检索结果-南通市图书馆

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

分组并行的轻量化实时微观三维形貌重建方法

软件学报 2024年第4期35卷 1717-1731页

作者：闫涛高浩轩张江峰钱宇华张临垣山西大学大数据科学与产业研究院山西太原030006 山西大学计算机与信息技术学院山西太原030006 哈尔滨工业大学重庆研究院重庆401151 北京中钞钞券设计制版有限公司北京100070

微观三维形貌重建作为精密制造领域生产制造的关键环节,其重建过程依赖于高分辨率稠密图像的采集.而面对复杂应用场景的高时效性需求,高分辨率稠密图像的输入会导致运算量与计算复杂度呈几何倍增加,无法实现高效率低延时的实时微观三维... 详细信息

微观三维形貌重建作为精密制造领域生产制造的关键环节,其重建过程依赖于高分辨率稠密图像的采集.而面对复杂应用场景的高时效性需求,高分辨率稠密图像的输入会导致运算量与计算复杂度呈几何倍增加,无法实现高效率低延时的实时微观三维形貌重建.针对上述现状,提出一种分组并行的轻量级实时微观三维形貌重建方法 ***-Net以U型网络为基础构造轻量化主干网络,以并行分组式查询加速三维形貌重建过程,并针对神经网络结构进行重参数化设计避免重建微观结构的精度损失.另外,为弥补现有微观三维重建数据集的缺失,公开了一组多聚焦微观三维重建数据集(Micro3D),其标签数据利用多模态数据融合的方式获取场景高精度的三维结构.结果表明,所提出的GPLWS-Net网络不仅可以保证重建精度,而且在三组公开数据集中相比于其他5类深度学习方法平均耗时降低39.15%,在Micro3D数据集中平均耗时降低50.55%,能够实现复杂微观场景的实时三维形貌重建.

关键词：微观三维形貌重建轻量化神经网络分组并行

在线全文

学校读者我要写书评

暂无评论

注意力机制下的多层次特征融合图像去雾算法

福州大学学报（自然科学版） 2024年第1期52卷 7-13页

作者：连文杰叶少珍福州大学计算机与大数据学院福建福州350108 福州大学智能制造仿真研究院福建福州350108

提出一种基于注意力机制的多层次特征融合的图像去雾算法.该算法通过残差密集网络和自校准卷积网络来提取不同尺度的特征,再利用双重注意单元和像素注意力将特征融合重建.同时采用一种由均方误差损失、边缘损失和鲁棒性损失函数相结合... 详细信息

提出一种基于注意力机制的多层次特征融合的图像去雾算法.该算法通过残差密集网络和自校准卷积网络来提取不同尺度的特征,再利用双重注意单元和像素注意力将特征融合重建.同时采用一种由均方误差损失、边缘损失和鲁棒性损失函数相结合的损失函数,可以更好地保留细节特征.实验表明,该算法与其他去雾算法相比在峰值信噪比和结构相似度指标上得到一定的提高,去雾图像在主观视觉上取得了较好表现.

关键词：图像去雾注意力机制多层次特征融合

基于联邦增量学习的SDN环境下DDoS攻击检测模型

在线全文

学校读者我要写书评

暂无评论

计算机学报 2024年

作者：刘延华方文昱刘西蒙郭文忠赵宝康黄维福州大学计算机与大数据学院大数据智能教育部工程研究中心福建省网络计算与智能信息处理重点实验室(福州大学) 国防科技大学计算机学院

SDN是一种被广泛应用的网络范式.面对DDoS攻击等网络安全威胁，在SDN中集成高效的DDoS攻击检测方法尤为重要.由于SDN集中控制的特性，集中式DDoS攻击检测方法在SDN环境中存在较高的安全风险，使得SDN的控制平面安全性受到了巨大挑战.此... 详细信息

SDN是一种被广泛应用的网络范式.面对DDoS攻击等网络安全威胁，在SDN中集成高效的DDoS攻击检测方法尤为重要.由于SDN集中控制的特性，集中式DDoS攻击检测方法在SDN环境中存在较高的安全风险，使得SDN的控制平面安全性受到了巨大挑战.此外，SDN环境中流量数据不断增加，导致复杂流量特征的更复杂化、不同实体之间严重的Non-IID分布等问题.这些问题对现有的基于联邦学习的检测模型准确性与鲁棒性的进一步提高造成严重阻碍.针对上述问题，本文提出了一种基于联邦增量学习的SDN环境下DDoS攻击检测模型.首先，为解决集中式DDoS攻击检测的安全风险与数据增量带来的Non-IID分布问题，本文提出了一种基于联邦增量学习的加权聚合算法，使用动态调整聚合权重的方式个性化适应不同子数据集增量情况，提高增量聚合效率.其次，针对SDN环境中复杂的流量特征，本文设计了一种基于LSTM的DDoS攻击检测方法，通过统计SDN环境中流量数据的时序特征，提取并学习数据的时序关特征的相关性，实现对流量特征数据的实时检测.最后，本文结合SDN集中管控特点，实现了SDN环境下的DDoS实时防御决策，根据DDoS攻击检测结果与网络实体信息，实现流规则实时下发，达到有效阻断DDoS攻击流量、保护拓扑重要实体并维护拓扑流量稳定的效果.本文将提出的模型在增量式DDoS攻击检测任务上与FedAvg、FA-FedAvg和FIL-IIoT三种方法进行性能对比实验.实验结果表明，本文提出方法相比于其他方法，在DDoS攻击检测准确率上提升5.06%-12.62%，F1 -Score提升0.0565-0.1410.

关键词：联邦学习联邦增量学习网络安全 DDoS攻击检测软件定义网络

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

数字孪生云边网络下服务缓存与计算卸载优化

系统仿真学报 2024年

作者：郑家瑜麦学陈哲毅福州大学计算机与大数据学院大数据智能教育部工程研究中心福建省网络计算与智能信息处理重点实验室(福州大学)

在移动边缘计算（Mobile Edge Computing，MEC）中，如何联合优化服务缓存与计算卸载以满足用户多样化需求是一个挑战性问题。同时，不合理的资源分配导致了低效的资源利用。针对这些重要挑战，引入了新兴的数字孪生（Digital Twin，DT... 详细信息

在移动边缘计算（Mobile Edge Computing，MEC）中，如何联合优化服务缓存与计算卸载以满足用户多样化需求是一个挑战性问题。同时，不合理的资源分配导致了低效的资源利用。针对这些重要挑战，引入了新兴的数字孪生（Digital Twin，DT）技术以实现物理网络到虚拟世界的映射，进而提出了一种新颖的基于凸优化使能深度强化学习的服务缓存与计算卸载联合优化（Joint optimization of service Caching and computation Offloading with Convex-optimization-enabled deep Reinforcement learning，JCO-CR）方法。首先，构建了一种新型的数字孪生云边网络（DT Cloud-Edge Networks，DTCEN）模型。接着，将服务缓存与计算卸载联合优化问题解耦为两个子问题并采用改进的深度强化学习方法和凸优化理论分别求解。大量仿真实验结果表明，与6种基准方法相比，JCO-CR方法能够有效降低长期服务延迟，并在不同场景下均展现出更加优越的性能。

关键词：移动边缘计算数字孪生服务缓存计算卸载深度强化学习凸优化

面向大规模IoT系统的多无人机部署与协作卸载

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

系统仿真学报 2024年

作者：黄智钦卢恬英陈哲毅福州大学计算机与大数据学院大数据智能教育部工程研究中心福建省网络计算与智能信息处理重点实验室(福州大学)

在大规模物联网（Internet-of-Things，IoT）系统中，无人机使能的移动边缘计算（Mobile Edge Computing，MEC）可缓解终端IoT设备的性能限制。然而，由于不均匀的IoT设备分布与低效的问题求解效率，如何在大规模IoT系统中高效执行计算... 详细信息

在大规模物联网（Internet-of-Things，IoT）系统中，无人机使能的移动边缘计算（Mobile Edge Computing，MEC）可缓解终端IoT设备的性能限制。然而，由于不均匀的IoT设备分布与低效的问题求解效率，如何在大规模IoT系统中高效执行计算卸载面临着巨大的挑战。现有解决方案通常无法适应动态多变的多无人机场景，导致了低效的资源利用与过度的响应延迟。为解决这些重要挑战，本文提出了一种新型的面向大规模IoT系统的多无人机部署与协作卸载（Multi-UAV deployment and Collaborative Offloading，MUCO）方法。首先，设计了一种基于约束K-Means聚类的无人机部署方案，在提升服务覆盖率的同时保证覆盖均衡。接着，设计了一种基于多智能体强化学习（Multi-Agent Reinforcement Learning，MARL）的多无人机协作卸载策略，将来自IoT设备的卸载请求进行拆分与分布式执行，进而实现高效的协作卸载。大量仿真实验验证了所提出MUCO方法的有效性。与基准方法相比，MUCO方法在不同场景中平均可以取得约23.82%和28.13%的无人机部署性能提升，且能取得更低的时延和能耗。

关键词：物联网移动边缘计算无人机部署计算卸载 K-Means聚类多智能体强化学习

改进Deeplabv3+的双注意力融合作物分类方法

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

计算机工程与应用 2024年第8期60卷 110-120页

作者：郭金宋廷强孙媛媛巩传江刘亚林马兴录范海生青岛科技大学信息科学技术学院山东青岛266061 青岛科技大学大数据学院山东青岛266061 岭南大数据研究院时空大数据研究室广东珠海519000

近年来,卷积神经网络(convolutional neural networks,CNN)在农作物分类研究中不断取得新进展,但在建模长期依赖关系方面表现出一定的局限性,对农作物全局特征的捕获存在不足。针对以上问题,将Transformer引入Deeplab v3+模型,提出了一... 详细信息

近年来,卷积神经网络(convolutional neural networks,CNN)在农作物分类研究中不断取得新进展,但在建模长期依赖关系方面表现出一定的局限性,对农作物全局特征的捕获存在不足。针对以上问题,将Transformer引入Deeplab v3+模型,提出了一种用于无人机影像农作物分类的并行分支结构--DeepTrans(Deeplab v3+with Trans-former)模型。DeepTrans以一种并行的方式将Transformer和CNN结合在一起,利于全局特征与局部特征的有效捕获。通过引入Transformer来增强图像中信息的远距离依赖关系,提高了作物全局信息的提取能力;加入通道注意力机制和空间注意力机制加强Transformer对通道信息的敏感度及ASPP(atrous spatial pyramid pooling)对作物空间信息捕获能力。实验结果表明,DeepTrans模型在MIoU指标上可达0.812,相较于Deeplab v3+模型提高了3.9%,该模型在五类作物的分类中精度均有提升,对于容易错分的甘蔗、玉米和香蕉三种作物,其IoU分别提高了2.9%、4.7%、13%。由此可见,DeepTrans模型在农作物分类图像的内部填充和全局预测方面有着更好的分割效果,有助于更准确地监测农田作物的种植结构及规模。

关键词：农作物分类无人机影像 Deeplab v3+ Transformer 注意力机制

自适应双坐标系的差分进化算法求解混合变量优化问题

在线全文

学校读者我要写书评

暂无评论

计算机学报 2024年第9期47卷 2116-2140页

作者：周新宇黄君洪彭虎王晖王峰江西师范大学计算机信息工程学院南昌330022 吉林大学计算机科学与技术学院长春130012 九江学院计算机与大数据科学学院江西九江332005 南昌工程学院信息工程学院南昌330022 武汉大学计算机学院武汉430072

如何设计求解混合变量优化问题(Mixed-variable Optimization Problems,MVOPs)的相关算法,是计算机算法设计与分析领域中的一个重要研究方向.该问题的求解难点在于需同时优化连续型和离散型决策变量,目前进化算法(Evolutionary Algorith... 详细信息

如何设计求解混合变量优化问题(Mixed-variable Optimization Problems,MVOPs)的相关算法,是计算机算法设计与分析领域中的一个重要研究方向.该问题的求解难点在于需同时优化连续型和离散型决策变量,目前进化算法(Evolutionary Algorithms,EAs)是求解该问题的一种有效手段.然而,现有的相关EAs忽略了问题变量之间的相关性,导致算法性能还存在一定不足.为此,本文从变量相关性角度出发,提出了一种自适应双坐标系的差分进化算法来求解MVOPs.首先,利用种群的协方差矩阵信息来构建特征坐标系,实现在特征坐标系下执行算法的相关操作,以松弛连续变量与离散变量之间的相关性;其次,为避免种群多样性丢失,仍保留了原坐标系,并设计了一种自适应策略来应用特征坐标系和原坐标系,以发挥双坐标系的优势;最后,为提高离散变量的优化效果,专门设计了一种基于离散变量相关性的局部搜索策略,以增强算法的整体性能.为验证本文方法性能,在一套包含28个测试函数的通用测试集上进行了大量实验,与5种求解MVOPs的知名EAs进行了对比,结果表明本文方法有更好性能.此外,在一个实际MVOP上,即焊接梁设计问题,本文方法能取得目前已知最好解.本文方法为计算机算法设计和分析领域的相关工作提供了新的思路.

关键词：混合变量差分进化变量相关性特征坐标系双坐标系

卷积与自注意力结合和时空融合的无参考视频质量评价

在线全文

学校读者我要写书评

暂无评论

计算机辅助设计与图形学学报 2024年

作者：牛玉贞王镇隆张博林陈羽中福州大学计算机与大数据学院福建省网络计算与智能信息处理重点实验室(福州大学) 大数据智能教育部工程研究中心

随着互联网上的视频分享日益普遍，对视频进行质量评估越来越重要. 现有的视频质量评价研究中，卷积被广泛应用于视频的空域和时域特征提取，但由于其固有的局部感知特性，缺乏对于视频全局信息的感知; 同时，已有方法未对空域和... 详细信息

随着互联网上的视频分享日益普遍，对视频进行质量评估越来越重要. 现有的视频质量评价研究中，卷积被广泛应用于视频的空域和时域特征提取，但由于其固有的局部感知特性，缺乏对于视频全局信息的感知; 同时，已有方法未对空域和时域特征进行充分融合. 针对上述问题，提出一种结合卷积与自注意力机制和时空融合的无参考视频质量评价方法. 为了提取更有效的空域和时域特征，首先分别设计空域特征提取模块和时域特征提取模块，其中，空域特征提取模块通过结合卷积和自注意力的特征感知增强模块，对卷积提取的局部特征通过长距离依赖进行全局特征增强，时域特征提取模块联合视频帧序列和视频帧差序列，通过Video Swin Transformer和3D卷积学习视频的时域特征; 然后使用时空特征融合增强模块，通过自注意力机制对时域和空域特征进行融合并增强; 最后对视频质量进行预测. 在KoNVid-1k和YouTube-UGC数据集上的实验结果表明，与现有对比方法中最优的视频质量评价方法相比，所提方法具有更出色的表现，并通过消融实验验证了每个模块的有效性.

关键词：无参考视频质量评价 3D卷积神经网络自注意力机制

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于不变学习的真实雾霾去除方法

浙江大学学报（工学版） 2024年第2期58卷 268-278页

作者：孟小哲冯钰新苏卓周凡中山大学计算机学院中山大学深圳研究院广东广州510000

针对有监督去雾方法面临的质量干扰问题,提出基于不变学习的真实雾霾图像去除方法.该方法使用傅里叶特征变换将网络提取的特征线性化表示,针对线性化特征进行全局加权并求解协方差,去除特征之间的相关性.不变学习使网络更加关注特征与... 详细信息

针对有监督去雾方法面临的质量干扰问题,提出基于不变学习的真实雾霾图像去除方法.该方法使用傅里叶特征变换将网络提取的特征线性化表示,针对线性化特征进行全局加权并求解协方差,去除特征之间的相关性.不变学习使网络更加关注特征与去雾图像之间的本质关系,可以使网络获得稳定的跨域特征.分析并解释了数据和所提出方法的不同作用.该方法既实现了对大气光散射模型的改进,又构建了适用于真实雾霾场景的新数据集.通过大量实验,验证了该方法在真实世界的良好去雾效果.

关键词：图像去雾质量干扰不变学习特征相关