123,123,123

基于單頁語義特征的垃圾網(wǎng)頁檢測[人工智能][通信網(wǎng)絡(luò)]

為解決垃圾網(wǎng)頁檢測中特征提取難度高、計(jì)算量大的問題，提出一種僅基于當(dāng)前網(wǎng)頁的HTML腳本提取語義特征的方法。首先使用深度優(yōu)先搜索和動(dòng)態(tài)規(guī)劃相結(jié)合的記憶化搜索算法對域名進(jìn)行單詞切割，采用隱含狄利克雷分布提取主題詞，基于Word2Vec詞向量和詞移距離計(jì)算3個(gè)單頁語義相似度特征；然后將單頁語義相似度特征融合單頁統(tǒng)計(jì)特征，使用隨機(jī)森林等分類算法構(gòu)建分類模型進(jìn)行垃圾網(wǎng)頁檢測。實(shí)驗(yàn)結(jié)果表明，基于單頁內(nèi)容提取語義特征融合單頁統(tǒng)計(jì)特征進(jìn)行分類的AUC值達(dá)到88.0%，比對照方法提高4%左右。

發(fā)表于：2023/5/31 13:29:26

基于動(dòng)態(tài)圖卷積的點(diǎn)云補(bǔ)全網(wǎng)絡(luò)[人工智能][通信網(wǎng)絡(luò)]

大多數(shù)傳統(tǒng)的深度學(xué)習(xí)點(diǎn)云補(bǔ)全學(xué)習(xí)方法僅僅使用了全局特征而忽略了局部特征，為了更好地提取和使用點(diǎn)云的局部特征，提出了一個(gè)基于深度學(xué)習(xí)的端到端點(diǎn)云補(bǔ)全網(wǎng)絡(luò)。在點(diǎn)云補(bǔ)全網(wǎng)絡(luò)（PCN）的基礎(chǔ)上，編碼部分引入針對局部特征改進(jìn)的動(dòng)態(tài)圖卷積（DGCNN），使用多個(gè)不同維度的邊卷積提取較為豐富的局部特征，并按照距離弱化遠(yuǎn)點(diǎn)的特征；然后用深度殘差網(wǎng)絡(luò)連接的思想優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)以實(shí)現(xiàn)多尺度特征的融合，并加入平均池化彌補(bǔ)全局池化造成的信息損失；在解碼部分引入折疊網(wǎng)絡(luò)（FoldingNet），使輸出的點(diǎn)云更加完整。實(shí)驗(yàn)結(jié)果表明，該點(diǎn)云補(bǔ)全網(wǎng)絡(luò)相對PCN等點(diǎn)云補(bǔ)全網(wǎng)絡(luò)有部分提升，驗(yàn)證了新方法的有效性。

發(fā)表于：2023/5/31 13:24:32

紋理特征提取方法綜述[其他][其他]

圖像紋理特征提取是圖像紋理分類與分割的基礎(chǔ)，廣泛應(yīng)用于醫(yī)學(xué)圖像、遙感圖像等領(lǐng)域。對近期的主流紋理特征提取方法以及融合方法進(jìn)行了分析與總結(jié)，并探討了紋理特征提取方法未來的研究方向。首先詳細(xì)介紹了12個(gè)主流的公開紋理數(shù)據(jù)集的特點(diǎn)及其適用場景；接著總結(jié)了近幾年出現(xiàn)的一些紋理特征提取方法，并根據(jù)特征融合方式從多個(gè)角度對紋理特征融合方法進(jìn)行了分類介紹；最后總結(jié)了紋理特征提取存在的難點(diǎn)和挑戰(zhàn)，并對未來的紋理特征提取方法研究方向進(jìn)行思考和討論。

發(fā)表于：2023/5/31 13:19:13

空基網(wǎng)絡(luò)定向天線對準(zhǔn)與跟蹤技術(shù)綜述[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

為了滿足寬頻帶、大容量、遠(yuǎn)距離和多成員等未來通信需求，定向天線逐漸廣泛地投入應(yīng)用。由于定向天線只在某些特定方向上收發(fā)電磁波，相比于全向天線其隱蔽性和抗干擾性強(qiáng)，增加了輻射功率的有效利用率，因此能擴(kuò)大通信距離，更好地適應(yīng)多節(jié)點(diǎn)的復(fù)雜環(huán)境。但同時(shí)該特性也使得“定向天線對準(zhǔn)”成為了研究熱點(diǎn)，尤其是為了緩解通信頻段變高后傳播損耗帶來的影響，定向天線波束收窄，導(dǎo)致對準(zhǔn)難度進(jìn)一步加??；而空基環(huán)境中通信雙方高速運(yùn)動(dòng)，如何保持實(shí)時(shí)跟蹤也成為關(guān)鍵問題。因此針對空-空應(yīng)用場景，綜述定向天線對準(zhǔn)及跟蹤過程中指向求解、角度測量和波束跟蹤等方法，并討論分析了各方法的優(yōu)缺點(diǎn)；總結(jié)出以軌跡預(yù)測為輔助，基于坐標(biāo)-信號聯(lián)合跟蹤控制方案的系統(tǒng)架構(gòu)，說明了定向天線對準(zhǔn)及跟蹤技術(shù)的潛在挑戰(zhàn)和未來的發(fā)展方向。

發(fā)表于：2023/5/31 13:14:53

計(jì)算法學(xué)的體系思考與未來展望[其他][其他]

發(fā)表于：2023/5/23 16:25:55

基于深度自適應(yīng)小波網(wǎng)絡(luò)的通信輻射源個(gè)體識(shí)別[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

針對現(xiàn)有的通信輻射源個(gè)體識(shí)別方法中人工提取特征復(fù)雜以及深度學(xué)習(xí)網(wǎng)絡(luò)的識(shí)別機(jī)制缺乏清晰解釋的問題，提出了一種基于深度自適應(yīng)小波網(wǎng)絡(luò)(Deep Adaptive Wavelet Network，DAWN)的通信輻射源個(gè)體識(shí)別方法。首先分析了選擇互調(diào)干擾作為輻射源間個(gè)體特征的原因；接著應(yīng)用了可實(shí)現(xiàn)提升小波變換的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)去提取特征，并在其基礎(chǔ)上設(shè)計(jì)出可以同時(shí)完成特征提取和識(shí)別的DAWN；最后，選擇Oracle數(shù)據(jù)集驗(yàn)證方法的可行性。實(shí)驗(yàn)結(jié)果表明：利用DAWN對5個(gè)通信輻射源個(gè)體識(shí)別的準(zhǔn)確率為95.5%，并且方法具有良好的抗噪性。

發(fā)表于：2023/5/23 16:21:32

企業(yè)研發(fā)項(xiàng)目價(jià)值評估建模與應(yīng)用[其他][其他]

基于企業(yè)研發(fā)項(xiàng)目演進(jìn)特點(diǎn)，從經(jīng)濟(jì)價(jià)值、戰(zhàn)略價(jià)值、科技價(jià)值和行業(yè)帶動(dòng)價(jià)值四個(gè)方面對研發(fā)項(xiàng)目價(jià)值進(jìn)行量化評估；并借鑒科技進(jìn)步貢獻(xiàn)率思路，提出研發(fā)貢獻(xiàn)率的概念，將商用化推進(jìn)階段研發(fā)工作帶來的經(jīng)濟(jì)價(jià)值從企業(yè)總利潤中拆分出來，研發(fā)價(jià)值進(jìn)一步顯性化。與此同時(shí)，建立研發(fā)項(xiàng)目價(jià)值評估矩陣，直觀呈現(xiàn)項(xiàng)目綜合價(jià)值表現(xiàn)，對于企業(yè)研發(fā)布局具有較強(qiáng)的指導(dǎo)性和可操作性，也為后續(xù)學(xué)術(shù)研究提供新的視角。

發(fā)表于：2023/5/23 16:17:06

智慧校園高質(zhì)量發(fā)展機(jī)理與策略研究[其他][其他]

智慧教育是教育現(xiàn)代化發(fā)展的新趨勢，是教育強(qiáng)國和教育數(shù)字化戰(zhàn)略的必然要求。智慧校園建設(shè)是推動(dòng)智慧教育發(fā)展的基礎(chǔ)與關(guān)鍵。梳理智慧校園的本質(zhì)與目標(biāo)，分析當(dāng)前智慧校園的困境與問題，研究智慧校園運(yùn)行機(jī)理,提出標(biāo)準(zhǔn)引領(lǐng)整體規(guī)劃、數(shù)據(jù)科學(xué)共享、頂層設(shè)計(jì)優(yōu)化流程、需求牽引應(yīng)用深融的智慧校園高質(zhì)量發(fā)展的策略，以營造智能化育人環(huán)境，提升智能化服務(wù)能力，提高師生服務(wù)體驗(yàn)，落實(shí)立德樹人目標(biāo)。革新智慧校園建設(shè)與應(yīng)用理念，推動(dòng)智慧教育人機(jī)協(xié)作發(fā)展。

發(fā)表于：2023/5/23 16:09:43

基于Transformer和語義增強(qiáng)的人群計(jì)數(shù)算法[其他][其他]

針對人群圖像中的尺度變化問題，提出了基于Transformer和語義增強(qiáng)的人群計(jì)數(shù)算法。為了能有效應(yīng)對尺度變化問題，首先引入Transformer作為主干網(wǎng)對全局上下文進(jìn)行建模來獲得全局感受野。然后由上至下依次融合主干網(wǎng)相鄰層次的特征圖，在融合過程中強(qiáng)化多個(gè)層次特征圖的語義信息。接著對多層次特征圖進(jìn)行動(dòng)態(tài)特征選擇，選擇出適合密度圖生成的特征。最后，通過注意力圖來調(diào)整密度圖抵抗背景干擾，以此來生成高質(zhì)量的人群密度估計(jì)圖。在ShanghaiTech、UCFQNRF和JHUCROWD++三個(gè)數(shù)據(jù)集上進(jìn)行了大量的實(shí)驗(yàn)來對算法的有效性進(jìn)行驗(yàn)證，實(shí)驗(yàn)結(jié)果表明所提算法能有效提高模型的準(zhǔn)確性和魯棒性。

發(fā)表于：2023/5/23 16:04:37

基于標(biāo)簽的無數(shù)據(jù)的成員推理攻擊[通信與網(wǎng)絡(luò)][信息安全]

成員推理攻擊根據(jù)模型的預(yù)測結(jié)果推斷特定記錄是否為模型的訓(xùn)練數(shù)據(jù)成員，在隱私保護(hù)等領(lǐng)域具有重要應(yīng)用意義?，F(xiàn)有的基于標(biāo)簽的無數(shù)據(jù)的成員推理攻擊方法主要利用對抗樣本技術(shù)，存在查詢和計(jì)算成本較高的問題。對此提出一種新的成員推理攻擊方法，該方法利用影子模型來減少多次攻擊的查詢代價(jià)，并提出數(shù)據(jù)篩選與優(yōu)化策略以提高攻擊模型的性能。實(shí)驗(yàn)在兩個(gè)常見的圖像數(shù)據(jù)集上進(jìn)行，結(jié)果表明該方法同時(shí)具有較高的攻擊成功率和較低的查詢成本。

發(fā)表于：2023/5/23 15:49:00