摘要:

摘要:将草图作为检索示例用于图像检索称为基于草图的图像检索，简称草图检索.其中，细粒度检索问题或类内检索问题是2014年被研究者提出并快速成为广受关注的研究方向.目前研究者通常用三元组网络来解决类内检索问题，且取得了不错的效果.但是三元组网络的训练非常困难，很多情况下很难收敛甚至不收敛，且存在着容易过拟合的风险.借鉴循环生成对抗训练的思想，设计了SketchCycleGAN帮助提高三元组网络训练过程的效率，以对抗训练的方式使其参与到三元组网络的训练过程中，通过充分挖掘数据集自身信息的方式取代了利用其他数据集进行预训练的过程，在简化训练步骤的基础上取得了更好的检索性能.通过在常用的细粒度草图检索数据集上的一系列对比实验，证明了所提方法的有效性和优越性.

摘要:行人重识别是指在多个非重叠摄像头拍摄的场景下，给定一幅查询行人图像，从大规模行人图像库中检索出具有相同身份的行人图像，是一类特殊的图像检索任务.随着深度学习的不断发展，行人重识别方法的性能得到了显著提升.但是行人重识别在实际应用中经常遭遇遮挡问题（例如，背景遮挡、行人互相遮挡等）.由于遮挡图像不仅丢失了部分目标信息，而且引入了额外的干扰，使得现有方法往往难以学习到鲁棒的特征表示，从而导致识别性能严重下降.最近，生成对抗网络在各类计算机视觉任务上展现出强大的图像生成能力.受到生成对抗网络的启发，提出了一种基于多尺度生成对抗网络的遮挡行人重识别方法.首先，利用成对的遮挡图像和非遮挡图像训练一个多尺度生成器和一个判别器.多尺度生成器能够对随机遮挡区域进行去遮挡操作，生成高质量的重构图；而判别器能够区分输入图像是真实图像还是生成图像.其次，利用训练好的多尺度生成器，生成去除随机遮挡的训练图像，添加到原始训练图像集，用于增加训练样本的多样性.最后，基于此扩充训练图像集，训练分类识别模型，有效地提高模型在测试图像集上的泛化性.在多个有挑战性的行人重识别数据集上的实验结果，验证了所提出方法的有效性.

摘要:人体解析旨在将人体图像分割成多个具有细粒度语义的部件区域，进行形成对人体图像的语义理解.然而，由于人体姿态的复杂性，现有的人体解析算法容易对人体四肢部件形成误判，且对于小目标区域的分割不够精确.针对上述问题，联合人体姿态估计信息，提出了一种人体精确解析的双分支网络模型.该模型首先使用基干网络表征人体图像，将人体姿态估计模型预测到的姿态先验作为基干网络的注意力信息，进而形成人体结构先验驱动的多尺度特征表达，并将提取的特征分别输入至全卷积网络解析分支与检测解析分支.全卷积网络解析分支获得全局分割结果，检测解析分支更关注小尺度目标的检测与分割，融合两个分支的预测信息可以获得更为精确的分割结果.实验结果验证了该算法的有效性，在当前主流的人体解析数据集LIP和ATR上，所提方法的mIoU评测指标分别为52.19%和68.29%，有效提升了解析精度，在人体四肢部件以及小目标部件区域获得了更为准确的分割结果.

摘要:视频的记忆度是一种度量指标，用来表示一段视频能够普遍被人记住的程度.令人记忆深刻而难忘的视频具有很大的潜在价值，因此对能够进行大规模视频记忆度自动预测的模型将会有广大的应用前景和市场，例如视频检索、数字内容推荐、广告设计、教育系统等等.现有的大部分工作都是直接利用深度神经网络学习到的一个全局表示来进行记忆度的预测，没有给予局部细节足够的重视.提出了一个基于全局和局部信息的视频记忆度预测模型，其中，包含3个模块：全局性的上下文表示模块、空间布局表示模块和局部的物体注意力模块.在实验结果中，全局性的上下文表示模块和局部的物体注意力模块分别具有很好的表现.而空间布局表示模块的预测能力虽不如其他两个模块，但3个模块的融合使结果有了进一步的提升.最后，在MediaEval 2018 Media Memorability Prediction Task的数据集上证明了模型的有效性.

摘要:随着移动互联网的飞速发展，用户越来越多地通过移动设备访问Web应用.浏览器为Web应用提供基本的计算、渲染等运行时支撑，其缓存机制可以支持Web应用直接从本地而不是通过网络来获取可复用资源，不仅能够减少整体的执行时间从而提升应用加载速度，还能够减少网络流量使用和电池电量消耗，从而保证移动Web用户体验.近年来，围绕面向移动Web应用的浏览器缓存优化得到了国内外学术界和工业界的广泛关注.然而，现有研究工作大多都是从网络层面关注浏览器缓存的整体性能，未充分考虑移动互联网用户访问行为的差异性和动态性，以及Web应用自身持续演化对浏览器实际缓存性能的影响.针对这一问题，首先设计了一种新型主动式缓存度量实验，通过仿真用户的访问行为来分析移动Web应用实际资源使用情况，揭示了浏览器缓存的理论性能上限和实际性能之间的巨大差距，并发现了造成这一差距的3个主要原因：重复请求别名资源、启发式过期时间和保守的过期时间配置.基于此发现，从应用层和平台层分别提出了两种浏览器缓存性能优化方案，并实现了原型系统.实验结果表明，采用两种方法分别平均可减少8%~51%和4%~58%的网络流量，且系统开销较小.

摘要:基于日志数据的故障诊断是指通过智能化手段分析系统运行时产生的日志数据以自动化地发现系统异常、诊断系统故障.随着智能运维（artificial intelligence for IT operations，简称AIOps）的快速发展，该技术正成为学术界和工业界的研究热点.首先总结了基于日志数据的分布式软件系统故障诊断研究框架，然后就日志处理与特征提取、基于日志数据的异常检测、基于日志数据的故障预测和基于日志数据分析的故障根因诊断等关键技术对近年来国内外相关工作进行了深入分析，最后以所提出的研究框架为指导总结相关研究工作，并对未来研究可能面临的挑战进行了展望.

摘要:随着分布式软件系统在各个行业的广泛应用，如何提升系统运维效率，保障其服务的可靠与稳定，得到了学术界与工业界的关注.分布式软件系统其规模庞大、结构复杂、持续更新且大量服务请求并发执行的特点，给分布式软件系统的运维任务带来了严峻的挑战.传统的以组件/节点/进程/线程为中心的系统监控与追踪方法难以支持分布式软件的故障诊断、性能调优、系统理解等运维任务.分布式追踪技术识别并提取出分布式软件系统因处理单个服务请求所产生的因果相关的事件，以服务请求为中心对分布式软件系统的行为进行精准、细粒度地刻画，对提高分布式软件系统的运维效率有重要意义.对分布式追踪技术的研究与应用进行了综述，从追踪数据获取、请求事件提取、因果关系判断及请求路径表示这4个方面总结了分布式追踪技术的现状；同时以基于请求执行路径的故障诊断和性能分析为例，讨论了学术界对分布式追踪技术的应用研究；最后，对分布式追踪技术的数据读写依赖问题、通用性问题和评价问题进行了探讨并对未来的研究方向进行了展望.

摘要:软件复杂性的增加，给软件安全性带来极大的挑战.随着软件规模的不断增大以及漏洞形态多样化，传统漏洞挖掘方法由于存在高误报率和高漏报率的问题，已无法满足复杂软件的安全性分析需求.近年来，随着人工智能产业的兴起，大量机器学习方法被尝试用于解决软件漏洞挖掘问题.首先，通过梳理基于机器学习的软件漏洞挖掘的现有研究工作，归纳了其技术特征与工作流程；接着，从其中核心的原始数据特征提取切入，以代码表征形式作为分类依据，对现有研究工作进行分类阐述，并系统地进行了对比分析；最后，依据对现有研究工作的整理总结，探讨了基于机器学习的软件漏洞挖掘领域面临的挑战，并展望了该领域的发展趋势.

摘要:自动术语抽取是从文本集合中自动抽取领域相关的词或短语，是本体构建、文本摘要、知识图谱等领域的关键基础问题和研究热点.特别是，随着近年来对非结构化文本大数据研究的兴起，使得自动术语抽取技术进一步得到学者的广泛关注，取得了较为丰富的研究成果.以术语排序算法为主线，对自动术语抽取方法的理论、技术、现状及优缺点进行研究综述：首先概述了自动术语抽取问题的形式化定义和解决框架.然后围绕"浅层语言分析"中基础语言信息和关系结构信息两个层面的特征对近年来国内外的研究成果进行分类，系统总结了现有自动术语抽取方法的研究进展和面临的挑战.最后对术语抽取使用的数据资源及实验评价进行分析，并对自动术语抽取未来可能的研究趋势进行了探讨与展望.

摘要:机器阅读理解的目标是使机器理解自然语言文本，并能够正确回答与文本相关的问题.由于数据集规模的制约，早期的机器阅读理解方法大多基于人工特征以及传统机器学习方法进行建模.近年来，随着知识库、众包群智的发展，研究者们陆续提出了高质量的大规模数据集，为神经网络模型以及机器阅读理解的发展带来了新的契机.对基于神经网络的机器阅读理解相关的最新研究成果进行了详尽的归纳：首先，概述了机器阅读理解的发展历程、问题描述以及评价指标；然后，针对当前最流行的神经阅读理解模型架构，包括嵌入层、编码层、交互层和输出层中所使用的相关技术进行了全面的综述，同时阐述了最新的BERT预训练模型及其优势；之后，归纳了近年来机器阅读理解数据集和神经阅读理解模型的研究进展，同时，详细比较分析了最具代表性的数据集以及神经网络模型；最后展望了机器阅读理解研究所面临的挑战和未来的研究方向.

摘要:机器学习已成为大数据、物联网和云计算等领域的核心技术.机器学习模型训练需要大量数据，这些数据通常通过众包方式收集，其中含有大量隐私数据，包括个人身份信息（如电话号码、身份证号等）、敏感信息（如金融财务、医疗健康等信息）.如何低成本且高效地保护这些数据是一个重要的问题.介绍了机器学习及其隐私定义和隐私威胁，重点对机器学习隐私保护主流技术的工作原理和突出特点进行了阐述，并分别按照差分隐私、同态加密和安全多方计算等机制对机器学习隐私保护领域的研究成果进行了综述.在此基础上，对比分析了机器学习不同隐私保护机制的主要优缺点.最后，对机器学习隐私保护的发展趋势进行展望，并提出该领域未来可能的研究方向.

摘要:深度学习通过多层特征提取方式，可以将原始复杂数据自动表征为高级抽象特征，该模型具有很强的建模能力，普遍应用于图像识别语音识别、自然语言处理等高复杂问题中.但深度学习由于网络层数深、参数规模庞大，训练时常常会产生梯度消失、陷入局部最优解、过度拟合等现象.借鉴集成学习的思想，提出一个新颖的深度共享集成网络，该网络通过在深度学习各隐藏层引出多个独立输出层的联合训练的方式，在网络的各层注入梯度，从而对低层隐藏层进行梯度补给，从而降低深度学习中的梯度消失现象，并通过集成多输出层的方式使得整个网络拥有更强的泛化性能.

摘要:事件序列中蕴藏的频繁情节刻画了用户或系统的行为规律.现有的频繁情节挖掘算法在各自支持度定义下具有较好的挖掘效果，但在支持度定义发生变化时却很难甚至无法直接挖掘频繁情节.针对用户多变的支持度定义需求，提出了一种频繁情节挖掘算法FEM-DFS（frequent episode mining-depth first search）.该算法通过单遍扫描事件序列，以深度优先搜索方式来发现频繁情节，以共享前/后缀树来存储频繁情节，以单调性、前缀单调性或后缀单调性来压缩频繁情节的搜索空间.实验评估证实了所提出算法的有效性.

摘要:数据转发与控制分离的软件定义网络（software defined networking，简称SDN）是对传统网络架构的彻底颠覆，为网络各方面的研究引入了新的机遇和挑战.随着传统网络研究方法在SDN中遭遇瓶颈，基于深度学习的方法被引入到SDN的研究中，在实现实时智能的网络管控上成果颇丰，推动了SDN研究的深入发展.调查了深度学习开发平台，训练数据集、智能SDN架构等深度学习引入SDN的促进因素；对智能路由、入侵检测、流量感知和其他应用等SDN研究领域中的深度学习应用进行系统的介绍，深入分析了现有深度学习应用的特点和不足；最后展望了SDN未来的研究方向与趋势.

摘要:DNS为互联网应用提供名字解析服务，是互联网的重要基础服务设施.近年发生的互联网安全事件表明DNS正面临严峻的安全威胁.DNS的安全脆弱性主要包括：协议设计脆弱性、技术实现脆弱性和体系结构脆弱性.针对上述脆弱性，对DNS协议设计、系统实现、检测监控和去中心化等方面的最新研究成果进行了归纳和总结，并且对未来可能的热点研究方向进行了展望.

摘要:数据中心网络是现代网络和云计算的重要基础设施，实现数据中心网络负载均衡是保证网络吞吐并提高服务体验的关键环节.首先分析了数据中心网络与传统互联网之间的区别，总结其特点及特殊性在负载均衡方案设计方面的优势.然后从数据中心的复杂性和多样性角度分析其负载均衡方案设计所面临的挑战.将现有数据中心网络负载均衡方案根据不同的实现层次从网络层、传输层、应用层和综合方案4个角度进行分析，对比各个方案的优缺点，并从控制结构、负载均衡粒度、拥塞感知机制、负载均衡策略、可扩展性和部署难度几个方面进行综合评价.最后对现有数据中心网络负载均衡方案进行总结，并指出未来可能的研究方向.

摘要:超声诊断是甲状腺、乳腺癌首选影像学检查和术前评估方法.但良/恶性结节的超声表现存在重叠，仍欠缺定量、稳定的分析手段，严重依赖操作者的经验.近年来，基于计算机技术的医疗影像分析水平快速发展，超声影像分析取得了一系列里程碑式的突破，为医疗提供有效的诊断决策支持.以甲状腺、乳腺两类超声影像为对象，梳理了计算机视觉、图像识别技术在医学超声图像上的学术进展，以超声影像自动诊断涉及的一系列关键技术为主线，从图像预处理、病灶区定位及分割、特征提取和分类这4个方面对近年来主流算法进行了详尽的综述分析，从算法分析、数据和评估方法等方面进行多维度梳理.最后讨论了具体面向这两种腺体的超声图像计算机分析存在的问题，并对此领域的研究趋势和发展方向进行了展望.