公众号
网站访问量
复杂场景下的多人人体姿态估计算法
石磊;王天宝;孟彩霞;王清贤;高宇飞;卫琳;复杂场景下人员的交叉遮挡，导致现有的人体姿态估计算法存在准确度不高和人体骨架错连的问题。为此，提出一种复杂场景下的多人人体姿态估计优化算法。首先，使用分组分块级联卷积替换普通卷积，结合特征融合促进特征通道之间的信息交互，在不引入额外计算成本的前提下提高算法精度；其次，引入空间注意力机制挖掘与人体姿态估计任务相关的空间语义特征，将网络结构并行化处理以提高算法性能；最后，对大卷积核和空间注意力机制的嵌入位置进行轻量化处理，减少时间开销。与现有的自底向上的姿态估计算法OpenPifPaf++相比，所提算法在COCO 2017数据集上平均准确率提高0.8个百分点；在CrowdPose数据集上平均准确率比OpenPifPaf算法提高1.2个百分点，复杂场景下对应的准确率提高1.5个百分点。
基于深度强化学习的无人机博弈路径规划
薛均晓;张世文;陆亚飞;严笑然;付玮;针对深度强化学习方法在复杂环境下面对无人机博弈任务时学习效率较低的问题，提出了知识和数据联合驱动的深度强化学习模型。首先，借鉴了模仿学习的思想，将遗传算法作为启发式搜索策略，并收集专家经验知识；其次，通过深度强化学习与环境进行交互，收集在线经验数据；最后，构建了知识和数据联合驱动的深度强化学习模型，用于优化无人机博弈策略。实验结果表明，所提模型有效提升了收敛速度和学习稳定性，经过训练的智能体具有较好的自主博弈路径规划能力。
面向云边端协同网络的eBPF赋能任务卸载研究
李硕;严飞;张立强;罗清彩;杨小林;作为云边端协同网络的关键技术之一，计算卸载是解决边缘嵌入式设备计算能力不足、资源有限等问题的有效手段。当前一些相关工作主要关注在给定环境模拟参数下如何降低延迟、减少能耗等，然而，如何准确感知云边端协同网络的实时变化、灵活地实施任务卸载是一个亟须解决的挑战。提出了名为FreeOffload的云边端协同网络任务卸载框架，利用拓展的伯克利包过滤器(extended Berkeley package filter, eBPF)技术实现了计算资源、网络状态的实时感知。设计了适用于异构嵌入式端设备的任务灵活重卸载方案，实现边缘节点负载均衡。搭建小型云边端协同原型实验系统，评估结果表明，该框架能在引入较小开销的情况下高效灵活地实现端设备任务卸载。
基于联盟链的隐私保护联邦学习框架
韦超;杨闻韶;刘炜;针对现有的联邦学习模型在隐私保护和投毒攻击防御方面的不足，提出一种基于联盟链的隐私保护联邦学习框架。首先，采用同态加密技术和拉普拉斯噪声来确保数据隐私，有效地保护了模型训练过程中各方数据的机密性；其次，通过联盟链共识协议以及模型聚合算法为不同参与方分配不同的梯度聚合权重，降低了恶意参与方对模型聚合的影响，增强了模型的鲁棒性。在MNIST和Fashion-MNIST数据集上的实验结果表明，即使恶意参与方的比例高达40%,所提框架在标签反转攻击和后门攻击下仍能保持较高的模型准确率。
基于自适应融合全局和局部信息的锚点多视图聚类
冉戆;王思为;祝恩;基于子空间的多视图聚类算法因其良好的聚类性能和数学可解释性而备受关注。其中，一些基于锚点策略的大规模多视图子空间聚类算法，能够有效降低算法的时空复杂度。然而，现有的算法往往从全局结构中学习子空间自表示矩阵，忽视了视图数据、锚点和子空间自表示矩阵之间的局部结构信息。受多视图自加权多图学习算法的启发，提出了基于自适应融合全局和局部信息的锚点多视图聚类(AMVC-AFGL)算法。所提算法旨在通过自适应分配视图权重，融合数据之间的全局信息和局部信息，为每个视图数据学习一个更有效的子空间锚图矩阵，进而拼接为较小的融合锚图矩阵然后进行谱聚类。在公开的10个真实基准数据集上开展了充分的实验，结果表明，与其他12个先进的多视图聚类算法相比，所提算法具有有效性和可扩展性。
基于变分自编码器的交通流预测算法
崔文源;滕飞;贺百胜;胡晓鹏;仇戈;针对现有交通流预测模型对交通流数据复杂动态的时空依赖关系挖掘不充分的问题，提出了一种基于变分自编码器的交通流预测模型(AST-VAE)。首先，采用变分推断和残差降解机制，将交通流信号分离为隐藏的扩散信号、固有信号以及随机信号。其次，使用不同的学习模块提取三种信号中的时间相关性和空间相关性。最后，将三种多维特征融合进行全局时空依赖性的捕获。使用两个真实的交通数据集对模型的具体模块进行有效性与可行性分析，实验结果表明，在交通流预测任务上AST-VAE优于现有模型，同时误差较低，具有较好的预测性能。
