融合频域注意力机制和解耦头的YOLOv5带钢表面缺陷检测

针对带钢表面缺陷在实际场景中检测精度低,易出现漏检和误检的情况,构建一种YOLOv5-CFD模型对带钢缺陷目标进行更精确的检测,该模型由CSPDarknet53、FcaNet与解耦检测头（Decoupled head）组成。首先,采用模糊C均值（FCM）算法对东北大学公开的NEU-DET热轧带钢表面缺陷检测数据集中的锚框进行聚类,优化先验框和真实框之间的匹配度;其次,为提取目标区域丰富的细节信息,在原始YOLOv5算法基础上添加频域通道注意力模块FcaNet;最后,采用解耦检测头将分类任务和回归任务分离。在NEU-DET数据集上的实验结果表明,改进的YOLOv5算法在引入较少参数量的情况下,检测精度提高了4.2个百分点,平均精度均值（mAP）达到85.5%,每秒传输帧数（Frames Per Second,FPS）达到27.71,与原YOLOv5相差不大,能够满足检测实时性的要求。     

基于超图的多模态情绪识别

近年来多模态情绪识别获得广泛关注,模态间的特征融合决定了情绪识别的效果,现有基于图的情绪特征融合方法多基于二元关系图,在处理三种及以上模态数据时难以实现有效的模态间特征融合,限制了多模态情绪识别的效果.为解决该问题,本文提出基于超图的多模态情绪识别模型（Multi-modal Emotion Recognition Based on Hypergraph,MORAH）,引入超图来建立多模态的多元关系,以此替代现有图结构采用的多个二元关系,实现更加充分、高效的多模态特征融合.具体来说,该模型将多模态特征融合分为两个阶段：超边构建阶段和超图学习阶段.在超边构建阶段,通过胶囊网络实现对序列中每个时间步的信息聚合,并建立单模态的图,然后使用图卷积进行第二次信息聚合,并以此作为下一阶段建立超图的基础,得益于图胶囊聚合方法的加入,MORAH可以同时处理对齐数据和未对齐数据,无需手动对齐;在超图学习阶段,模型建立同一样本不同模态节点之间的关联,以及同类样本所有模态之间的关联,同时,在超图卷积过程中,使用分层多级超边来避免过于平滑的节点嵌入,并使用简化的超图卷积方法来融合模型之间的高级特征,以确保所有...     

基于数据优先级和交通流密度的异构车联网数据链路层链路调度算法

针对车联网中消息多样性与多模态的混合传输需求,多网络介质融合已成为构建车联网网络的必然趋势.如何根据通信需求优化网络资源已成为车联网中亟待解决的问题.基于传统网络协议,本文针对数据链路层协议中调度算法,提出了异构车联网逻辑链路控制层(Logical Link Control,LLC)链路调度算法(HetVNETs Link Scheduling Algorithm in LLC,HLSA).该算法将车联网中交通流密度、数据报文优先级和链路通信状态作为参数,对车联网中不同链路进行调度.首先,根据车联网协议标准,本文定义了四种数据优先级.同时,定义了RTT因子和拥塞因子对数据链路层协议中各个路径状态进行表征.并且,设计了链路相似度(Data Priority-based Link Similarity,DPLS)为分发数据报文提供调度依据.该相似度利用路径中待交互数据报文的优先级与已缓存的数据报文优先级的相似度进行统计.其次,利用Pareto最优计算出IEEE 802.11p链路中非安全短消息数据报文的最大分发频率上界.基于DPLS和该最大分发频率上界,最终设计并实现了面向数据报文优先级的链路调度算法,并根据理论分析,给出算法的时间复杂度为O(n).最后,根据稀疏、中等、密集和极度密集四种交通拥塞场景进行大量实验验证,证明了HLSA算法相对于现有算法,在面向安全与非安全数据报文混合传输场景中数据链路层链路调度算法的有效性.     

基于节点速度和能量的MPR节点集选择

考虑到无人机群在协同完成任务时对时延的高要求,选用先验式路由协议OLSR(Optimized Link State Routing)协议。但无人机自组网中无人机节点高速移动和能量有限的特性,使得OLSR选举出来的MPR(Multi-Point Relay)节点可能会因此而丧失MPR资格,从而导致时延增加,网络开销增大。针对该问题,提出一种基于节点速度和能量的MPR集选择算法,运用HELLO分组在邻居探测的过程中感知节点能量和速度,之后在MPR选举前根据节点速度和能量对一跳邻居进行预处理,从而使速度快能量低的节点永不成为MPR节点。排除掉节点后,在节点意愿值相同的情况下再次对节点的速度和能量进行加权计算,选出最优MPR节点。仿真结果表明,基于节点速度和能量的MPR集选择算法在时延、吞吐量、节点能量消耗三个指标都具有良好的特性。     

基于多模态异质动态融合的情绪分析研究

近年来,利用多模态数据进行情绪分析是一个非常热门的领域。如何对模态内部信息及模态之间的相互作用进行更好的利用,是一个值得探讨的研究问题。而多个模态之间的相互作用,并不是一个静态的过程,而是动态变化的,且模态对于不同的任务而言也存在动态的强弱差异。若不能妥善处理,将导致模型性能的下降。该文针对时序多模态情绪数据提出了一种异质的动态融合方法,通过层次化的异质动态融合方式更完备地进行模态融合,并且动态地捕捉到模态间的相互作用。因此,该方法在提高模型性能的同时也提高了模态融合过程的可解释性。同时,该文利用多任务学习策略,将异质动态融合网络联合单个模态的自监督学习网络,获得模态的一致性及差异性特征。通过CMU-MOSI及CMU-MOSEI数据集上的实验表明该模型相比于主流模型具有优势,且模态融合的过程更具可解释性。     

融合知识图谱与深度学习的药物发现方法

海量增长的生物医学文献给文献挖掘技术带来巨大挑战.文中提出融合知识图谱与深度学习的药物发现方法,从已发表的文献中挖掘疾病的潜在治疗药物.首先抽取生物医学文献中实体间的关系,构造生物医学知识图谱,再通过知识图谱嵌入方法将知识图谱中的实体和关系转化为低维连续的向量,最后使用已知的药物疾病关系数据训练基于循环神经网络的药物发现模型.实验表明,文中方法不仅可以有效找到疾病的候选药物,还能提供相应的药物作用机制.     

一种新的类增量学习方法

提出一种新的基于超椭球的类增量学习算法。对每一类样本,在特征空间求得一个包围该类尽可能多样本的最小超椭球,使得各类样本之间通过超椭球隔开。类增量学习过程中,只对新增类样本进行训练。分类时,通过计算待分类样本是否在超椭球内判定其所属类别。实验结果证明,该方法较超球方法提高了分类精度和分类速度。     

基于似然损失函数的组样本排序学习方法*

组样本用于模型训练,为排序学习方法的构造提供一种新的思路.文中改进已有的组样本排序学习方法,构造组样本损失函数,用于排序学习模型的训练.基于似然损失函数,采用样本偏序权重损失函数和最优初始序列选择方法,构造基于神经网络的组排序学习方法,实验证明文中方法能够有效提高排序准确率.     

基于直接后继节点完成时间的异构调度算法

分布式环境下的异构计算系统（HCS）是大数据时代进行数据密集型计算不可或缺的,一个有效的任务调度算法可以提高整个异构计算系统的效率。在对异构环境下的任务调度进行有向无环图（DAG）建模的基础上,提出基于直接后继节点完成时间的异构调度算法（HSFT）。在计算开销和通信开销差异度较大的异构环境中,考虑两者之间的平衡,采用更为合理的以计算均值与标准方差的乘积和通信权值与任务节点出度的比值作为优先权值计算方法,并在考虑最快完成时间（EFT）的基础上,将直接后继节点完成时间（SFT）用于处理器分配策略。实验结果表明,HSFT在不增加算法时间复杂度的情况下,比HEFT、SDBATS、PEFT等算法有更短的调度长度（makespan）、更优的调度长度比和效率。     

堆叠图嵌入极限学习机算法

极限学习机(Extreme learning machine,ELM)因其训练参数少、学习速度快、泛化能力强等特点,已被广泛应用于训练单隐藏层前馈神经网络。本文首先结合图嵌入框架提出一种新的极限学习机自编码器(GEELM-AE),在ELM空间中挖掘数据的局部近邻结构信息和全局结构信息。在GEELM-AE中,采用局部Fisher判别分析构建了图嵌入框架下的本征图和惩罚图。进而,通过堆叠多个GEELM-AE提出了深度框架下的堆叠图嵌入极限学习机(SGE-ELM)算法。在多个标准数据集上的实验结果表明,与已有算法比较,本文算法获得了更高的精度并具有较快的训练速度。这验证了提出的图嵌入极限学习机自编码器能够对原始数据进行有效的特征表示,堆叠的多层图嵌入极限学习机能够获得数据的有效的高层次抽象表征。