公众号
网站访问量
黄河流域城市新质生产力研究综述
魏伟;周芳;丁双莹;李涛;张伟;黄河流域城市发展对于实现国家生态保护与高质量发展战略具有重要意义，以黄河流域城市新质生产力为研究对象进行了系统综述。首先，从基本概念、理论来源、主要差异三方面剖析新质生产力理论内涵。其次，对研究现状进行挖掘，发现现有评价体系主要从生产力三要素和功能属性进行构建，其测度方法从传统模型向空间计量、前沿智能算法等演进，流域城市新质生产力整体呈现“东高西低，核心城市引领”的时空格局。再次，总结了流域城市新质生产力发展面临区域发展不均衡、产业结构单一、创新投入不足及生态超载等问题。最后，提出构建跨区域创新网络、加强中西部数字基建、强化绿色技术攻关等建议。
基于FakeDetect-MobileNet模型的虚假图像检测研究
王军;李怡豪;吕鹏祥;深度伪造技术的快速发展对虚假图像检测提出了准确性与计算效率的双重挑战。针对传统深度学习模型计算复杂度高、难以在移动设备实时部署的问题，提出轻量级检测模型FakeDetect-MobileNet。该模型基于MobileNetV3架构，采用两阶段训练策略：第一阶段冻结预训练特征提取层仅训练分类层；第二阶段全网络微调，同时，采用数据增强和多种正则化技术防止过拟合提升模型泛化能力。实验结果表明，在Kaggle Deepfake Images数据集上，FakeDetect-MobileNet检测准确率为97.34%,模型参数量仅3.99×106,CPU端推理速度达11 frame/s。与主流模型相比，参数量分别比EfficientNetB0和DenseNet121减少25.7%和50.7%,推理延迟分别降低了31%和58%。该模型在保持高检测精度的同时大幅降低资源消耗，特别适合移动设备部署。
基于离散余弦变换的联邦学习后门攻击
屈昌盛;陈学斌;任志强;张镇博;李雨欣;联邦学习是一种分布式机器学习方法，允许不同参与者利用各自的本地数据集共同训练机器学习模型，以解决数据孤岛和用户隐私保护问题。但是由于联邦学习的分布式特性易受后门攻击的影响，由此提出基于离散余弦变换的后门生成方案(FLDCTBA)。该方案通过离散余弦变换获取原始图片与触发器图片的幅度谱和相位谱，将图片幅度谱进行线性组合，然后与原图片相位谱结合，通过逆离散余弦变换恢复图像。在MNIST数据集、Fashion-MNIST数据集和CIFAR10数据集上进行训练，并按照独立同分布与非独立同分布两种方式进行数据集划分。实验结果表明，与像素后门攻击和标签翻转攻击进行对比，后门生成方案能够在维持主任务准确率的同时，具有较高的攻击成功率。
基于动态感知曲线调整策略的自适应低光照图像增强方法
王春萌;赵建行;针对现有低光照增强方法在复杂光照场景下泛化能力有限和参数自适应性调整不足的缺陷，提出一种基于动态感知曲线调整策略(DPCAS)的无参考低光照图像增强方法。DPCAS包括轻量化特征感知模块(LFPM)和动态曲线调整模块(DCAM)。LFPM采用轻量化架构及多尺度双重注意力机制进行特征提取和聚合，DCAM采用动态迭代机制自适应地调整映射曲线参数，二者共同实现局部细节增强与全局曝光校正间的动态平衡。另外，提出一种自适应分配多损失函数权重的两阶段训练机制，实现更稳定的收敛和更精准的目标优化控制。在多个有参考与无参考测试集的定性和定量实验表明，DPCAS的主观质量优于多种现有的低光照图像增强方法，并且在通用定量指标如PSNR、SSIM和NIQE等方面也表现优异，同时具有较高的运行效率。消融实验验证了LFPM、DCAM及自适应调整损失函数机制的有效性。
结合边缘注意U-Net和焦点类别损失的脊柱图像分割方法
李奇;董家言;武岩;王玉芹;针对脊柱磁共振图像边缘模糊和像素分布不平衡影响脊柱图像精确分割的问题，提出一种增强边缘特征提取的边缘注意U-Net,利用多头自注意力机制和卷积注意力机制构建边缘注意模块，融合边缘的局部特征和全局表示以增强对边缘特征的学习。然后，提出焦点类别损失函数降低像素分布不平衡的影响，根据不同像素区域的损失值调整对应的权重因子，使网络关注包含细小特征结构的像素区域。实验结果表明，相比其他分割网络，边缘注意U-Net提高了分割精度，且在相同网络条件下，焦点类别损失函数训练网络的分割性能优于其他损失函数，证明了所提方法的有效性。
结合对抗训练的双通道特征融合命名实体识别
李卫军;丁建平;刘雪洋;王子怡;刘世侠;苏易礌;针对现有命名实体识别模型缺乏对局部信息的关注，同时在处理长距离依赖关系和复杂序列数据时存在不足的问题，提出一种结合对抗训练的双通道特征融合的命名实体识别模型。首先，使用预训练模型提取特征，通过对抗训练增强模型的鲁棒性和泛化性。其次，在双向长短期记忆网络后引入多头注意力和时间步构成的双通道模块，在捕捉全局和局部信息的同时提升模型对长距离依赖和复杂序列数据的处理能力。最后，利用GlobalPointer和旋转位置编码识别实体的头尾信息，在减少计算成本的同时进一步增强对全局信息的捕捉能力。实验结果表明，模型在五个公共数据集上的F1值相较于其他模型均有一定的提升，验证了其在获取全局和局部信息及处理复杂序列数据的能力。
