可见光-远红外图像的多模态能见度深度学习模型

为了增强能见度深度学习模型在小样本条件下的准确率和鲁棒性,提出一种基于可见光-远红外图像的多模态能见度深度学习方法.首先,利用图像配准获取视野范围与分辨率均相同的可见光-远红外输入图像对;然后,构造三分支并行结构的多模态特征融合网络;分别在可见光图像、远红外图像及其累加特征图中提取不同性质的大气特征,各分支的特征信息通过网络结构实现模态互补与融合;最后在网络末端输出图像场景所对应的能见度的等级.采用双目摄像机收集不同天气情况下的室外真实可见光-远红外图像作为实验数据,在不同性能指标、多角度下的实验结果表明,与传统单模态能见度深度学习模型相比,多模态能见度模型可显著提高小样本条件下能见度检测的准确率和鲁棒性.     

基于多次散射目标模型的雷达成像研究

合成孔径雷达（Synthetic Aperture Radar, SAR）作为一种主动微波传感器,被广泛应用于遥感对地观测。然而,传统上的雷达散射模型是基于几何光学近似的,忽略了地物目标之间的相互作用,即多次散射效应。为了充分挖掘和利用毫米波雷达影像中目标电磁散射特性信息,亟需对典型目标的多次散射效应进行建模仿真和验证。基于矩量法（Method of Moments, MoM）分析了球体、二面角等目标表面等效电流分布与分段成像结果的对应关系,并利用后向投影（Back-Projection, BP）算法进行电磁仿真成像,总结了单/双基地雷达模式对成像中散射机制的影响。结果表明：目标表面等效电流分布以及分段等效合成孔径张角会随入射角度发生改变,其中分段等效合成孔径张角会影响方位向分辨率;双基地雷达成像结果中包含更丰富的电磁散射信息。本研究可为SAR系统设计和验证、典型目标回波特性数据收集以及如何基于高解析度SAR影像进行目标识别等研究提供借鉴与参考。     

结合参量统计与时空融合的土壤水分降尺度方法

土壤水分的降尺度研究为解决被动微波产品的粗分辨率问题,更好地服务于流域小尺度应用提供了技术手段。以美国俄克拉荷马州为研究区域,基于SMAP土壤水分产品和MODIS产品等多种辅助数据,在地表分类数据的支持下,结合参量统计降尺度和时空融合降尺度发展了一种土壤水分混合降尺度方法,并利用SMAP 9 km产品和站点实测数据对降尺度效果进行了评估。结果表明：混合降尺度方法可以得到细节丰富、空间覆盖完整的降尺度结果。相较于参量统计或时空融合两种单一降尺度而言,混合降尺度结果的空间分布与SMAP 9 km真实产品最为相似,并且混合降尺度结果与站点的整体时序精度最高,在不同地表分类下的时序精度也优于单一方法的降尺度结果。由此证明结合参量统计与时空融合的降尺度方法是可行的。     

组件感知的高分辨率三维物体重建方法

基于体素表示的三维物体重建计算代价会随着体素分辨率的增加呈立方增长.为了缓解这一问题,提出组件感知的三维物体重建方法,将三维物体分解成多个组件,通过预测组件几何结构和组装组件的方式重建三维物体,从而将高分辨率三维物体的重建问题分解成一系列低分辨率组件的重建问题.组件感知的三维物体重建方法使用组件位置预测模块预测所有组件的位置;使用组件特征提取模块融合组件表观特征与组件几何特征生成组件联合特征;使用组件几何结构重建模块根据组件联合特征重建组件的几何形状;最后将所有组件按其位置信息组装成高分辨率的三维物体.实验使用ShapeNet数据集在一个拥有12 GB内存的NVIDIA 1080 Maxwell GPU上进行.对比方法包括一个基于八叉树的高分辨率重建方法、一个基于LSTM的低分辨率重建方法和一个使用编码器-解码器架构的Baseline方法.高分辨率重建结果显示,组件感知的三维物体重建方法能够以较小的计算代价取得满意的高分辨率三维物体重建精度.在低分辨率重建实验上,该方法也取得了更高的重建精度,在13个类别上的平均精度达到了0.618.     

疫情下数据结构课程线上教学模式探索与实践

为了在新冠肺炎疫情的影响下充分保障正常的教学秩序,全力做到“停课不停教、停课不停学”,落实“教师真在教、学生真在学”,数据结构教学团队利用超星“一平三端”智慧教学系统和钉钉直播相结合的方式,在教学准备、教学实施、学习评价和教学改进等四个方面开展线上教学模式探索和实践,实现了将线上线下混合式教学转变为纯线上教学模式,体现了“以学生为中心”的教学理念,达到线上与线下同质同效。     

科恩-沈方程与含时科恩-沈方程的一个自适应有限元数值方法

在材料分析、纳米光学等研究中,高质量数值模拟多体系统电子密度的随时间演化是一类重要研究内容.演化中产生的时间依赖偶极子等物理量,是更进一步研究的基础.此类数值模拟分为两个步骤.即多体系统的基态求解、及以基态为初值的系统的动态演化模拟.这两个步骤可以分别通过数值求解科恩-沈(Kohn-Sham)方程及含时科恩-沈(time-dependent Kohn-Sham)方程实现.本文中,我们提出一类基于有限元方法的数值求解框架,为这两个步骤提供一个统一的模拟实现.在基态求解中,我们利用一类自洽场迭代对方程进行线性化,采用局部最优块预处理共轭梯度法求解导出的广义特征值问题,并设计了一个基于多重网格方法的预优对求解进行有效加速.在动态演化模拟中,针对方程的结构,我们提出了一个基于隐式中点公式的数值方法,利用预估-校正方法对方程进行线性化处理,并设计了一个针对复值线性系统的代数多重网格求解器用于加速时间推进.特别地,我们基于提出的数值方法,分别针对科恩-沈及含时科恩-沈方程导出了残量型后验误差估计子,并实现了基于局部加密的网格自适应方法,用于进一步改善数值模拟效率.数值解展示了方法的有效性.     

基于CPU-GPU异构体系结构的并行字符串相似性连接方法

相似性连接技术在数据清洗、数据集成等领域中具有重要意义,近年来引起了学术界的广泛关注.随着数据量的不断增大、数据处理实时性的要求逐渐提高以及处理器性能提升瓶颈的出现,传统的串行相似性连接方法已经不能满足当前大数据处理的需求.近些年,GPU作为协处理器在机器学习等领域取得了良好的加速效果,因此基于GPU的并行算法开始成为解决各类性能问题的有效解决方案.为此,提出了基于CPU-GPU异构体系的并行相似性连接方法.首先,方法使用GPU构建倒排索引,索引采用SoA(struct of arrays)结构,从而解决了传统索引结构在并行模式下读写效率低的问题.其次,针对串行算法的性能问题,提出基于过滤验证框架的并行双重长度过滤算法,其中利用前缀过滤和构建好的倒排索引提升过滤效果.方法中相似度精确计算验证过程使用CPU计算执行,从而充分利用CPU-GPU的异构计算资源.最后,在多个数据集上进行实验验证性能.通过与串行相似性连接算法进行对比,实验结果表明所提出方法相对于已有方法具有更好的过滤效果和更低的索引生成代价,并在相似性连接上具有更好的性能和良好的加速比.     

基于深度学习的软件安全漏洞挖掘

软件的高复杂性和安全漏洞的形态多样化给软件安全漏洞研究带来了严峻的挑战.传统的漏洞挖掘方法效率低下且存在高误报和高漏报等问题,已经无法满足日益增长的软件安全性需求.目前,大量的研究工作尝试将深度学习应用于漏洞挖掘领域,以实现自动化和智能化漏洞挖掘.对深度学习应用于安全漏洞挖掘领域进行了深入的调研和分析.首先,通过梳理和分析基于深度学习的软件安全漏洞挖掘现有研究工作,概括其一般工作框架和技术方法;其次,以深度特征表示为切入点,分类阐述和归纳不同代码表征形式的安全漏洞挖掘模型;然后,分别探讨基于深度学习的软件安全漏洞挖掘模型在具体领域的应用,并重点关注物联网和智能合约安全漏洞挖掘;最后,依据对现有研究工作的整理和总结,指出该领域面临的不足与挑战,并对未来的研究趋势进行展望.     

一种无监督的窃密攻击及时发现方法

近年来,窃密攻击成为了最严重的网络安全威胁之一.除了恶意软件,人也可以成为窃密攻击的实施主体,尤其是组织或企业的内部人员.由人实施的窃密很少留下明显的异常痕迹,给真实场景中攻击的及时发现和窃密操作的分析还原带来了挑战.提出了一个方法,将每个用户视为独立的主体,通过对比用户当前行为事件与其历史正常行为的偏差检测异常,以会话为单元的检测实现了攻击发现的及时性,采用无监督算法避免了对大量带标签数据的依赖,更能适用于真实场景.对算法检测为异常的会话,进一步提出事件链构建方法,一方面还原具体窃密操作,另一方面通过与窃密攻击模式对比,更精确地判断攻击.在卡内基梅隆大学的CERT内部威胁数据集上进行了实验,结果达到99%以上的准确率,且可以做到无漏报、低误报,证明了方法的有效性和优越性.     

北斗B3I信号捕获方法的研究与实现

针对北斗导航系统B3 I频段信号捕获计算量大、速度慢的难题,提出具有码相位检测和频偏估计的自适应捕获方法.利用本地伪码检测接收序列码相位,采用扫频方法进行频偏估计.扫频过程中自适应改变本地伪码编号,累加时长和扫频步长,从而帮助终端优先捕获信噪比高的卫星信号.理论分析和仿真表明,该方法在信噪比大于-25 dB时只需7次扫频即可达到100％的捕获概率.信噪比在-40 dB至-25 dB之间时,累加时长自适应增大,捕获概率仍然维持在100％.总之,该算法总是以最小计算量尝试捕获质量最优信号,恶劣环境下仍能可靠捕获,符合导航终端信号搜索要求.