检索结果-内蒙古大学图书馆

海洋学报 2024年第9期46卷 120-130页

作者：王岚魏皓车亚辰张翠翠天津大学海洋科学与技术学院天津300072 国家海洋技术中心自然资源部海洋观测技术重点实验室天津300112 中国科学院计算技术研究所北京100190

造礁珊瑚识别对于珊瑚礁生态系统的保护与监测具有重要意义。深度学习作为图像识别的前沿技术,在珊瑚识别领域逐渐得到应用。然而,其识别性能仍然面临挑战。其中,数据集中类别间样本数量不平衡和数据多样性欠缺是两个主要问题。前者使... 详细信息

造礁珊瑚识别对于珊瑚礁生态系统的保护与监测具有重要意义。深度学习作为图像识别的前沿技术,在珊瑚识别领域逐渐得到应用。然而,其识别性能仍然面临挑战。其中,数据集中类别间样本数量不平衡和数据多样性欠缺是两个主要问题。前者使得深度学习模型在特征提取过程中更偏向于样本数较多的类,对少数类(尤其是濒危珊瑚)的学习能力不足进而影响其识别准确度。后者因为数据缺乏多样性使得模型无法充分学习各种珊瑚特征,进而限制了特征提取的能力。鉴于此,本文提出了一种融合类别数量自适应深度数据增强和迁移学习的造礁珊瑚类型识别方法。针对第一个问题,本文利用识别结果评价指标F_(1)-score定义的数据生成量化公式对原始深度数据增强方法DeepSMOTE进行改进,提出了类别数量自适应的深度数据增强方法DeepSMOTE-F_(1)。该方法根据每类珊瑚的识别结果自适应地增强其样本数量,确保模型充分学习各类珊瑚特征。针对第二个问题,利用迁移学习强化了模型的提取能力。实验结果表明,在RSMAS、EILAT和EILAT2这3个代表性珊瑚识别数据集上,相较于原始DeepSMOTE,本文提出的DeepSMOTE-F_(1)识别准确率分别提升了2.88%、0.39%和1.54%;与现有的珊瑚智能识别方法相比,准确率分别提升了0.76%、1.40%和1.30%。

关键词：珊瑚识别深度学习数据集不平衡数据增强迁移学习

来源：评论

学校读者我要写书评

暂无评论

推动国家资助科研项目成果开源开放的国际经验借鉴及思考

引用

中国科学院院刊 2024年第1期39卷 152-162页

作者：隆云滔王哲许哲平王涛包云岗武延军朱其罡顾荣中国科学院科技战略咨询研究院北京100190 清华大学公共管理学院北京100084 中国科学院文献情报中心北京100190 中国科学院大学经济与管理学院信息资源管理系北京100190 国防科技大学计算机学院长沙410073 中国科学院计算技术研究所北京100190 中国科学院软件研究所北京100190 开放原子开源基金会北京100176 计算机软件新技术全国重点实验室(南京大学) 南京210023

数字经济时代,开源创新活动已成为从源头上激发创新活力的动力之源,正在成为数字公共产品高质量供给的重要来源。文章着眼于推动国家资助科研项目成果开源开放的重要性,总结全球主要国家地区对国家财政资助科研项目成果开源开放的实践... 详细信息

数字经济时代,开源创新活动已成为从源头上激发创新活力的动力之源,正在成为数字公共产品高质量供给的重要来源。文章着眼于推动国家资助科研项目成果开源开放的重要性,总结全球主要国家地区对国家财政资助科研项目成果开源开放的实践经验与政策举措,分析我国在推进政府资助科技项目成果开源开放的挑战。在此基础上,提出促进我国构建科技成果开源开放机制的建议。

关键词：国家资助科技项目开源创新数字公共产品科技成果

来源：评论

学校读者我要写书评

暂无评论

Bi-Attention:面向终端的细粒度识别网络加速方法

引用

高技术通讯 2023年第2期33卷 156-166页

作者：钟巧灵汪啸张志斌李冰程学旗中国科学院计算技术研究所网络数据科学与技术重点实验室北京100190 中国科学院大学计算机科学与技术学院北京100049

细粒度识别是针对具有微小差异的对象进行分类的图像识别任务,深度学习模型在细粒度识别任务上取得了较大的进步。然而现有的细粒度识别深度神经网络模型采用多个模型结构叠加,无法在手机、无人机等资源受限终端设备上部署。本文提出Bi-... 详细信息

细粒度识别是针对具有微小差异的对象进行分类的图像识别任务,深度学习模型在细粒度识别任务上取得了较大的进步。然而现有的细粒度识别深度神经网络模型采用多个模型结构叠加,无法在手机、无人机等资源受限终端设备上部署。本文提出Bi-Attention细粒度识别模型加速方法,使用高效的TensorSketch运算以及权重共享机制,在Stanford Cars数据集上的准确率为91.6%,且比现有最先进的模型提高1.2%。本文提出一种结构化剪枝训练方法,通过LASSO正则化算法,在模型训练过程删除批归一化(BN)操作中不重要的扩展因子。实验结果表明,该剪枝方法可以降低Bi-Attention模型大小为原来的1/4。

关键词：细粒度识别 Attention 结构化剪枝 L1正则化终端

来源：评论

学校读者我要写书评

暂无评论

基于对偶四元数的协同知识图谱推荐模型

引用

计算机学报 2022年第10期45卷 2221-2242页

作者：曹宗胜许倩倩李朝鹏姜阳邦彦操晓春黄庆明中国科学院信息工程研究所信息安全国家重点实验室北京100093 中国科学院计算技术研究所智能信息处理重点实验室北京100190 中国科学院大学计算机科学与技术学院北京101408 中国科学院大学网络空间安全学院北京100049 中国科学院大数据挖掘与知识管理重点实验室北京101408 鹏城实验室广东深圳518055

为减轻用户-商品交互数据稀疏和冷启动问题对协同过滤算法推荐效果的影响,许多研究者将知识图谱引入推荐系统.然而既往工作对协同知识图谱中关系的建模较为单一,表达能力较弱,不利于建模实体间的复杂关系以及学习用户和商品的嵌入.为克... 详细信息

为减轻用户-商品交互数据稀疏和冷启动问题对协同过滤算法推荐效果的影响,许多研究者将知识图谱引入推荐系统.然而既往工作对协同知识图谱中关系的建模较为单一,表达能力较弱,不利于建模实体间的复杂关系以及学习用户和商品的嵌入.为克服这一问题,本文提出基于对偶四元数的协同知识图谱推荐模型(DQKGR),利用富有表达力的对偶四元数嵌入表示用户和商品,以有效建模实体和关系之间复杂的潜在依赖.在商品和用户的嵌入学习部分,本文设计了一个新的知识图谱嵌入模型(DQKGE),可基于莫比乌斯变换捕捉协同知识图谱中实体间多种复杂关系,并基于此设计偏好传播与聚合方法以利用知识图谱中的结构信息进行推荐.为验证所提DQKGR模型的有效性,在公开的Last-FM、MovieLens-20M和Book-Crossing数据集上进行大量实验,结果表明所提DQKGR模型推荐结果在多个评测指标上优于现有方法,可在平均意义上产生2.83%以上的性能提升.

关键词：知识图谱推荐系统对偶四元数莫比乌斯变换偏好传播

来源：评论

学校读者我要写书评

暂无评论

面向状态可变数据流的集群调度综述

引用

计算机学报 2022年第5期45卷 973-992页

作者：许源佳吴恒杨晨吴悦文张文博王焘中国科学院大学北京100190 中国科学院软件研究所软件工程技术研究开发中心北京100190 中国科学院软件研究所计算机科学国家重点实验室北京100190

状态可变数据流(Mutable States Data Flow,MS-DF)是机器学习系统运行时的主要特征,MS-DF可由有向图来表示,其顶点由算子构成,表示机器学习运算逻辑;边代表算子之间的输入输出依赖关系.MS-DF的集群调度是保障机器学习系统高效运行的主... 详细信息

状态可变数据流(Mutable States Data Flow,MS-DF)是机器学习系统运行时的主要特征,MS-DF可由有向图来表示,其顶点由算子构成,表示机器学习运算逻辑;边代表算子之间的输入输出依赖关系.MS-DF的集群调度是保障机器学习系统高效运行的主要工作,如何高效进行MS-DF的集群调度已经成为机器学习的研究热点.其中,机器学习系统(TensorFlow、PyTorch等)作为中间层解耦了机器学习运算逻辑和资源分配(CPU,GPU,FGPA),从而机器学习无需再“独占式”静态绑定资源,而是由机器学习系统运行时动态管理,而算子是该解耦过程的关键要素,这给MS-DF的集群调度带来了新的挑战,这些挑战主要由算子资源需求刻画的准确性、算子调度决策的适应性和算子调度调整的差异性这三方面导致的.首先介绍算子资源需求的感知、协同两个机制,以克服多种算子组合导致其自身资源需求难以准确刻画的挑战;然后,通过决策约束、决策模型和决策求解来介绍算子调度决策,以应对算子状态频繁变化带来的适应性挑战;接着,介绍迁移、伸缩、挂起恢复等算子调度调整策略,以适用于不同算子状态同步方式带来的差异性挑战.最后,基于上述三个挑战,对近年来的集群调度最新研究成果进行归纳和分析,并展望MS-DF的集群调度,指出算子异构资源需求多层次分析及协同刻画、算子复杂调度约束的灵活定义和发现、学习驱动的算子低成本调度调整技术是其主要发展方向.

关键词：机器学习系统状态可变数据流机器学习算子算子资源需求刻画算子调度决策算子调度调整

来源：评论

学校读者我要写书评

暂无评论

MRC:谐振时钟数字集成全局功耗优化方法

引用

高技术通讯 2023年第11期33卷 1146-1159页

作者：贾柯杨梁王剑计算机体系结构国家重点实验室(中国科学院计算技术研究所) 北京100190 中国科学院计算技术研究所北京100190 中国科学院大学北京100049 龙芯中科技术股份有限公司北京100190

本研究针对谐振时钟网络在集成电路设计中的数字化实现,提出了一种全局时钟功耗优化(MRC)方法,简化了谐振时钟网络在数字化设计中的集成过程。当前,依赖传统仿真工具构建谐振网络的仿真周期较长,且现有谐振电路模型无法满足快速设计与... 详细信息

本研究针对谐振时钟网络在集成电路设计中的数字化实现,提出了一种全局时钟功耗优化(MRC)方法,简化了谐振时钟网络在数字化设计中的集成过程。当前,依赖传统仿真工具构建谐振网络的仿真周期较长,且现有谐振电路模型无法满足快速设计与数字化建库要求。本文根据谐振电路三段式电路状态提出一种折线化模型降阶方法,可快速实现对当前各类谐振电路波形的准确刻画;本文同时基于此模型给出全局功耗优化目标函数,为电路选型提供指导。与12 nm Fin-FET工艺下实际电路的Spice后仿结果进行比较,本文模型精确度在90%以上,可以准确模拟实际功耗变化趋势,基于Matlab实现的优化方案相比Spice仿真提速10^(5)倍。

关键词：谐振时钟低功耗设计功耗模型设计方法学大规模集成电路时钟设计

来源：评论

学校读者我要写书评

暂无评论

迭代式的深度PU学习与类别先验估计框架

引用

计算机学报 2022年第12期45卷 2667-2686页

作者：赵昀睿许倩倩姜阳邦彦黄庆明中国科学院大学计算机科学与技术学院北京101408 中国科学院计算技术研究所智能信息处理重点实验室北京100190 中国科学院信息工程研究所信息安全国家重点实验室北京100093 中国科学院大学网络空间安全学院北京100049 中国科学院大学大数据挖掘与知识管理重点实验室北京101408 鹏城实验室广东深圳518055

近年来,深度学习在诸多任务上展现了优异的性能,其一般基于海量数据并采用有监督的学习方式,依赖于完整的数据标签信息.然而在现实应用场景中,收集大量标签往往成本高昂.因此,如何利用未经充分标注的数据进行学习成为了当下的主要挑战.... 详细信息

近年来,深度学习在诸多任务上展现了优异的性能,其一般基于海量数据并采用有监督的学习方式,依赖于完整的数据标签信息.然而在现实应用场景中,收集大量标签往往成本高昂.因此,如何利用未经充分标注的数据进行学习成为了当下的主要挑战.二分类问题中的从正例和无标签(Positive-Unlabeled,PU)样本数据进行学习,简称PU学习,即为其一.当前主流的PU学习算法需要准确无误的类别先验知识,但实际上类别先验通常难以获得,需要估计.已有的类别先验估计算法则主要面向传统的机器学习分类器进行设计,无法直接运用在大规模数据集上,因而不利于发挥深度学习在大规模数据集上的优势.为克服以上问题,本文提出了一个基于无监督混合模型的迭代式深度PU学习与类别先验估计框架.它利用了深度神经网络对正例和负例给出的预测分数具有不同的分布这一特性,使用双高斯成分的混合模型近似拟合预测分数的混合分布.其中,各个高斯分量分别代表了正类和负类的条件概率分布,混合权重系数代表了类别先验.结合半监督学习中的平均教师和温度锐化技术,所提框架在类别先验未知以及数据缺失负例监督的条件下,估计类别先验的同时进行PU数据上的深度学习,二者相互促进.在基准数据集MNIST、Fashion-MNIST、CIFAR-10和实际应用数据集Alzheimer上的实验结果验证了所提框架的有效性,准确率分别为94.66%、95.16%、89.98%和73.20%,该结果不仅超越了现有基于类别先验估计的PU学习算法,更可与基于真实类别先验的最前沿算法相媲美.

关键词： PU学习类别先验估计半监督学习弱监督学习深度学习

来源：评论

学校读者我要写书评

暂无评论

SMCA:基于芯粒集成的存算一体加速器扩展框架

引用

电子与信息学报 2024年第11期46卷 4081-4091页

作者：李雯王颖何银涛邹凯伟李华伟李晓维山西大学计算机与信息技术学院(大数据学院) 太原030006 山西大学大数据科学与产业研究院太原030006 山西大学计算智能与中文信息处理教育部重点实验室太原030006 中国科学院计算技术研究所处理器芯片全国重点实验室北京100190 中国科学院大学北京100190 清华大学电子工程系北京100084

基于可变电阻式随机存取存储器(ReRAM)的存算一体芯片已经成为加速深度学习应用的一种高效解决方案。随着智能化应用的不断发展,规模越来越大的深度学习模型对处理平台的计算和存储资源提出了更高的要求。然而,由于ReRAM器件的非理想性... 详细信息

基于可变电阻式随机存取存储器(ReRAM)的存算一体芯片已经成为加速深度学习应用的一种高效解决方案。随着智能化应用的不断发展,规模越来越大的深度学习模型对处理平台的计算和存储资源提出了更高的要求。然而,由于ReRAM器件的非理想性,基于ReRAM的大规模计算芯片面临着低良率与低可靠性的严峻挑战。多芯粒集成的芯片架构通过将多个小芯粒封装到单个芯片中,提高了芯片良率、降低了芯片制造成本,已经成为芯片设计的主要发展趋势。然而,相比于单片式芯片数据的片上传输,芯粒间的昂贵通信成为多芯粒集成芯片的性能瓶颈,限制了集成芯片的算力扩展。因此,该文提出一种基于芯粒集成的存算一体加速器扩展框架—SMCA。该框架通过对深度学习计算任务的自适应划分和基于可满足性模理论(SMT)的自动化任务部署,在芯粒集成的深度学习加速器上生成高能效、低传输开销的工作负载调度方案,实现系统性能与能效的有效提升。实验结果表明,与现有策略相比,SMCA为深度学习任务在集成芯片上自动生成的调度优化方案可以降低35%的芯粒间通信能耗。

关键词：芯粒深度学习处理器存算一体任务调度

来源：评论

学校读者我要写书评

暂无评论

基于去中心化索引的区块链时空数据查询方法

引用

计算机工程与设计 2025年第3期46卷 641-647页

作者：李俊杰周喜马玉鹏王保全王轶中国科学院新疆理化技术研究所多语种信息技术研究室新疆乌鲁木齐830011 中国科学院大学计算机科学与技术学院北京100049 中国科学院新疆理化技术研究所新疆民族语音语言信息处理实验室新疆乌鲁木齐830011

为提高区块链上时空数据查询效率,结合布谷鸟过滤器思想,提出一种基于去中心化索引的区块链时空数据查询方法。采用Geohash算法为链上时空数据建立聚集性空间数据编码,通过计算编码前缀和分布式哈希表间距离构建去中心化索引网络,设计... 详细信息

为提高区块链上时空数据查询效率,结合布谷鸟过滤器思想,提出一种基于去中心化索引的区块链时空数据查询方法。采用Geohash算法为链上时空数据建立聚集性空间数据编码,通过计算编码前缀和分布式哈希表间距离构建去中心化索引网络,设计共轭布谷鸟时空索引结构实现对区块链时空数据的高效索引查询。实验通过搭建Hyperledger Fabric区块链网络,使用公开数据集验证方法的有效性,相较于已有代表性方案取得了查询效率的提升。

关键词：区块链区块链数据管理时空数据时空索引超级账本去中心化网络布谷鸟过滤器

来源：评论

学校读者我要写书评

暂无评论

区块链3.0的发展、技术与应用

引用

计算机应用 2024年第12期44卷 3647-3657页

作者：方鹏赵凡王保全王轶蒋同海中国科学院新疆理化技术研究所乌鲁木齐830011 中国科学院大学计算机科学与技术学院北京100049 新疆民族语音语言信息处理实验室(中国科学院新疆理化技术研究所) 乌鲁木齐830011

区块链3.0是区块链技术发展的第3阶段,也是构建价值互联网的内核,它在分片、跨链以及隐私保护等方面的创新使它具有广泛的应用场景和研究价值,受到学术界和产业界相关人士的高度重视。针对区块链3.0的发展、技术与应用,调研并综述近5年... 详细信息

区块链3.0是区块链技术发展的第3阶段,也是构建价值互联网的内核,它在分片、跨链以及隐私保护等方面的创新使它具有广泛的应用场景和研究价值,受到学术界和产业界相关人士的高度重视。针对区块链3.0的发展、技术与应用,调研并综述近5年国内外关于区块链3.0的相关文献。首先,介绍区块链的基本理论和技术特点,为深入了解区块链的研究进展奠定基础;其次,根据区块链技术随时间变化的演进趋势,阐述区块链3.0的发展历程和各个关键的发展时间节点,并给出以分片和侧链技术为基准点划分区块链不同的发展阶段的理由;再次,详细分析区块链3.0关键技术的研究现状,概述归纳它在物联网、医疗和农业等6大领域内的典型应用;最后,总结区块链3.0在发展过程中面临的关键性挑战和未来发展机遇。

关键词：区块链3.0 分片侧链跨链隐私保护智能合约

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：