蜕变测试作为一种新兴的软件测试技术,近年来得到蓬勃发展,并成功应用于多个领域。文章系统地梳理了自2016年以来蜕变测试技术的相关研究工作。首先,介绍了蜕变测试技术的基本概念、原理及其具体实施过程。其次,阐述了蜕变关系的研究现状,并在此基础上总结出6种蜕变关系模式,为测试人员识别有效的蜕变关系提供了思路和参考。再次,从不同角度汇总了蜕变测试在各个领域的应用。最后,对蜕变测试技术未来的发展方向进行了展望。
针对遥感图像目标检测因目标尺寸小和类别不均衡而导致的误检、漏检和置信度低的问题,提出了一种基于深度学习的目标检测方法。该方法的核心在于提出细粒度上下文模块构建主干网络,设计特征分化结构以增强对应尺寸目标的特征表达,定义自适应双重焦点损失函数替换交叉熵损失函数。提出的方法命名为细粒度特征分化网络。通过在RSOD、DOTA-1.0和VisDrone-2019三个公开的遥感图像数据集上进行实验,发现细粒度特征分化网络的mAP@0.5比基准模型YOLOv5s的相应指标分别提高了3.9百分点、4.2百分点和4.8百分点。实验结果表明,所提方法能够进行高效的遥感图像目标检测。
现有的基于内容相似性的推荐算法在处理文本内容时,往往忽略了词序和上下文信息的重要性,并且计算复杂度较高。因此,文章提出了一种基于过滤冗余信息相似性的启发式方法,并成功地将该方法应用于电影推荐领域,实现了更精准的推荐效果。与其他算法对比,该算法在预测1部电影时的准确率提升了0.07百分点~0.24百分点,在预测3部电影时的准确率提升了0.05百分点~0.30百分点。以该算法的召回率作为基准(设为100%),在预测1部电影时,其他算法的召回率仅为该算法的2.38%~70.24%;在预测3部电影时,其他算法的召回率仅为该算法的3.78%~84.87%。以上结果证明了该算法的有效性和可行性。
为了适应智能农业的发展需求,并解决杂草检测过程中常见的效率低和可靠性不足的问题,文章提出一种基于改进YOLOv8(You Only Look Once)算法的轻量化高性能杂草检测模型。基于Ghost Conv(Ghost卷积)设计了全新的轻量化C3Ghost(Cross Stage Partial Network)模块以取代C2f(CSPDarknet53 to 2-Stage FPN),此外在模型的Neck部分引入CBAM(Convolutional Block Attention Module)注意力机制模块。通过构建专门的杂草数据集检测模型性能,发现该改进模型在杂草检测任务中的mAP-0.5达到了90.5%,mAP-0.5∶0.9评价标准达到54.4%。与官方发布的YOLOv8-s模型相比,分别提高了0.8%和0.3%,改进后的模型参数量减少了46.18%,计算量降低了42.81%。以上结果证明了所提改进策略在模型轻量化方面的有效性,为智能农业中的杂草管理提供了理论和技术支持。
面对网络流量新类别不断涌现的挑战,以及随之而来的开集识别和模型更新需求,文章提出了一种基于增量学习的开集网络流量分类方法。对于开集识别,支持向量机和K均值聚类算法的级联结构可以持续识别新类和已知类;对于模型更新,基于候选支持向量筛选的“样本回放”和新旧模型加权融合的“参数回放”方法,能有效解决“有类增量的灾难性遗忘”问题。与ISK和DACS方法相比,该方法应用在开集流量识别和分类任务中表现出显著优势,F1 分数能提高1百分点至8百分点,分类速度也优于现有方法。
3D目标检测是自动驾驶技术的基础,融合激光点云和图像等模态的信息可以有效地提高目标检测的准确性和鲁棒性。文章改进了现有融合激光点云和图像等模态信息的3D目标检测网络,提出了一种新的并行融合模块,用于同时维护两种模态下的特征信息,减少信息损失。此外,利用掩码特征增强模块,提高受遮挡物体的检测能力。在KITTI(Karlsruhe Institute of Technology and Toyota Technological Institute)数据集上进行了验证,实验结果表明,相比于基准网络,该方法有效提高了3D目标检测的性能,平均精度达到了77.41%,同时优于目前大多数的先进方法。
针对菌落计数问题,人工计数方法存在效率低、精度不高的问题。为了解决这些问题,提出了一种改进YOLOv5的模型,即YOLOES。该模型通过添加小目标检测层,并将Kmeans算法替换为Kmeans++算法,以更好地适应不同尺寸的目标;同时,采用Focal-EIoU损失函数解决难易样本的问题,引入了SPPCSPS(Spatial PyramidPooling Convolutional Spatial Pyramid Convolution)模块以增强特征表示能力,并在特征提取阶段引入了置换注意力机制。通过在大肠杆菌菌落数据集进行实验验证,结果显示相较于初始的YOLOv5模型,YOLOES的mAP@0.5提升了17.3百分点,表明YOLOES在菌落检测任务上具有更优越的性能。
随着我国电力行业的飞速发展,传统的人工电力巡检方式已无法满足当前行业的发展需求。文章提出一种基于深度学习的电力巡检目标检测与追踪模型。该模型通过在YOLOv7中引入CBAM(Convolutional BlockAttention Module)注意力模块,构建了CBAM-YOLOv7改进检测算法,并将其识别结果作为DeepSORT(SimpleOnline and Realtime Tracking With A Deep Association Metric)目标追踪算法的输入,实现了对电网故障的有效检测与追踪。实验结果表明,相较于原YOLOv7算法,改进后的CBAM-YOLOv7算法在精确度、召回率、平均精度3个评价指标上均有提升,而DeepSORT算法的平均MOTA值也达到87.817%。这证明了该模型能够在真实复杂场景下准确地定位电网故障。
为了优化区域交通信号配时方案,提升区域通行效率,文章提出一种基于改进多智能体Nash QLearning的区域交通信号协调控制方法。首先,采用离散化编码方法,通过划分单元格将连续状态信息转化为离散形式。其次,在算法中融入长短时记忆网络(Long Short Term Memory,LSTM)模块,用于从状态数据中挖掘更多的隐藏信息,丰富Q值表中的状态数据。最后,基于微观交通仿真软件SUMO(Simulation of Urban Mobility)的仿真测试结果表明,相较于原始Nash Q Learning交通信号控制方法,所提方法在低、中、高流量下车辆的平均等待时间分别减少了11.5%、16.2%和10.0%,平均排队长度分别减少了9.1%、8.2%和7.6%,平均停车次数分别减少了18.3%、16.1%和10.0%。结果证明了该算法具有更好的控制效果。
为了提高CT图像中病灶分割的准确性,辅助医生快速诊断和制订治疗方案,文章采用基于UNet网络结构的深度学习算法,提出了一种在跳跃连接中融入通道域和空间域注意力机制的方法。此方法增强了高层次特征对低层次特征的指导,以达到对小目标病灶的关注。同时,为了提高模型性能,提出了CrossEntropyLoss和DiceLoss的混合损失函数。实验结果表明,改进后的UNet模型分割平均准确率达到90.86%,相较于传统的UNet和SegNet模型,分别提升了3.01百分点和2.38百分点,表现出更高的像素准确率及更快的收敛速度。
在当前的互联网营销环境中,多数模型尚未深入分析用户特征及用户行为的复杂性。对此,文章提出一种基于文本卷积神经网络(TextCNN)与多头注意力机制增强的xDeepFM(eXtreme Deep Factorization Machine)模型,即xDTCMAFM。首先,利用TextCNN高效地从文本数据中提取关键特征;其次,通过多头注意力机制进行不同子空间的特征提取;最后,使用xDeepFM模型实现深度显隐特征的交叉融合。实验表明,在两个互联网营销活动数据集上,该模型的AUC值分别达到了69.09%和72.98%,表现出了较好的性能,与xDeepFM等流行模型及融合注意力机制的改进模型相比均有一定提升。
针对测试用例优先排序中存在的覆盖准则选择困难、确定最优准则序列难等问题,提出了一种基于扩展有限状态机模型的最优覆盖准则序列排序方法(CWTCP)。该方法首先运用鲸鱼优化算法挑选出最优覆盖准则序列,为后续的排序提供了有力支持;其次将覆盖准则序列依次应用在多轮排序中,以应对可能出现的平局问题。为了验证CWTCP方法的有效性,在5个扩展有限状态机模型上进行了实验,采用平均故障检测百分比(APFD)作为度量标准。实验结果表明,CWTCP的平均APFD值为0.918,比随机算法的相应值高了19.8%。
为合理征收房产交易契税,需要对房产做出准确估价。鉴于目前的房产估价研究大多使用传统评估方法,为提升房产估价效果,本研究采用机器学习方法,基于房屋区位因素、邻里因素和建筑因素设计估价指标体系,使用某市存量房交易数据,构建Random Forest模型、LightGBM 模型和XGBoost模型进行房产交易估价对比。实验结果表明,XGBoost模型的表现最佳。为进一步提升模型性能,采用贝叶斯优化对XGBoost模型的参数组合进行调整。改进后的模型的MAE指数提高了0.4百分点,MAPE指数提高了1百分点,RMSE指数提高了0.6百分点,有效提升了房产估价的准确性,也为XGBoost算法在房产交易领域的应用积累了实证经验。
针对传统的多模态融合方法在抑郁症检测中忽略了模态之间的交互性、未能充分提取出更全面的特征表示的问题,本研究提出一种基于多模态特征增强网络的抑郁症检测方法,该方法有效地集成了视频、音频和远程光电容积脉搏(photoplethysmographic,rPPG)信号3种模态,通过模态间Transformer、模态内Transformer和多头自注意力机制,共同学习输入模态序列每个时间步的模态内和模态间的动态关系,达到了特征增强的目的。最终,拼接3个模态增强后的特征获得全面特征表示。在AVEC2013公共数据集上的实验结果显示,该方法的平均绝对误差为7.07,优于单模态抑郁症检测,表明该方法有效促进了模态之间的交互,并实现了特征增强,在自动抑郁症检测任务中展现出显著的有效性。
对CUDA核函数(CUDA Kernel Function)在静态下的评估预测是任务调度与程序优化的一个关键组成部分。文章通过对CUDA核函数的PTX(Parallel Thread Execution)进行代码分析和特性建模,精心设计了一个时间预测模型。该模型基于指令流水线的原理,可以在不执行程序的情况下,预测核函数在给定硬件环境下的执行时间。实验结果表明,该模型在预测CUDA核函数执行时间上的平均百分比误差为22.87%。这意味着该模型能够相对准确地预测核函数的执行时间,为任务调度系统提供参考,并辅助开发人员对程序进行优化。