检索结果-内蒙古大学图书馆

计算机时代 2025年第3期 10-15页

作者：宁涛南京审计大学计算机学院江苏南京211815

针对在课堂行为检测任务中目标分布密集、存在遮挡导致的漏检、误检等问题,提出了一种基于YOLOv8n改进的学生课堂行为检测算法SCB-YOLOv8。首先在C2f模块中融入注意力机制模块,提高模型的特征提取能力。然后将FPN结构改为BiFPN,高效提... 详细信息

针对在课堂行为检测任务中目标分布密集、存在遮挡导致的漏检、误检等问题,提出了一种基于YOLOv8n改进的学生课堂行为检测算法SCB-YOLOv8。首先在C2f模块中融入注意力机制模块,提高模型的特征提取能力。然后将FPN结构改为BiFPN,高效提取上下文信息,实现多尺度特征融合。最后在模型头部增加较浅特征层P2的检测头,提升对小目标的检测效果。实验结果表明,该算法适用于课堂场景目标检测任务,能有效提升课堂行为识别的检测精度。

关键词： YOLOv8 行为检测课堂场景注意力机制多尺度特征融合

来源：评论

学校读者我要写书评

暂无评论

云网融合环境下组合服务的动态重构

引用

计算机工程 2025年第5期51卷 206-218页

作者：刘坤张鹏程金惠颖吉顺慧河海大学计算机与软件学院江苏南京211000 南京邮电大学计算机学院江苏南京210023

随着云计算与空天地海一体化通信网络的深度融合,各种复杂应用场景的出现使得组合服务的种类和数量急剧增多,结构也变得复杂。在云网融合环境下,用户移动设备和边缘服务器等硬件能力有限,能耗问题成为组合服务进行动态重构不可忽略的重... 详细信息

随着云计算与空天地海一体化通信网络的深度融合,各种复杂应用场景的出现使得组合服务的种类和数量急剧增多,结构也变得复杂。在云网融合环境下,用户移动设备和边缘服务器等硬件能力有限,能耗问题成为组合服务进行动态重构不可忽略的重要因素。此外,传统方法并未考虑空天地海不同场景下用户对不同服务质量(QoS)属性需求的差异性,使得组合服务的交付结果并不令人满意。为了解决上述问题,提出一种基于多目标粒子群优化(PSO)的组合服务动态重构方法。该方法首先根据重构原子服务的三维空间地理位置和功能进行聚类,有效解决在云网融合环境下服务规模庞大情况下的搜索空间爆炸问题;然后通过能耗计算模型得到服务调用的综合能耗,并将其作为动态重构的优化目标之一,结合服务的多种QoS属性进行多目标寻优,最终生成符合用户需求且能耗较低的重构方案。实验结果表明,该方法在云网融合环境下节约能耗和应对较大候选服务集规模等方面具有较优性能。

关键词：云网融合多目标粒子群优化算法组合服务动态重构服务质量

来源：评论

学校读者我要写书评

暂无评论

适用于多领域少样本的元适配器整合学习方法

引用

计算机工程与应用 2025年第5期61卷 122-133页

作者：于信马廷淮彭可兴贾莉蒋永溢南京信息工程大学软件学院南京210044 南京信息工程大学计算机学院南京210044 南京信息工程大学雷丁学院南京210044

针对多域少样本文本摘要任务中迁移学习面临的诸多挑战,尤其是源域数据的多样性以及目标域数据的数据稀缺性问题,提出了一种创新的学习方法,名为元适配器整合学习方法(meta-adapter integration learning,MAIL)。MAIL使用基于Transforme... 详细信息

针对多域少样本文本摘要任务中迁移学习面临的诸多挑战,尤其是源域数据的多样性以及目标域数据的数据稀缺性问题,提出了一种创新的学习方法,名为元适配器整合学习方法(meta-adapter integration learning,MAIL)。MAIL使用基于Transformer的预训练模型作为基础模型,融合适配器模块限制模型参数及层数,并采用元学习方法微调适配器。此外,为了增强在不同领域间的迁移和泛化能力,设计了一种元适配器整合算法,旨在最大化利用多域信息,增强模型跨领域泛化能力。实验结果显示,MAIL在标准文本生成评价指标上超越现有主流模型,并能有效应对跨领域迁移中常见的灾难性遗忘、任务干扰和训练不稳定等问题。

关键词：文本摘要生成少样本学习迁移学习预训练模型适配器元学习

来源：评论

学校读者我要写书评

暂无评论

融合知识和语义信息的双编码器自动摘要模型

引用

计算机工程与应用 2025年第7期61卷 213-221页

作者：贾莉马廷淮桑晨扬潘倩南京信息工程大学计算机学院、网络空间安全学院南京210044 江苏海洋大学计算机工程学院江苏连云港222005 南京信息工程大学软件学院南京210044

为了解决自动文本摘要任务存在的文本语义信息不能充分编码、生成的摘要语义冗余、原始语义信息丢失等语义问题,提出了一种融合知识和文本语义信息的双编码器自动摘要模型(dual-encoder automatic summarization model incorporating kn... 详细信息

为了解决自动文本摘要任务存在的文本语义信息不能充分编码、生成的摘要语义冗余、原始语义信息丢失等语义问题,提出了一种融合知识和文本语义信息的双编码器自动摘要模型(dual-encoder automatic summarization model incorporating knowledge and semantic information,KSDASum)。该方法采用双编码器对原文语义信息进行充分编码,文本编码器获取全文的语义信息,图结构编码器维护全文上下文结构信息。解码器部分采用基于Transformer结构和指针网络,更好地捕捉文本和结构信息进行交互,并利用指针网络的优势提高生成摘要的准确性。同时,训练过程中采用强化学习中自我批判的策略梯度优化模型能力。该方法在CNN/Daily Mail和XSum公开数据集上与GSUM生成式摘要方法相比,在评价指标上均获得最优的结果,证明了所提模型能够有效地利用知识和语义信息,提升了生成文本摘要的能力。

关键词：知识图谱编码器图注意力机制指针网络增强训练自动摘要

来源：评论

学校读者我要写书评

暂无评论

面向卷积神经网络泛化性和健壮性权衡的标签筛选方法

引用

软件学报 2025年第5期 2114-2129页

作者：王益民龙显忠李云熊健南京邮电大学计算机学院软件学院网络空间安全学院

虽然卷积神经网络凭借优异的泛化性能被广泛应用在图像识别领域中,但被噪声污染的对抗样本可以轻松欺骗训练完全的网络模型,带来安全性的隐患.现有的许多防御方法虽然提高了模型的健壮性,但大多数不可避免地牺牲了模型的泛化性.为了缓... 详细信息

虽然卷积神经网络凭借优异的泛化性能被广泛应用在图像识别领域中,但被噪声污染的对抗样本可以轻松欺骗训练完全的网络模型,带来安全性的隐患.现有的许多防御方法虽然提高了模型的健壮性,但大多数不可避免地牺牲了模型的泛化性.为了缓解这一问题,提出了标签筛选权重参数正则化方法,在模型训练过程中利用样本的标签信息权衡模型的泛化性和健壮性.先前的许多健壮模型训练方法存在下面两个问题:1)大多通过增加训练集样本的数量或复杂度来提高模型的健壮性,这不仅弱化了干净样本在模型训练过程中的主导作用,也使得训练任务的工作量大大提高; 2)样本的标签信息除了被用于与模型预测结果对比来控制模型参数的更新方向以外,在模型训练中几乎不被另作使用,这无疑忽视了隐藏于样本标签中的更多信息.所提方法通过样本的正确标签和对抗样本的分类标签筛选出模型在分类该样本时起决定性作用的权重参数,对这些参数进行正则优化,达到模型泛化性和健壮性权衡的效果.在MNIST、CIFAR-10和CIFAR-100数据集上的实验和分析表明,提出的方法能够取得很好的训练效果.

关键词：卷积神经网络对抗学习标签信息正则化

来源：评论

学校读者我要写书评

暂无评论

基于XLNet-TB的中文文本可读性评估研究

引用

信息技术与信息化 2025年第4期 66-69页

作者：倪佳成南京审计大学计算机学院江苏南京211815

文本可读性用于评估一段文本的阅读难度,这一概念在教育和出版领域发挥着重要作用。针对目前中文文本可读性评估模型在捕捉文本深层次语义信息方面的不足,文章提出了一种基于XLNet-TB分层网络架构的中文文本可读性评估模型,该模型利用Ch... 详细信息

文本可读性用于评估一段文本的阅读难度,这一概念在教育和出版领域发挥着重要作用。针对目前中文文本可读性评估模型在捕捉文本深层次语义信息方面的不足,文章提出了一种基于XLNet-TB分层网络架构的中文文本可读性评估模型,该模型利用Chinese-XLNet预训练模型生成文本词向量表示,然后联合使用TextCNN与BiGRU模型提取文本语义特征,最终输入全连接层获得文本可读性评估分级结果。实验证明,该模型在汉语水平考试HSK真题数据集上的准确率达到了89.5%,验证了模型的有效性。

关键词：可读性评估深度学习 XLNet预训练模型卷积神经网络双向门控递归单元

来源：评论

学校读者我要写书评

暂无评论

基于特征的社交网络恶意用户检测

引用

信息技术与信息化 2025年第2期 113-116页

作者：施雯青南京审计大学计算机学院江苏南京210000

近年来,恶意用户的检测问题已成为社交网络安全领域的研究热点。当前的恶意用户检测方法多依赖基于内容特征的构建,但随着用户隐私保护需求的日益增加以及恶意用户行为的隐蔽性,这种依赖单一特征的检测方法面临诸多挑战。为此,文章从多... 详细信息

近年来,恶意用户的检测问题已成为社交网络安全领域的研究热点。当前的恶意用户检测方法多依赖基于内容特征的构建,但随着用户隐私保护需求的日益增加以及恶意用户行为的隐蔽性,这种依赖单一特征的检测方法面临诸多挑战。为此,文章从多个角度利用节点交互行为、节点拓扑分布以及邻居聚合来进行特征构建;并且,创新性地提出了一个边缘检测模型,将边作为整体进行特征构建,通过利用节点之间边缘的特征来识别节点标签,有效提高了恶意用户检测的准确性。并基于真实数据集构建了多个分类器模型并进行评估,验证了不同特征构建方法的有效性。

关键词：社交网络拓扑分布邻居聚合边缘检测恶意用户检测

来源：评论

学校读者我要写书评

暂无评论

一种基于粒子群算法的安卓应用体积优化方法

引用

信息技术与信息化 2025年第4期 87-91页

作者：周少杰南京审计大学计算机学院江苏南京210000

随着移动应用功能迅速增长,安装包的体积也不断增大,导致手机经常因内存空间不足从而无法正常安装应用。代码混淆技术通过对Java字节码进行重构和修改,在提高程序安全性的同时也有利于减少应用体积。然而,目前主流的R8和ProGuard代码混... 详细信息

随着移动应用功能迅速增长,安装包的体积也不断增大,导致手机经常因内存空间不足从而无法正常安装应用。代码混淆技术通过对Java字节码进行重构和修改,在提高程序安全性的同时也有利于减少应用体积。然而,目前主流的R8和ProGuard代码混淆器,其混淆规则众多,不同应用在不同混淆策略下,体积优化差距较大。为此,文章设计了一种基于粒子群算法的安卓应用体积优化方法。该方法以应用体积优化为目标,通过粒子群算法的速度更新和位置更新,搜索最佳策略,为Java字节码提供最合适的混淆规则组合。实验结果表明,该方法相对于R8和ProGuard混淆器的核心规则,能够获得8.3%的体积优化效果,有利于生成更小的安卓应用。

关键词：体积优化 R8 ProGuard 粒子群优化算法安卓应用

来源：评论

学校读者我要写书评

暂无评论

在线开放式课程混合式教学模式探索与实践

引用

中国现代教育装备 2025年第1期 84-87页

作者：贺小容南京审计大学计算机学院江苏南京211815

混合式教学实现了线上学习与线下教学模式的优势互补。对数据库原理与应用课程开展混合式教学改革实践,从课程本身、教师、学生三个维度对既往的教学过程进行分析和总结,以教学改革、课程思政、信息技术等为手段,基于“共述、共景、共... 详细信息

混合式教学实现了线上学习与线下教学模式的优势互补。对数据库原理与应用课程开展混合式教学改革实践,从课程本身、教师、学生三个维度对既往的教学过程进行分析和总结,以教学改革、课程思政、信息技术等为手段,基于“共述、共景、共情”的“三共”课堂开展混合式教学改革并取得了相应成效。

关键词：混合式教学数据库原理与应用教学改革

来源：评论

学校读者我要写书评

暂无评论

结合主动学习和半监督学习的软件可追踪性恢复框架

引用

软件学报 2025年第5期36卷 1924-1948页

作者：董黎明张贺孟庆龙匡宏宇南京大学软件学院计算机软件新技术国家重点实验室(南京大学)

软件可追踪性被认为是软件开发过程可信的一个重要因素,确保对软件开发过程的可见性并进行全面追踪,从而提高软件的可信度和可靠性.近年来,自动化的软件可追踪性恢复方法取得了显著进展,但在企业项目中的应用仍面临挑战.通过调研研究和... 详细信息

软件可追踪性被认为是软件开发过程可信的一个重要因素,确保对软件开发过程的可见性并进行全面追踪,从而提高软件的可信度和可靠性.近年来,自动化的软件可追踪性恢复方法取得了显著进展,但在企业项目中的应用仍面临挑战.通过调研研究和实验案例分析,发现工业界场景中可追踪性模型表现不佳的3个关键挑战:原始数据低质量、样本稀疏性和不平衡性,并提出一种结合主动学习和半监督学习的软件可追踪性恢复框架STRACE(AL+SSL).该框架通过选择有价值的标注样本和生成高质量的伪标签样本,有效利用未标注的样本,克服数据低质量和稀疏性挑战.实验基于10个样本规模在几万至近百万个issue-commit跟踪对实例的企业项目,进行多组对比实验,结果表明该框架在当前真实企业项目软件可追踪性恢复任务上具有有效性.其中消融实验结果表明STRACE(AL+SSL)中主动学习模块所选择的无标签样本在可追踪性恢复任务中发挥了更为重要的作用.此外,还验证各个模块最佳的样本选择策略组合,包括调整后的半监督类平衡自训练样本选择策略CBST-Adjust和低成本高效率的主动学习子模块互信息SMI＿Flqmi样本选择策略.

关键词：软件可追踪性主动学习半监督学习

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：