计算机科学杂志

发表咨询:400-808-1731

订阅咨询:400-808-1751

计算机科学杂志 北大期刊 CSCD期刊 统计源期刊

Computer Science

  • 50-1075/TP 国内刊号
  • 1002-137X 国际刊号
  • 0.94 影响因子
  • 1-3个月下单 审稿周期
计算机科学是国家科技部西南信息中心主办的一本学术期刊,主要刊载该领域内的原创性研究论文、综述和评论等。杂志于1974年创刊,目前已被维普收录(中)、北大期刊(中国人文社会科学期刊)等知名数据库收录,是国家科学技术部主管的国家重点学术期刊之一。计算机科学在学术界享有很高的声誉和影响力,该期刊发表的文章具有较高的学术水平和实践价值,为读者提供更多的实践案例和行业信息,得到了广大读者的广泛关注和引用。
栏目设置:网络与通信、信息安全、软件与数据库技术、人工智能、图形图像与模式识别

计算机科学 2019年第03期杂志 文档列表

计算机科学杂志综述
云计算中任务调度研究的调查1-8

摘要:云计算通过虚拟技术将各类计算资源从底层硬件中剥离出来并进行动态扩展,以按需付费的方式提供给用户使用。云平台由不同的硬件架构和巨大的数据资源组成,当用户所提交的任务数量逐步增长时,如何通过调度算法对其进行有效调度并合理分配资源成为云计算中的关键环节。首先对云计算及其任务调度进行概要介绍,描述调度流程、主要算法和评测指标;随后根据不同指标和算法对近年来的相关文献进行调研概述,归纳对比了一些算法的主要特点;在此基础上,提出了未来研究所面临的几个关键环节。在实际应用中,需要根据任务和资源的不确定性和动态变化情况灵活采取调度策略,并尽可能考虑多个性能指标,综合提高云计算的运行效率和服务质量。

分布式机器学习平台与算法综述9-18

摘要:分布式机器学习研究将具有大规模数据量和计算量的任务分布式地部署到多台机器上,其核心思想在于“分而治之”,有效提高了大规模数据计算的速度并节省了开销。分布式机器学习作为机器学习最重要的研究领域之一,受到各界研究者的广泛关注。鉴于分布式机器学习的研究意义和实用价值,文中系统综述了分布式机器学习的主流平台Spark,MXNet,Petuum,TensorFlow及PyTorch,并从各个角度深入总结、分析对比其特性;其次,从数据并行和模型并行两方面深入阐述了机器学习算法的分布式实现方式,而后依照整体同步并行模型、异步并行模型和延迟异步并行模型3种方法对机器学习算法的分布式计算模型进行概述;最后,从平台性能改进研究、算法优化、模型通信方式、大规模计算下算法的可扩展性和分布式环境下模型的容错性5个方面探讨了分布式机器学习在未来的研究方向。

基于划分的自适应随机测试综述19-29

摘要:随机测试是一种广泛应用于实践的基础测试方法。自适应随机测试(ART)是对随机测试的改进,其检错有效性优于随机测试。首先,分析了具有较高检错有效性但时间开销较大的经典ART算法;其次,重点综述了能降低时间开销的基于划分的ART算法,并对各种划分策略和测试用例生成算法进行了分析和对比;同时,分析了影响ART算法有效性的关键因素以及高维输入域空间中算法有效性低下的问题,梳理了算法有效性度量指标以及测试用例分布度量指标;最后,论述了ART算法中存在的问题及面临的挑战。

灰狼优化算法研究综述30-38

摘要:灰狼优化(Grey Wolf Optimization,GWO)算法是一种新兴的群体智能优化算法,因简单高效而被成功应用于诸多领域。文章阐述了灰狼优化算法的搜索机制和实现过程,分析灰狼优化算法的特性,对目前GWO算法的相关改进及应用进行综述。重点对GWO算法的改进策略,包括种群初始化的改进、搜索机制的改进、参数的改进等进行了描述,对GWO算法在参数优化、复杂函数优化和组合优化等方面的应用进行了讨论。最后,对GWO算法的未来改进策略和实际应用进行了展望。

基于深度学习的短时交通量预测研究综述39-47

摘要:短时交通量预测是智能交通领域的研究热点,对交通控制与管理具有重要的意义。传统的交通量预测方法难以准确地描述交通量数据内部的本质特征,而深度学习通过其深层结构,能够学习到交通量数据内部复杂的多因素耦合结构,进而对交通量做出更精准的预测,这也使得深度学习成为当前短时交通量预测领域的研究热点。文中首先介绍了传统交通量预测方法和深度学习的研究现状;然后按照生成型和判别型深度结构对现有基于深度学习的短时交通量预测方法进行分类,并总结了深度学习在短时交通量预测研究领域的主要方法,对其性能进行了对比研究;最后对深度学习在短时交通量预测领域存在的问题和发展趋势进行了探讨。

自底向上的显著性目标检测研究综述48-52

摘要:文中对显著性目标检测(Salient Object Detection)领域内的国内外发展现状进行了综述。首先,介绍了显著性目标检测的研究背景和发展历程;然后,根据各个模型所使用特征的不同,分别从手工设计特征和深度学习特征这两个方面对显著性计算进行综述,在论述基于手工设计特征的显著性计算的研究进展时,将其细分为基于对比度先验的显著性计算、基于前景先验的显著性计算以及基于背景先验的显著性计算3个子类,并对每个类别中的若干典型算法的建模思路进行了描述;最后,进行分析与总结,并指出显著性目标检测领域仍需解决的问题及未来的研究方向。

非正面人脸表情识别方法综述53-62

摘要:人脸表情识别是生物特征识别的重要组成部分,也是人机交互领域的一项关键技术。然而多数方法只关注正面或接近正面的人脸图像及视频,并限制了正常的头部运动,因此不利于人脸表情识别的智能化发展。有鉴于此,首先介绍了人脸检测、头部姿态估计、特征提取和分类的方法,以探索非正面人脸表情识别系统的发展;然后重点介绍了非正面人脸表情特征提取和分类的方法,并对基于人脸关键点的非正面人脸表情识别方法、基于外貌特征的非正面人脸表情识别方法及基于姿态相关的非正面人脸表情识别方法进行了比较分析;最后总结了非正面人脸表情识别方法的研究现状,并对进一步的研究和发展方向进行了展望。

卷积神经网络的发展及其在计算机视觉领域中的应用综述63-73

摘要:近年来,深度学习在计算机视觉、语音识别、自然语言处理和医疗影像处理等领域取得了一系列显著的研究成果。在不同类型的深度神经网络中,卷积神经网络得到了最广泛的研究,这不仅体现在学术研究领域的繁荣,更体现在对相关产业产生了巨大的现实影响和商业价值上。随着标注样本数据集的快速增长和图形处理器(GPU)性能的大幅度提高,卷积神经网络的相关研究得到了迅速的发展,并在计算机视觉领域的各种任务中成效卓然。首先,回顾了卷积神经网络的发展历史;其次,介绍了卷积神经网络的基本结构及各组件的作用;然后,详细描述了卷积神经网络在卷积层、池化层和激活函数等方面的改进研究,总结了自1998年以来比较有代表性的神经网络架构:AlexNet,ZF-Net,VGGNet,GoogLeNet,ResNet,DenseNet,DPN和SENet;在计算机视觉领域,重点介绍了卷积神经网络在图像分类/定位、目标检测、目标分割、目标跟踪、行为识别和图像超分辨率重构等应用方面的最新研究进展;最后,对卷积神经网络研究中亟待解决的问题与挑战进行了总结。

生成对抗网络GAN综述74-81

摘要:人能够理解事物运动的方式,因此对事物未来发展的预测比机器准。不过,作为一种新的深度神经网络系统,GAN(Generative Adversarial Network)生成的数据非常逼真,连人也无法辨别数据是真实的还是生成的。从某种意义上讲,GAN为指导人工智能系统完成复杂任务提供了一种全新的思路,让机器成为了一个专家。首先,讨论了GAN 的基本模型和一些改进的GAN模型;然后,展示了GAN在超分辨图像生成、由文本描述生成图像、艺术风格图像生成和短视频生成方面的应用成果;最后,探讨了GAN在理论、架构和应用方面所面临的问题和其未来的研究方向。

基于光学遥感图像的舰船目标检测技术研究82-87

摘要:舰船目标的检测与识别技术是遥感图像处理与分析领域的研究热点,应用广泛。文中针对光学遥感图像,围绕舰船目标检测的一般处理流程,综述了目前各环节采用的主要处理方法,分析比较了各方法的优劣,指出了各环节面临的瓶颈问题,阐述了自然图像上的检测方法应用于舰船目标检测时的局限性,并讨论了当前研究面临的挑战,最后对相关的发展趋势进行了展望。

计算机科学杂志2018中国多媒体大会
基于深度残差网络的HEVC压缩视频增强88-91

摘要:文中提出了一种基于深度残差网络的HEVC压缩视频增强方法。该方法利用一系列级联的残差模块来完成特征提取,然后基于这些特征进行视频的质量增强。与现有的方法相比,所提方法能够捕捉到压缩视频帧更清晰和泛化的特征。实验结果表明,所提方法在20个通用的测试视频序列上能够实现平均6.92%的BD-rate增益,是所有参与比较的方法中效果最好的。

一种融合深度基于灰度共生矩阵的感知模型92-96

摘要:恰可察觉失真模型(JND)是一种人眼感知模型,它是图像/视频压缩中去除冗余最为有效的方法之一。针对现有JND模型对比掩盖效应(CM)的计算不够完善及深度信息的考虑不够准确的问题,文中提出了一种融合深度基于灰度共生矩阵的JND模型。首先,采用总变分分解模型将图像分解为结构部分和纹理部分,对结构部分采用Canny算子处理,对纹理部分采用灰度共生矩阵处理,两个部分形成更准确的CM模型;结合背景亮度掩盖效应,建立了一种基于灰度共生矩阵的像素域JND模型。然后,在对人眼深度感知进行研究的基础上,引入新的深度加权模型。最后,建立了一种新的融合深度基于灰度共生矩阵的感知模型。实验结果表明,所提出的模型更一致于人的视觉感知。相对于已有的JND模型,所提JND模型能够容忍更多的失真,且拥有更好的感知质量。

一种基于2D和3D联合信息的改进MDP跟踪算法97-102

摘要:在线多目标跟踪算法是自动驾驶和辅助驾驶系统的重要组成部分。目前,大部分多目标跟踪方法集中于图像域跟踪。虽然通过建立自适应在线模型或最小化能量函数可以解决大多数跟踪问题,但是如何处理复杂交通场景下目标的相互遮挡仍是研究者们面临的难题。文中基于2D和3D联合信息提出了一种改进的基于马尔科夫决策过程(MDP)的跟踪算法,通过将原始MDP跟踪算法的相似性特征由图像域拓展到空间域,使用一种新的光流特征描述子即多图像前后向跟踪误差(Multi-image FB error)来代替原算法的多区域前后向跟踪误差(Multi-aspect FB error),取得了良好的跟踪效果。最后,采用KITTI数据库对本文算法进行测试,结果显示其综合性能相较于原算法有显著提升。

基于用户偏好的多内容移动视频传输系统的效益优化103-107

摘要:近年来,4G和5G网络的出现大大提高了移动设备数据传输的带宽,同时视频播放设备的性能也不断提高,使得用户对视频流媒体质量的要求不断提升。因此,提升移动视频传输系统的效益变得越来越重要。文中从用户偏好的角度出发,分析多内容移动视频传输系统中用户偏好对系统效益的影响,同时考虑流量价格对用户效益的影响,建立了基于用户偏好的用户效益模型,将多内容移动视频传输系统的效益优化问题转化为加权用户总效益的优化问题。考虑到拥有不同偏好的用户对用户总效益的影响不同,文中提出了一种基于偏好-码率比的用户权重选择方法,以此来选取当前用户偏好下的最优权重。文中通过求解最优加权用户总效益优化问题,得到了当前用户偏好下的最优视频传输码率。实验结果表明,所提方法相比现有效益优化方法提升了5%~10%的系统总效益。

一种基于参考质量的帧间自适应加权预测108-112

摘要:帧间双向预测在目前的主流视频编码标准中扮演着重要的角色,该技术主要利用时域相关性去除图像间的冗余信息。帧间双向加权预测仅对两个运动补偿块做简单的加权平均(即权值为0.5)。但当参考帧与编码帧之间的亮度发生剧烈变化,或由于诸如量化等因素导致生成预测块的质量不同时,采用现有的方法将会产生严重的失真。因此文中提出了基于参考质量的帧间自适应加权预测方法来解决上述问题。在本方案中,当前编码块参考的质量越好,则分配的权值越大,反之亦成立。实验结果显示,在编解码复杂度可接受的情况下,采用两种方法计算的权值在随机接入(RA)配置下和低时延B帧(LDB)配置下,相比于JEM5.0.1参考软件的基准平均码率分别节省约0.25%和 0.3%。

基于深度学习的视频转码快速算法113-118

摘要:由于良好的率失真表现,新一代视频压缩标准HEVC(High Efficiency Video Coding)得到了越来越多终端设备的支持。然而目前仍有大量的H.264码流存在,因此H.264到HEVC的高效视频转码具有重要的实际意义。实现H.264到HEVC转码最简单的方法,是将H.264解码端和HEVC编码端直接级联起来。由于HEVC编码过程的复杂度较高,这种方法的转码时间较长。针对H.264到HEVC转码耗时的问题,文中提出一种基于深度学习的方法来预测HEVC的CTU(Coding Tree Unit)块划分结果,从而避开HEVC对CTU所有块划分情况循环遍历以寻找率失真最优划分结构的过程,实现H.264到HEVC的快速转码。首先建立了一个H.264到HEVC转码的大型数据库,为训练深度学习模型提供数据保障;随后对H.264压缩域特征和HEVC的CTU块划分模式进行相关性分析,并发掘了CTU块划分模式在时序上的相似性,进而提出基于时间递归神经网络LSTM(Long Short-Term Memory)的三级分类器来预测HEVC的CTU划分。实验结果表明,与直接级联转码器相比,文中提出的H.264到HEVC快速转码算法实现了60%的时间节省,同时峰值信噪比仅下降了0.039 dB,其性能胜过近年来的转码算法的性能。

深度卷积先验引导的鲁棒图像层分离方法及其应用119-124

摘要:图像层分离是根据任务需要将观测图像分解成两个独立且具有实际意义的组成成分。图像恢复领域中的很多问题在本质上都可以被理解为两个不同层的分离,如自然图像去雨、本质图像分解、反射层去除等。因此,做好图像层分解工作对解决这些问题有极大的推动作用。由于这个问题的求解具有病态性,已有的方法大多都是通过设计一个复杂的模型先验来约束所需要的两层。然而,复杂的先验会导致目标函数难以被优化求解,算法的有效性也不能很好地发挥出来。更重要的是,这些方法只能针对其中某一个特定的任务,不能迁移到其他应用上,泛化能力不强。为了弥补上述不足,文中提出了一个自适应的灵活优化框架,将深度网络整合到图像层分离迭代过程中。近年来,深度学习在特征提取上的优势逐步体现,在低级图像处理领域也越来越多地被采用。因此,该算法使用深度结构替代传统模型先验来刻画不同层的特征,同时,为了减少网络对训练数据的依赖并提升算法的有效性,将深度信息与传统优化框架相结合。具体来讲,首先基于MAP(最大后验概率)建立能量函数。然后使用ADMM(交替方向乘子法)将该模型分解成3个子问题。前两个子问题用来估计分离的两层,其中鉴于卷积操作在特征刻画上的优势,使用其作为隐式先验刻画问题属性;最后一个子问题通过优化的手段得到最终的精确结果。通过深度卷积先验引导优化迭代,既保持了深度结构对特征的刻画优势,又保留了传统模型优化的稳定性。最后,将所提方法应用到多种图像恢复问题上,包括自然图像去雨和反射层去除。与同类方法的定性与定量比较表明,所提方法在可视效果和数值结果上均表现出了极大的优势,证明了该方法具有强大的泛化能力和有效性。

基于改进多尺度LBP算法的肝脏CT图像特征提取方法125-130

摘要:针对高阶方向导数局部二值模式(DLBP)算法会丢失部分高尺度邻域信息的缺陷,提出一种基于改进多尺度LBP算法(MSLBP)的肝脏CT图像特征提取方法。该方法首先对肝脏CT图像进行预处理,并提取正异常ROI区域,然后利用改进的多尺度LBP特征提取方法提取特征,将高阶尺度采样点信息融合其邻域相关点信息作为该采样点的最终信息参与运算,同时利用对角线区域求平均操作,突出了邻域像素点之间的关系特征,从更大范围描述肝脏图像的纹理信息,最后进行分类。实验结果表明:所提方法的准确率可达到90.1%,相比原始的LBP特征提取方法提高了8.7%,有一定的临床应用意义,可用于医生的辅助诊断。