摘要：设计了一种多阶段水下图像增强模型,可以同时将空间精细纹理和高级上下文信息两种特征融合。模型由三个阶段组成,前两个阶段采用编码器-解码器结构,第三阶段则采用并行注意子网,所提模型可以同时学习空间细节和上下文信息两种特征,并且引入了监督注意力模块,能够加强特征学习,还设计了一个跨阶段特征融合机制用来巩固前后子网的中间特征。最后将所提模型与其他水下增强模型在同一测试集上运行,从运行结果得出,所提模型处理后的水下图像在主观视觉效果和客观评价质量上均优于大部分对比算法,在Test-1测试集上,峰值信噪比和结构相似度分别达到了26.2962 dB和0.8267。

摘要：针对水下底栖生物检测模型参数量过多,计算量过大,同时水下环境复杂容易造成错检和漏检,影响模型在水下底栖生物检测任务中的准确性的问题。提出了一种水下底栖生物轻量化检测算法YOLOv7-RFPCW。对YOLOv7网络重新设计轻量级网络结构,降低了特征提取网络的参数量和计算量,减少模型体积。设计了P-ELAN和P-ELAN-W模块,进一步轻量化特征提取网络;针对水下图像颜色失真,目标的空间位置不准确的问题,采用CBAM注意力模块加强特征融合,减少信息丢失,以更好地适应特殊的水下环境;针对水下目标容易出现形状变形的问题,使用WIOU-V3损失函数替换默认的CIOU损失函数,提高水下底栖生物检测的鲁棒性。试验结果显示,改进后的模型YOLOv7-RFPCW的参数量和计算量分别减少了75.9%和30.7%,模型体积减小了75.3%,精度提升了1.9个百分点。这一综合性的提升兼顾了轻量化和精度,为在水下环境中部署提供了可行的解决方案,验证了所提出的改进算法能胜任水下底栖生物检测任务。

摘要：联邦学习作为一种新兴的分布式机器学习框架,通过在用户私有数据不出域的情况下进行联合建模训练,有效地解决了传统机器学习中的数据孤岛和隐私泄露问题。然而,联邦学习存在着训练滞后的客户端拖累全局训练速度的问题,异步联邦学习允许用户在本地完成模型更新后立即上传到服务端并参与到聚合任务中,而无需等待其他用户训练完成。然而,异步联邦学习也存在着无法识别恶意用户上传的错误模型,以及泄露用户隐私的问题。针对这些问题,该文设计一种面向隐私保护的异步联邦的安全梯度聚合方案(SAFL)。用户采用本地差分隐私策略,对本地训练的模型添加扰动并上传到服务端,服务端通过投毒检测算法剔除恶意用户,以实现安全聚合(SA)。最后,理论分析和实验表明在异步联邦学习的场景下,提出的方案能够有效识别出恶意用户,保护用户的本地模型隐私,减少隐私泄露风险,并相对于其他方案在模型的准确率上有较大的提升。

摘要：为了快速准确地检测出小目标生物(海参、扇贝、海星和海胆)在复杂水下环境的位置及所属种类,提出一种基于改进YOLOv5s的小目标生物检测算法。在特征提取阶段,引入基于多头自注意力设计的自注意力残差模块,强化网络全局建模能力的同时,强化目标特征信息;在特征融合阶段,将特征融合网络调整为添加横向连接的双向特征金字塔结构,增强网络融合不同阶段特征信息的能力;在检测阶段,舍弃大目标检测尺度并添加小目标的检测尺度,提升小目标生物的检测精度;最后,引入α–CIo U损失函数作为模型边界框回归损失函数,提高边界框回归精度,进而提高算法检测准确率。定性试验中,几乎所有肉眼可见的水产品目标都被改进模型检出,并正确标记,体现了改进算法的有效性。α值选取试验中,α值为2.0时效果最佳,平均精度均值(mAP)均优于其他值的,达到0.857,较α值为1.0时的提升了0.016。消融试验中,添加任一优化方法均会提升改进模型的检测精度,最终改进模型的m AP达0.873,较原模型的提升了0.032,模型参数量减少了26.8%,仅有5 M。对比试验中,改进模型的m AP较Faster RCNN、YOLOv3、YOLOv4、YOLOv5s、YOLOvX、SSD、NAS–FCOS、改进YOLOv5等的提升了0.020以上;改进模型在本地服务器的检测速度达139帧/s,较YOLOv5s的提升了14帧/s,略逊于以检测速度著称的SSD模型的。可见,改进模型能满足轻量和实时性要求。改进模型也成功部署到安卓移动设备中。

摘要：【目的】提出一种基于改进YOLOv5_OBB的旋转目标检测方法,快速、准确地检测和定位中华绒螯蟹。【方法】首先,在YOLOv5_OBB的主干网络中引入高效通道注意模块;其次,采用BiFPN网络结构进行特征融合模块设计,实现高效的双向跨尺度连接和加权特征融合;最后,采用变焦损失(varifocal loss)解决正负样本不均衡问题。【结果】改进后YOLOv5_OBB模型的P(precision)、R(recall)和mAP(mean average precision)分别达到95.4%、95.2%和90.1%,比原模型分别提高了1.0%、1.9%和1.3%。【结论】该模型能够实时、准确地检测和定位中华绒螯蟹,实现自动化养殖。

摘要：精确的海浪有效波高(简称浪高)预测对于海上生产生活具有重要意义。针对现有海浪浪高预测模型对不同海洋要素间关联信息考虑不足,以及长时序浪高数据本身存在非平稳性的问题,本文设计了一种考虑物理约束与差值约束的海浪浪高时间序列预测方法。该方法基于风速与浪高之间的物理关联,设计物理约束,并通过提取差分信息设计差值约束,结合现有基于深度学习的时间序列预测模型,实现浪高预测。采用黄海和东海的6个不同站点浮标数据进行了大量实验。实验结果表明,本文提出的方法可以利用海洋要素间的物理关联,有效提高浪高预测精度,并避免因不同要素间融合造成的信息间干扰;同时,利用差值约束,限制时间序列预测结果的变动范围。本文方法可以与不同类型的时间序列预测模型相结合,显著提升原有模型的性能,并在长时间序列的预测中体现出很好的鲁棒性,为海洋要素预测中物理与数据驱动模型的有效结合提供了思路和验证。

摘要：深远海海域情况复杂,海面风速极易受海洋中尺度事件影响。所造成的异常数据点和Bump事件将导致爬坡检测准确率下降,影响深远海风电功率短期预测精度。因此,提出了一种同时考虑爬坡事件以及深远海气象因素的深远海风电功率短期预测方法。首先,设计基于状态标记和滑动窗口改进的参数和分辨率自适应算法(parameter and resolution adaptive algorithm,PRAA)实现爬坡事件检测并完成特征量提取;其次,分析深远海风速、风向及温度等多因素关联关系,扩充深远海气象因素特征样本维度,并通过主成分分析法(principal component analysis,PCA)深度挖掘潜在特征;最后,基于某海上风电场的实测数据,采用考虑爬坡和深远海气象因素的轻量梯度提升机(light gradient boosting machine,LightGBM)算法完成深远海风电功率的短期预测,仿真结果验证了所提方法的有效性。

摘要：随着物联网和大数据技术的发展,在计算机和手机上出现了大量分布式应用程序.然而现有的分布式数据处理方式已不能很好地满足用户对隐私保护的需求.隐私集合交集(private set intersection,PSI)协议作为一项典型的面向隐私保护的分布式集合计算技术,允许各参与方输入其私有集合,共同计算集合的交集,且不泄露除交集以外的任何信息.PSI协议作为安全多方计算的一种重要应用,已被广泛应用于隐私计算领域,具有重要的理论和实践意义.首先介绍PSI协议的基本密码技术、敌手模型、安全证明、编程框架等基础知识;其次系统总结了构造传统PSI协议的设计框架:基于公钥加密体制的框架、基于混淆电路的框架、基于不经意传输的框架;随后介绍PSI协议核心的隐私集合元素比较技术工具:不经意伪随机函数、不经意多项式评估、布隆过滤器等;进一步地详细阐述了适应新型应用场景的PSI方案:基于云辅助的PSI、非平衡型PSI、基于阈值的PSI和多方PSI;最后总结并展望面向隐私保护的集合交集计算中亟待解决问题和发展方向.

摘要：卷积神经网络进行实时图像语义分割时,处理大片色彩变化较小的像素区域时会存在计算的空间冗余,同时轻量级网络进行特征提取时的精度较低。针对上述两个问题,利用改进后MobileNet v3和轻型高频采样(OTCHL)模块设计了一种实时语义分割网络。首先利用hard-swish激活函数对轻量级网络MobileNet v3进行精度补偿,提出改进后的MobileNet v3特征提取网络;其次基于八度卷积设计OTCH-L模块,解决空间冗余问题,在保证精度的同时,降低模型计算量。在Pascal VOC2012数据集上进行训练实验,并在Pascal VOC2007数据集上对模型进行验证。实验结果表明,所提模型分割速度达到25.94 frame/s,分割平均交并比(MIoU)达70.34%。相比主流语义分割模型SegNet、PSPNet、DeepLab v3 plus,所设计模型在维持分割精度的前提下,分割速度有显著提升。

摘要：隐私集合交集(private set intersection, PSI)允许持有私有集合的参与方安全地获得集合的交集,而不会泄露除交集之外任何元素的信息.现有的两方/多方PSI协议大多基于不经意传输(oblivious transfer, OT)协议,具有很高计算效率的同时,也带来了巨大通信开销.在很多场景中,扩展网络带宽是非常昂贵甚至不可行的,而目前不依赖于OT设计且计算高效的多方PSI协议仍然较少.基于一轮密钥协商构造了三方参与的PSI计算协议,分别在半诚实模型和恶意安全性模型下,证明了协议的安全性且允许任意两方的合谋攻击.通过实验仿真,在大集合场景,相比现有基于OT的多方PSI协议,所构造的协议具有最优的通信轮数且通信量降低了89%~98%;在小集合场景(500个元素或更少),相比适用弱通信网络的同类PSI协议,具有最优运行时间和通信负载,比依赖于同态加密的PSI协议快10~25倍.