4个经典空域深度隐写分析算法进行检测准确率、训练时长、测试时长和算法稳定性等方面的比较,并进行消融实验.实验结果表明:相较于目前先进的基于深度学习的隐写分析方法,BTONet在小样本环境下能够取得更优的检测性能,检测性能提升了1.02%~10.35%;同时取得了极佳的稳定性,将检测准确率方差降低至其他隐写算法的1/60~1/20.

基于计算物流的自动化集装箱码头AGV生产调度

针对自动化集装箱码头自动导引车(AGV)在线实时生产调度约束动态复杂和难以可视化的问题,在计算物流框架下,利用AnyLogic平台创建自动化码头水平运输计算实验模型,并针对平台中已有的经典资源分配策略,面向AGV生产调度提出两方面的改进:将运筹规划商业求解器与计算实验平台结合来求解动态复杂组合优化问题;基于计算物流的思想方法,迁移和定制出五种面向问题探索的自定义AGV在线调度算法。由于商业求解器的局限性,模型和实验数据是基于自动化码头进口箱作业部分。实验表明,两种改进策略能够弥补商业求解器和计算实验平台的部分不足,尤其是自定义策略相较于经典资源分配策略能够面向特定装卸船需求更好地实现AGV生产调度,实现自动化码头水平运输的高效作业。

基于多尺度全局注意力的U型视网膜血管分割网络

眼底视网膜血管分割在多种类型眼科疾病的评估和诊断中起着重要作用。由于眼底图像中血管的拓扑结构复杂多变,现有算法通常存在分割结果中血管特征不连续以及血管边缘分割准确度不高的问题。针对上述问题,本文提出一种用于视网膜血管分割的多尺度全局注意力U型神经网络MSGA-UNet。该网络一方面通过全局特征注意力模块从编码器中较为容易地获得图像的全局表征信息,解决眼底视网膜血管分割中特征不连续的问题;另一方面利用多尺度空洞卷积模块,利用不同膨胀率的空洞卷积扩大感受野并获取图像的多尺度局部特征信息,从而提升血管边缘信息的提取能力。经过在DRIVE、STARE和CHASEDB1数据集上的实验,MSGA-UNet的平均交并比分别为74.06%、78.22%和79.62%;类别平均像素准确率分别为80.39%、84.60%和85.53%;精确度分别为96.32%,96.42%和97.23%;综合分割性能优于其他模型。

基于计算物流和群集智能的多集装箱码头泊位分配

以港口运营方统一整合多集装箱码头作业空间资源为背景,探讨了考虑泊位水深约束和出口集装箱可转港作业的多码头动态连续泊位分配问题(multi-terminal dynamic and continuous berth allocation problem,MDC-BAP)。基于计算物流将MDC-BAP抽象为异构多背包问题进行运筹建模,建立了同时考虑港航双方作业总成本最小化的混合整数规划模型,进而设计了一类融合计算物流和群集智能的二阶段改进帝国竞争算法(two-stage improved imperialist competitive algorithm,TSI-ICA)对模型进行求解。采用三种计划周期12个大规模MDC-BAP算例执行数值实验,比较了多种改进帝国竞争算法和多种启发式规则在MDC-BAP模型上的综合求解性能,TSI-ICA设计的“元启发式算法+启发式规则”框架在大规模算例上的表现明显优于“启发式规则+启发式规则”的资源分配模式,并从运作成本和运营韧性两方面阐明了多码头协同生产优于单码头独立作业模式,从而为多集装箱码头泊位协同分配提供了较好的智能决策支持解决方案。

面向资源约束项目调度的二阶段帝国竞争算法

资源约束项目调度问题是一类经典的组合优化难题,有着广泛的工程应用背景。自20世纪60年代起,该问题的优化方法层出不穷,但大多数智能优化算法在该问题空间中搜索表现一般。针对这一挑战,提出了一种二阶段演化帝国竞争算法(TSE-ICA)。首先,基于由关键路径法得到的组块提取策略,提出两种分别用于种群多样性开发和高效收敛的同化算子,通过在不同阶段选择合适的同化算子实现二阶段演化框架的构建。其次,基于组块的改进革命机制包含插入和乱序两种邻域搜索策略,帝国竞争机制则通过收集不同帝国的收敛信息实现参数的自适应调整;最后,利用记忆库引导种群进化,提高算法的收敛速率。TSE-ICA的最佳参数设置由Taguchi法的实验设计方法确定。数值实验面向典型实例库PSPLIB中的3个实例集J30、J60和J120对TSE-ICA执行了性能测试,并基于两种评价标准与17种先进的元启发式算法进行性能对比。实验结果显示,TSE-ICA具有较好的优化性能和收敛效率,初步验证了所提改进机制的有效性和所提算法的问题适用性。