基于故障节点再利用的细粒度NoC容错路由算法

针对传统NoC容错算法中容错粒度过粗造成资源浪费的问题,提出了一种细粒度的自适应容错路由算法,对带有部分故障的节点重新利用。算法将各种故障映射为一种功能故障模型,结合新提出的路由端口优先级策略和嵌入的奇偶转向模型,实现数据包的无死锁容错路由。实验表明,随着负载和故障数目的增加,该算法具有更优越的容错性能,证明了算法的有效性。     

基于Android权限机制的动态隐私保护模型

针对Android平台自身粗粒度权限机制的缺陷以及缺乏有效预防程序间隐私泄露机制的问题,提出一种改进的细粒度权限配置机制与隐私数据动态着色隔离相结合的Android隐私保护模型。通过对Android应用程序权限进行细粒度的动态配置,阻断隐私数据从程序内部泄露的途径,利用隐私数据着色跟踪实现对程序间传播的包含不同隐私权限标签的消息的隔离控制。通过大量实验的反复测试,该模型可以有效保护Android程序内部的隐私数据,及时发现程序间权限提升攻击进而实现隐私数据隔离,从而全方位实现Android隐私数据的保护,并为以后相关研究提供了新的方向。     

虚拟应用网络的安全技术研究

针对信息系统集成中不同应用、不同网络结构等如何在有效实现信息共享、信息集成的同时，也保障信息系统自身安全性的问题，提出了虚拟应用网络的概念。网络借鉴了电路级代理工作的基本原理，以应用协议的会话数据流为对象，对信息系统进行控制和管理。阐述了如何实现统一、简便的认证和管理平台，如何实现与应用协议相对独立的细粒度访问控制，以及将基于角色的存取控制机制有效地与细粒度访问控制相结合等关键技术。通过对虚拟应用网络的研究和实施，可以为综合信息系统提供一个安全、统一、透明的网络应用平台。     

基于深度神经网络的弱监督信息细粒度图像识别

强监督识别算法需要大量的人工标注信息,消耗较多的人力物力资源。为了解决上述问题,满足实际需求,提出了两种基于弱监督信息图像识别方法用于细粒度图像分类(FGVC)。一种是联合残差网络和Inception网络,通过优化卷积神经网络的网络结构提高捕捉细粒度特征的能力。另一种是对双线性CNN模型进行改进,特征提取器选取Google提出的Inception-v3模组和Inception-v4模组,最后把不同的局部特征汇集起来进行分类。通过在CUB200-2011鸟类公开数据集和Stanford Cars汽车类型数据集上进行测试,实验结果表明,提出的方法在两种数据集上的分类精度分别到达了88.3%和94.2%的分类精度,实现了较好的分类性能。     

基于事件-状态-过程规则的跨组织工作流协同方法

目前跨组织工作流协同建模时,各个组织内业务模型的独立性和隐私性较差,"全局"协同模型的柔性不好,且缺乏描述协作活动之间细粒度操作语义.依据协调理论的思想,提出了一种基于事件-状态-过程规则的跨组织工作流协同方法,其核心是采用事件状态-过程规则形式表达的协同工作流来控制和协调多个组织内业务流程的运行.该方法中的业务工作流程仅曝露需要交互的活动,从而保证了其独立性和隐私性.同时,协同工作流由一系列具有细粒度操作语义的协同活动组成.并且基于事件-状态-过程规则的形式,可进行灵活的定义和删除,具有较好的柔性.     

网络监督数据下的细粒度图像识别综述

细粒度图像识别旨在对某一传统语义类别下细粒度级别的不同子类类别进行视觉识别,在智慧新经济和工业物联网等领域（如智慧城市、公共安全、生态保护、农业生产与安全保障）具有重要的科学意义和应用价值。细粒度图像识别在深度学习的助力下取得了长足进步,但其对大规模优质细粒度图像数据的依赖成为制约细粒度图像识别推广和普及的瓶颈。随着互联网和大数据的快速发展,网络监督图像数据作为免费的数据来源成为缓解深度学习对大数据依赖的可行解决方案,如何有效利用网络监督数据成为提升细粒度图像识别推广性和泛化性的热门课题。本文围绕细粒度图像识别主题,以网络监督数据下的细粒度识别为重点,先后对细粒度识别数据集、传统细粒度识别方法、网络监督下细粒度识别特点与方法进行介绍,并回顾了全球首届网络监督下的细粒度图像识别竞赛的相关情况及冠军解决方案。最后,在上述内容基础上总结和讨论了该领域的未来发展趋势。     

超细粒度杯形金刚石砂轮高精平面磨削陶瓷

使用超精平面磨床和甚细粒度杯形金刚石砂轮,对Ｓｉ３Ｎ４和Ａｌ２Ｏ３－ＴｉＣ陶瓷及Ｍｎ－Ｚｎ铁氧体进行了高精平面磨削,使用的最大切深为２μｍ,且最大进给量自始至终为１００ｍｍ／ｍｉｎ,使用原子力显微镜,测量了表面粗糙度和脆性面积的百分数。这些特性用一义为Ｓｍａｘ＝μａＶｆ／Ｖｓ的参数“Ｓｍａｘ”进行了讨论。     

基于多任务学习的同行评审细粒度情感分析模型

学术论文同行评审能够直接反映审稿人对论文的主观评价,对审稿文本进行情感分析有利于挖掘审稿人对论文多维度的评价信息。现有的情感分析模型仅能挖掘专家单一的评审维度和相应的情感倾向,本文提出了一种基于多任务学习的同行评审细粒度情感分析模型。该模型在多任务学习框架下,通过在BERT-LCF模型的基础上增加BiLSTM-CRF模块,使其具备了同时完成属性词抽取和细粒度情感分析任务的能力。与传统的基于Pipeline模式的单任务细粒度情感分析模型相比,本模型在保证精度的情况下可以同时完成评审属性提取和情感分析任务。在这两项任务中,所提出模型的F1分数分别达到了89.01%和90.71%。对比实验证明,在多任务场景下,引入BiLSTM-CRF模块对评审文本属性词提取任务有一定的提升作用。     

基于细粒度强化学习增强噪声数据的低资源跨语言摘要（英文）

是从源语言文档生成目标语言摘要的任务。最近,端到端跨语言摘要模型通过使用大规模、高质量数据集取得令人瞩目的结果,这些数据集通常是通过将单语摘要语料库翻译成跨语言摘要语料库而构建的。然而,由于低资源语言翻译模型性能有限,翻译噪声会严重降低模型性能。提出一种细粒度强化学习方法解决基于噪声数据的低资源跨语言摘要问题。引入源语言摘要作为黄金信号,减轻翻译后噪声目标摘要的影响。具体来说,通过计算源语言摘要和生成目标语言摘要之间的词相关性和词缺失度设计强化奖励,并将其与交叉熵损失相结合优化跨语言摘要模型。为验证所提出模型性能,构建汉语-越南语和越南语-汉语跨语言摘要数据集。实验结果表明,所提出模型在ROUGE分数和BERTScore方面优于其他基线。     

基于元学习的少样本红外空中目标分类方法

针对空中红外目标样本数目不足、细粒度分类精度低等问题,提出一种基于元学习的少样本红外空中目标分类的方法。该方法以元学习为基础,结合多尺度特征融合,在减少计算量的同时有效提取不同分类任务之间的共性,再利用微调策略实现对不同任务的分类。实验证明,此方法在提升mini-ImageNet数据集分类精度的同时可减少约70%的计算量,对仅有少量样本的红外空中目标细粒度分类准确率可达到92.74%。