计算机工程与应用

当前目录

• 集合覆盖问题：算法与应用

  锁小娜, 王晓峰, 颜冬, 胡思敏, 宋家欢

  集合覆盖问题作为组合优化领域的核心基础问题，因其NP-hard复杂性，广泛应用于无线网络基站部署、物流配送路径规划等工程领域，具有重要的实际应用价值。近年来，针对其求解的算法研究不断推进，主要包括启发式算法、群智能优化算法、进化算法、机器学习以及基于实际应用的算法等。系统地梳理集合覆盖问题的研究现状与算法发展脉络，从算法设计原理、结构适应性、性能对比等方面展开综述。总结各类算法的优势与局限，归纳适用场景与发展趋势，并展望集合覆盖问题在大规模数据集下的研究方向，旨在为相关研究提供理论支持与方法指导。

• 基于大语言模型的下一代AI实验室研究进展

  段潮舒, 尹辉, 唐若晨, 安正源, 吴妃峰, 赵子龙, 黄建国, 张爱敏

  人工智能（AI）和机器人技术的快速发展，推动实验室自动化程度不断提升，从传统人工实验转变为机器实验，提升了实验效率和可重复性。机器学习算法辅助实验室推动了合成、测试、催化自动化进程，并向合成-表征-性能测试的全流程发展。大语言模型（large language model，LLM）凭借精准信息筛选、长序列捕捉、复杂语义关系解析等优点，进一步提高了实验室的智能化与自动化程度。大语言模型整合多领域知识进行实验设计，并将步骤转换为可执行代码；机器人再根据指令执行操作，实现理论计算、算法设计、自动化实验等功能协同，引领了科研新范式。因此，这种自主进行实验设计和科学研究的智能系统，被称为“下一代AI实验室”。阐述了大语言模型的原理与应用，总结了AI赋能实验室的发展过程，重点探讨了LLM和AI实验室深度融合的模式和成效，最后对面临的机遇和挑战进行了展望。

• 大模型时代下的注意力机制优化综述

  史登辉, 奚雪峰, 崔志明, 朱润, 王坚

  自从注意力机制（attention mechanism）提出后，基于注意力机制的Transformer架构很快确立了大模型的核心地位，大语言模型迎来了新的发展方向，推动了自然语言处理、计算机视觉等众多领域取得了丰厚的成果。近年来，随着大模型迅猛发展，模型的参数规模持续增长，传统的Transformer架构已经难以满足庞大的模型训练要求。除了堆积算力之外，模型架构的调整以及对于注意力机制的进一步挖掘是解决这一挑战的有效途径，成为了研究的热点。介绍传统的Transformer架构以及近年来对于Transformer架构及其变体的研究现状，分析其核心自注意力机制的原理及其面临的瓶颈。分析总结近年来注意力模块的改进，以DeepSeek为例，探索其爆火背后基于Transformer的MoE架构和多头潜在注意力机制（multi-head latent attention，MLA）的核心技术路径。总结优化注意力机制的研究现状，并展望未来研究方向。

• 联邦学习驱动的网络入侵检测研究综述

  张舒琦, 王海凤, 王再平, 赵鹏, 刘英华, 池志宏, 赵昕晟

  随着网络流量的快速增长和攻击手段的不断演化，传统入侵检测方法在数据孤岛、隐私保护和异构环境适配方面暴露出明显不足。联邦学习因具备“数据不出本地”的特性，为跨域协作建模和隐私保护提供了新思路，但针对其在入侵检测领域的研究尚缺乏系统化梳理与方法演进分析。围绕联邦学习驱动的网络入侵检测研究，从聚合策略、隐私保护机制和检测技术三大核心维度出发，系统总结近年来的研究进展，分析各类方法的优劣与适用场景，并归纳当前面临的挑战与发展趋势。为该领域相关研究人员提供研究思路，也为实际系统的设计与部署提供理论支撑。

• 深度学习在药物-药物相互作用预测中的研究进展

  申玥玥, 史加荣, 雍龙泉

  多药联合治疗引发的药物-药物相互作用（drug-drug interaction，DDI）风险日益突出，而传统实验方法虽具有可靠性，却因成本高、周期长而难以应对。以药物特征表示为主线，将现有深度学习方法归纳为五类：序列特征、结构化特征、图结构、知识图谱和多模态融合，并系统分析其应用特点与优缺点。基于两个基准数据集的实验结果表明，图结构和知识图谱方法在复杂预测任务中表现最优。进一步从药物研发、临床应用和决策支持三个层面分析了DDI模型的优势与局限，并总结了数据质量、模型可解释性及临床验证等关键挑战，最后对未来的发展方向进行了展望。

• 改进YOLOv11s的航拍小目标检测方法研究

  郭家林, 曹云峰

  针对在无人机航拍图像中小目标检测面临的高动态场景、目标特征信息少以及机载计算资源受限等问题，提出了一种基于改进YOLOv11s的航拍小目标检测方法。提出了密集跨路径特征金字塔网络（dense cross-path feature pyramid network，DCP-FPN）作为Neck结构，移除了大目标检测层，新增小目标检测层，通过密集连接方式最大化特征利用效率，显著减少模型参数量的同时，有效提升小目标特征捕获能力。提出了一种集成动态通道调整和双分支特征交互的新型轻量级卷积模块Ghost-DSConv，主干分支采用深度可分离卷积（depthwise separable conv，DSConv），辅以分组卷积构成的廉价分支生成补充特征，能够以更小的计算代价提取空间特征并增强特征多样性。提出了轻量级小目标注意力机制模块（lightweight small-target attention，LSTA），通过引入三重注意力强化机制，在极小计算开销的前提下，显著提升了模型对小目标的检测性能。实验结果表明，在VisDrone2019-DET数据集上，提出的改进算法的mAP50与mAP50-95分别提升到44.8%和27.4%。改进后的YOLOv11s模型参数量仅为3.51×106，并部署在基于RK3588s的嵌入式平台上，结果表明该模型能满足实时性的要求，实现了精度与效率的良好平衡；同时，在CARPK和Tinyperson数据集上验证了所提方法的泛化性和有效性。

• 改进RT-DETR的无人机图像小目标检测算法研究

  郭杰, 胡建龙, 张俊超, 王宇翔, 张心译

  针对无人机航拍图像中目标尺寸小、特征模糊且易被遮挡等问题，提出一种改进RT-DETR的无人机图像小目标检测算法，以提升其在复杂场景下的检测精度与鲁棒性。在主干网络中设计特征增强模块（C2f synergistic multi-attention Transformer，C2f_SMT），通过结合SMA（synergistic multi-attention）机制与Transformer结构，有效融合浅层细节特征与高层语义信息，增强了模型对小目标的特征表达能力。为优化特征交互效率，提出双注意力特征交互机制（dual-attention feature interaction，DAFI），该机制采用并行化轻量结构设计，在降低模型复杂度的同时，保留了全局特征建模能力。针对多尺度融合过程中小目标特征易被忽略的问题，引入多尺度特征融合模块（cross-OmniKernel and small-target preservation feature fusion module，COSPFM），以改进特征融合方式，强化了小目标的多尺度感知能力。实验结果表明，改进模型在VisDrone2019数据集上取得了mAP@0.5为51.0%、mAP@0.5：0.95为31.5%的检测性能，分别较基准模型RT-DETR提升了3.1和2.2个百分点。同时，为验证模型的泛化能力，将改进算法迁移至UAVDT数据集进行测试，该模型在各类交通目标（如car、truck、bus）上的检测精度均取得明显提升，平均精度均值mAP@0.5达34.4%，进一步验证了所提方法在多场景小目标检测任务中的有效性与泛化能力。

• RGE-YOLO：下采样与注意力机制融合的缺陷检测方法

  汪兴, 韩志科, 黄晓辉, 刘鹏

  针对工业缺陷检测任务中精度与效率难以兼顾的问题，构建了一种基于YOLOv8n的改进缺陷检测算法RGE-YOLO。为减少传统卷积下采样导致的小目标特征丢失，该算法引入鲁棒特征下采样（robust feature downsampling，RFD）模块，以多尺度特征融合机制增强缺陷的表征能力。同时，为提升模型对缺陷区域的关注度，设计了轻量化注意力模块（ghost-simple attention module，GhostSAM），其融合了Ghost卷积的高效特征提取能力与无参数注意力的空间激活特性，并结合门控策略实现通道语义的自适应调节。此外，采用高效交并比（efficient intersection over union，EIoU）损失函数优化边界框回归过程。在NEU-DET钢材缺陷数据集上的实验结果表明，与基线算法YOLOv8n相比，RGE-YOLO算法的精确度、召回率和mAP@0.5分别提升了8.3、2.7和3.8个百分点，另外改进后网络的检测速度为131帧/s。实验结果表明，该算法实现了检测精度与效率的有效平衡。

• MDQF-YOLO：面向复杂环境的铁路异物检测算法

  牛宏侠, 李朔, 侯涛, 张文韬

  针对现有的铁路异物检测方法在复杂背景（如低照度、沙尘天气、远景小目标及遮挡场景）等条件下普遍存在误检、漏检以及检测速度慢等问题，提出一种基于YOLO11改进的铁路异物检测算法MDQF-YOLO。设计了高效特征提取模块MEAN-C3K2，增强对复杂环境下多尺度目标和远景小目标的特征提取能力；设计全新的颈部结构DRFPN，通过结合双向特征金字塔、跨阶段特征连接和动态采样机制，提升了在复杂遮挡场景下的检测性能；提出质量增强共享检测头QESH（quality-enhanced shared head），减少参数量的同时解决了分类置信度与定位精度不匹配的问题；引入Focaler-ShapeIoU损失函数代替CIoU损失函数，通过聚焦不同回归样本，在解决样本分布不平衡的同时优化了边界框回归精度。实验结果表明，MDQF-YOLO在自制铁路异物数据集上的mAP@0.5和mAP@0.5：0.95较基准模型分别提升了3.6和6.0个百分点，检测速度达到154 FPS，满足了铁路入侵异物检测中对检测精度和实时性的需求。此外，模型在VisDrone2019-DET和SODA-A数据集上的泛化性测试也取得了较好的结果，充分验证了模型的有效性和泛化性。

• MCT-YOLO：航拍视角下小目标检测算法

  周忠锟, 张扬, 张宇, 孟可, 元赵阳

  针对智能交通场景，辅助无人机检测图像目标呈现小尺度、低分辨率、高密度分布等特点造成检测精度低的问题，提出了一种改进YOLOv11n的航拍视角下小目标检测算法：MCT-YOLO。优化检测层结构，针对性地添加极小目标检测头，剔除大目标检测头，捕捉更多局部信息，降低特征干扰，以适应小目标检测任务；提出多频交互下采样MFID（multi-frequency interactive downsampling），减少下采样过程中的特征丢失，保留更多图像信息；引入MobiVari结构，构建C3k2_MV模块，进行深度特征提取，增强细节特征表达；设计一种多尺度信息融合方式TCF（triple complementary fusion），通过融合不同语义的上下文信息，实现语义与细节信息互补，提升小目标检测能力。所提算法在VisDrone2019-DET数据集上的mAP50、mAP50-95达到了40.9%、25.0%，较基准网络YOLOv11n分别提高了7.7、5.8个百分点；同时算法的参数量也有所降低，减少了7.6%，适用于无人机航拍视角下的小目标检测场景。