Journal of Zhejiang University

Current Issue: <FITEE>

Frontiers of Information Technology & Electronic Engineering (former title: Journal of Zhejiang University SCIENCE C (Computers & Electronics), 2010-2014)

ISSN 2095-9184 (print); ISSN 2095-9230 (online); CN 33-1389/TP; Monthly.

FITEE is an international peer-reviewed journal indexed by SCI-E, Ei Compendex, DBLP, IC, Scopus, JST, CSA, etc. It covers research in Electrical and Electronic Engineering, including Computer Science, Information Sciences, Control, Automation, Telecommunications, and related disciplines.

Impact factor: 0.308 (2011), 0.297 (2012), 0.380 (2013), 0.415 (2014), 0.392 (2015), 0.622 (2016), 0.910 (2017), 1.033 (2018), 1.604 (2019), 2.161 (2020), 2.526 (2021).

Frontiers of Information Technology & Electronic Engineering

ISSN 2095-9184 (print), ISSN 2095-9230 (online), monthly

2023 Vol.24 No.10 P.1375-1512

Cover:

<346>

Contents:

<99>

<<< CONTENTS >>>

Research Articles

Towards robust neural networks via a global and monotonically decreasing robustness training strategy

Zhen LIANG, Taoran WU, Wanwei LIU, Bai XUE, Wenjing YANG, Ji WANG, Zhengbin PANG

DOI: 10.1631/FITEE.2300059 Downloaded: 1152 Clicked: 745 Cited: 0 Commented: 0(p.1375-1389) <Full Text> <PPT> 191

Chinese summary <10> 基于全局和單調遞減魯棒性策略的魯棒神經網絡訓練方法

梁震¹，吳陶然^2,3，劉萬偉^4,5，薛白(bái)²，楊文婧¹，王戟¹，龐征斌⁴
¹國防科技大(dà)學量子信息研究所兼高性能計算國家重點實驗室，中(zhōng)國長沙市，410073
²中(zhōng)國科學院軟件研究所計算機科學國家重點實驗室，中(zhōng)國北(běi)京市，100190
³中(zhōng)國科學院大(dà)學計算機科學與技術學院，中(zhōng)國北(běi)京市，100190
⁴國防科技大(dà)學計算機學院，中(zhōng)國長沙市，410073
⁵國防科技大(dà)學複雜(zá)系統軟件工(gōng)程實驗室，中(zhōng)國長沙市，410073
摘要：深度神經網絡的魯棒性引發了學術界和工(gōng)業界的高度關注，特别是在安全攸關領域。相比于驗證神經網絡的魯棒性是否成立，本文關注點在于給定擾動前提下(xià)的魯棒神經網絡訓練。現有的代表性訓練方法--區間邊界傳播（IBP）和CROWN-IBP--在較小(xiǎo)擾動下(xià)表現良好，但在較大(dà)擾動下(xià)性能顯著下(xià)降，本文稱之爲衰退風險。具體(tǐ)來說，衰退風險是指與較小(xiǎo)擾動情況相比，IBP系列訓練方法在較大(dà)擾動情況下(xià)不能提供預期的魯棒神經網絡的現象。爲了緩解這種衰退風險，我(wǒ)們提出一(yī)種全局的、單調遞減的魯棒神經網絡訓練策略，該策略在每個訓練輪次考慮多個擾動（全局魯棒性訓練策略），并将其相應的魯棒性損失以單調遞減的權重進行組織（單調遞減魯棒性訓練策略）。實驗證明，所提策略在較小(xiǎo)擾動下(xià)能夠保持原有算法的性能，在較大(dà)擾動下(xià)的衰退風險得到很大(dà)程度改善。值得注意的是，與原有訓練方法相比，所提訓練策略保留了更多的模型準确度，這意味着該訓練策略更加平衡地考慮了模型的魯棒性和準确性。

關鍵詞組：魯棒神經網絡；訓練方法；衰退風險；全局魯棒性訓練；單調遞減魯棒性

Federated mutual learning: a collaborative machine learning method for heterogeneous data, models, and objectives

Tao SHEN, Jie ZHANG, Xinkang JIA, Fengda ZHANG, Zheqi LV, Kun KUANG, Chao WU, Fei WU

DOI: 10.1631/FITEE.2300098 Downloaded: 814 Clicked: 704 Cited: 0 Commented: 0(p.1390-1402) <Full Text> <PPT> 194

Chinese summary <9> 聯邦相互學習：一(yī)種針對異構數據、模型和目标的協同機器學習方法

沈弢¹，張傑²，賈鑫康²，張鳳達¹，呂喆奇¹，況琨¹，吳超³，吳飛¹
¹浙江大(dà)學計算機科學與技術學院，中(zhōng)國杭州市，310027
²浙江大(dà)學軟件學院，中(zhōng)國杭州市，310027
³浙江大(dà)學公共管理學院，中(zhōng)國杭州市，310027
摘要：聯邦學習（FL）是深度學習中(zhōng)的一(yī)種新技術，可以讓客戶端在保留各自隐私數據的情況下(xià)協同訓練模型。然而，由于每個客戶端的數據分(fēn)布、算力和場景都不同，聯邦學習面臨客戶端異構環境的挑戰。現有方法（如FedAvg）無法有效滿足每個客戶的定制化需求。爲解決聯邦學習中(zhōng)的異構挑戰，本文首先詳述了數據、模型和目标（DMO）這3個主要異構來源，然後提出一(yī)種新的聯邦相互學習（FML）框架。該框架使得每個客戶端都能訓練一(yī)個考慮到數據異構（DH）的個性化模型。在模型異構（MH）問題上，引入一(yī)種"模因模型"作爲個性化模型與全局模型之間的中(zhōng)介，并且采用深度相互學習（DML）的知(zhī)識蒸餾技術在兩個異構模型之間傳遞知(zhī)識。針對目标異構（OH）問題，通過共享部分(fēn)模型參數，設計針對特定任務的個性化模型，同時，利用模因模型進行相互學習。本研究通過實驗評估了FML在應對DMO異構性方面的表現，并與其他常見FL方法在相似場景下(xià)進行對比。實驗結果表明，FML在處理FL環境中(zhōng)的DMO問題的表現卓越，優于其他方法。

關鍵詞組：聯邦學習；知(zhī)識蒸餾；隐私保護；異構環境

Robust cross-modal retrieval with alignment refurbishment

Jinyi GUO, Jieyu DING

DOI: 10.1631/FITEE.2200514 Downloaded: 1093 Clicked: 713 Cited: 0 Commented: 0(p.1403-1415) <Full Text>

Chinese summary <8> 基于對齊自修正的魯棒跨模态檢索

郭金一(yī)¹，丁潔玉²
¹南(nán)京理工(gōng)大(dà)學計算機科學與工(gōng)程學院，中(zhōng)國南(nán)京市，210094
²青島大(dà)學數學與統計學院，中(zhōng)國青島市，266071
摘要：跨模态檢索通過爲不同模态數據建立一(yī)緻的對齊方式來實現模态間的相互檢索。目前多種跨模态檢索方法已被提出并取得良好性能。這些方法使用幹淨對齊的跨模态數據進行訓練。雖然這些數據在語義上是匹配的，但相較于互聯網上容易獲得的噪聲對齊的數據（即成對但在語義上不匹配），标注成本很高。當用噪聲對齊的數據訓練這些模型時，它們的性能會急劇下(xià)降。因此，本文提出一(yī)種對齊自修正的魯棒跨模态檢索算法（RCAR），顯著降低了噪聲數據對模型的影響。具體(tǐ)來說，RCAR首先進行多任務學習，減緩模型對噪聲數據的過拟合，使數據分(fēn)離(lí)。然後，利用兩成分(fēn)的貝塔混合模型将數據分(fēn)爲幹淨數據和噪聲數據，并根據後驗概率修正對齊标簽。此外(wài)，在噪聲對齊範式中(zhōng)定義兩種噪聲類型：部分(fēn)噪聲數據和完全噪聲數據。實驗結果表明，與當下(xià)流行的跨模态檢索方法相比，RCAR在兩種類型的噪聲下(xià)都能取得更穩健的性能。

關鍵詞組：跨模态檢索；魯棒學習；對齊修正；貝塔混合模型

A knowledge-guided and traditional Chinese medicine informed approach for herb recommendation

Zhe JIN, Yin ZHANG, Jiaxu MIAO, Yi YANG, Yueting ZHUANG, Yunhe PAN

DOI: 10.1631/FITEE.2200662 Downloaded: 1325 Clicked: 774 Cited: 0 Commented: 0(p.1416-1429) <Full Text> <PPT> 141

Chinese summary <7> 一(yī)種知(zhī)識引導的基于中(zhōng)醫學信息的藥材推薦方法

金哲，張引，苗嘉旭，楊易，莊越挺，潘雲鶴
浙江大(dà)學計算機科學與技術學院，中(zhōng)國杭州市，310027
摘要：在中(zhōng)國幾千年曆史中(zhōng)，中(zhōng)醫一(yī)直是人們關注的焦點。近年來，随着人工(gōng)智能技術的興起，部分(fēn)研究開(kāi)始以數據驅動的方式學習中(zhōng)醫的方劑，即根據病人的症狀推薦一(yī)組藥材。現有大(dà)多數藥材推薦模型忽略了中(zhōng)醫領域的知(zhī)識，例如藥材和症狀之間的關系，中(zhōng)藥藥方形成邏輯，等等。本文提出一(yī)種以知(zhī)識爲引導、結合中(zhōng)醫學信息的藥材推薦方法。本文使用的知(zhī)識包括從中(zhōng)醫典籍及處方中(zhōng)提取的知(zhī)識圖譜，以此得到症狀和藥材之間的交互和共生(shēng)關系。利用這些信息，基于圖注意力網絡提取症狀和藥材的特征向量。在此基礎上，将處方學等中(zhōng)醫學信息加入到預測層中(zhōng)，提高了模型對藥材的預測能力。最後，在中(zhōng)醫處方數據集上進行的實驗表明，該方法優于目前主流的藥材推薦算法。

關鍵詞組：中(zhōng)醫；藥材推薦；知(zhī)識圖譜；圖注意力網絡

Attention-based efficient robot grasp detection network

Xiaofei QIN, Wenkai HU, Chen XIAO, Changxiang HE, Songwen PEI, Xuedian ZHANG

DOI: 10.1631/FITEE.2200502 Downloaded: 828 Clicked: 691 Cited: 0 Commented: 0(p.1430-1444) <Full Text> <PPT> 154

Chinese summary <7> 基于注意力的高效機器人抓取檢測網絡

秦曉飛¹，胡文凱¹，肖晨²，何常香²，裴頌文^1,3,4，張學典^1,3,4,5
¹上海理工(gōng)大(dà)學光電信息與計算機工(gōng)程學院，中(zhōng)國上海市，200093
²上海理工(gōng)大(dà)學理學院，中(zhōng)國上海市，200093
³上海市現代光學系統重點實驗室，中(zhōng)國上海市，200093
⁴醫用光學技術與儀器教育部重點實驗室，中(zhōng)國上海市，200093
⁵同濟大(dà)學上海智能科學與技術研究所，中(zhōng)國上海市，201210
摘要：爲平衡抓取檢測算法的推理速度和檢測精度，本文提出一(yī)種編碼器-解碼器結構的像素級抓取檢測神經網絡，稱爲基于注意力的高效機器人抓取檢測網絡（AE-GDN）。在編碼器階段引入3個空間注意模塊以增強細節信息，在解碼器階段引入3個通道注意模塊以提取更多語義信息。采用多個輕量高效的DenseBlocks連接編碼器和解碼器，提高AE-GDN的特征建模能力。預測得到的抓取矩形框與标簽抓取框之間的高交并比（IoU）值并不意味着高質量的抓取配置，但可能會導緻碰撞。這是因爲傳統IoU損失計算方法将預測抓取框中(zhōng)心部分(fēn)像素與夾爪附近像素視爲同等重要。本文設計了一(yī)種新的基于沙漏形匹配機制的IoU損失計算方法，該方法可在高IoU和高質量抓取配置之間建立良好對應關系。AE-GDN在Cornell和Jacquard數據集上的準确率分(fēn)别達到98.9%和96.6%。推理速度達到每秒43.5幀，參數僅約1.2×10⁶。本文提出的AE-GDN已實際部署在機械臂抓取系統中(zhōng)，并實現良好抓取性能。代碼可在https://github.com/robvincen/robot_gradet獲得。

關鍵詞組：機器人抓取檢測；注意力機制；編碼器-解碼器；神經網絡

RFPose-OT: RF-based 3D human pose estimation via optimal transport theory

Cong YU, Dongheng ZHANG, Zhi WU, Zhi LU, Chunyang XIE, Yang HU, Yan CHEN

DOI: 10.1631/FITEE.2200550 Downloaded: 1043 Clicked: 718 Cited: 0 Commented: 0(p.1445-1457) <Full Text> <PPT> 132

Chinese summary <7> RFPose-OT：基于最優傳輸理論的無線三維人體(tǐ)姿态估計

俞聰¹，張東恒²，武治²，盧智²，解春陽¹，胡洋³，陳彥²
¹電子科技大(dà)學信息與通信工(gōng)程學院，中(zhōng)國成都市，611731
²中(zhōng)國科學技術大(dà)學網絡空間安全學院，中(zhōng)國合肥市，230026
³中(zhōng)國科學技術大(dà)學信息科學技術學院，中(zhōng)國合肥市，230026
摘要：本文提出一(yī)個新穎的RFPose-OT模型框架以實現從無線射頻(pín)信号中(zhōng)估計三維人體(tǐ)姿态。與現有直接從射頻(pín)信号中(zhōng)預測人體(tǐ)姿态方法不同，本文考慮射頻(pín)信号與人體(tǐ)姿态之間的結構特征差異，提出基于最優傳輸理論在特征空間上将射頻(pín)信号變換到人體(tǐ)姿态域，再根據變換後的特征預測人體(tǐ)姿态。爲評估RFPose-OT模型，本文構建了一(yī)個無線電系統和一(yī)個多視角相機系統獲取無線信号數據以及真實的人體(tǐ)姿态标簽。在室内基本環境、室内遮擋環境以及室外(wài)環境中(zhōng)的實驗結果表明，RFPose-OT模型能精确地估計三維人體(tǐ)姿态，優于現有方法。

關鍵詞組：無線射頻(pín)感知(zhī)；人體(tǐ)姿态估計；最優傳輸；深度學習

Synchronization transition of a modular neural network containing subnetworks of different scales

Weifang HUANG, Lijian YANG, Xuan ZHAN, Ziying FU, Ya JIA

DOI: 10.1631/FITEE.2300008 Downloaded: 1727 Clicked: 489 Cited: 0 Commented: 0(p.1458-1470) <Full Text> <PPT> 219

Chinese summary <7> 包含不同尺度子網絡的模塊化神經網絡同步轉換

黃衛芳¹，楊利建¹，詹璇¹，付子英²，賈亞¹
¹華中(zhōng)師範大(dà)學物(wù)理科學與技術學院，中(zhōng)國武漢市，430079
²華中(zhōng)師範大(dà)學生(shēng)命科學學院，中(zhōng)國武漢市，430079
摘要：時間延遲和耦合強度是影響神經網絡同步的重要因素。本文利用霍奇金-赫胥黎（HH）神經元模型構建一(yī)個包含不同尺度子網絡的模塊化神經網絡，即小(xiǎo)尺度随機網絡通過化學突觸與大(dà)尺度小(xiǎo)世界網絡單向連接。研究發現，時間延遲在網絡中(zhōng)誘發了多個同步轉換。當時間延遲是單個神經元放(fàng)電周期的整數倍時，耦合強度增加也促進網絡同步化。考慮到模塊化網絡中(zhōng)不同位置的時間延遲可能具有不同作用，我(wǒ)們探讨子網絡之間以及子網絡内部的時間延遲對模塊化網絡同步的影響。我(wǒ)們發現，當子網絡内同步良好時，兩個子網絡内部時間延遲增加會誘發其自身出現多個同步轉換。此外(wài)，小(xiǎo)尺度網絡的同步狀态會影響大(dà)尺度網絡的同步。進一(yī)步發現，兩個子網絡之間的時間延遲誘導模塊化網絡的同步轉換，但對接收信号的子網絡内的同步基本無影響。通過分(fēn)析兩個子網絡之間的相位差，我(wǒ)們發現模塊化網絡出現同步轉換的機制是相位差的周期性變化。最後，通過對不同尺度模塊化網絡的研究，證明了本文結果的泛化性。

關鍵詞組：霍奇金-赫胥黎神經元；模塊化神經網絡；子網絡；同步；時間延遲

Wideband and high-gain BeiDou antenna with a sequential feed network for satellite tracking

Zhuolin DENG, Zhongyu TIAN, Chenhe DUAN, Pei XIAO, Zhu LIU, Gaosheng LI

DOI: 10.1631/FITEE.2200244 Downloaded: 2047 Clicked: 1053 Cited: 0 Commented: 0(p.1471-1481) <Full Text> <PPT> 239

Chinese summary <7> 用于衛星跟蹤的加載順序饋電網絡的寬帶高增益北(běi)鬥天線

鄧卓林¹，田中(zhōng)玉¹，段晨賀¹，肖培¹，劉柱²，李高升¹
¹湖南(nán)大(dà)學電氣與信息工(gōng)程學院，中(zhōng)國長沙市，410082
²湖南(nán)師範大(dà)學物(wù)理與電子科學學院，中(zhōng)國長沙市，410082
摘要：北(běi)鬥三号衛星導航系統于2020年正式啓用，爲全球人民帶來高性能服務的同時，導航系統也對北(běi)鬥天線的設計提出更高要求。本文提出一(yī)種寬帶圓極化高性能北(běi)鬥天線。該天線通過四端口順序饋電網絡實現寬帶圓極化輻射，饋電網絡從1.05 GHz到1.80 GHz的相位不平衡度小(xiǎo)于7^°。制造的天線在整個全球導航衛星系統（GNSS）頻(pín)帶上的回波損耗大(dà)于13 dB，軸比<3 dB，右旋圓極化增益（RHCP）在GNSS低頻(pín)段大(dà)于4 dB，在高頻(pín)段可達7.1 dB以上。本文天線尺寸爲120 mm×120 mm×20 mm，即0.54λ_o×0.54λ_o×0.09λ_o，其中(zhōng)λ_o是中(zhōng)心頻(pín)率波長。設計的天線連接到GNSS接收機上搜索到12顆北(běi)鬥衛星，GNSS信号的信噪比(C/N₀ )大(dà)于30 dB。這種高性能天線将爲人們提供高質量的定位服務。

關鍵詞組：北(běi)鬥天線；寬帶圓極化輻射；四端口順序饋電網絡；全球導航衛星系統（GNSS）接收機；衛星跟蹤

Path guided motion synthesis for Drosophila larvae

Junjun CHEN, Yijun WANG, Yixuan SUN, Yifei YU, Zi'ao LIU, Zhefeng GONG, Nenggan ZHENG

DOI: 10.1631/FITEE.2200529 Downloaded: 1190 Clicked: 498 Cited: 0 Commented: 0(p.1482-1496) <Full Text> <PPT> 153

Chinese summary <8> 基于路徑引導的果蠅幼蟲運動合成

陳俊君^1,2，王燚軍¹，孫藝璇¹，餘益飛¹，劉子奧¹，龔哲峰^1,4,5，鄭能幹^1,3
¹之江實驗室基礎理論研究院，中(zhōng)國杭州市，311121
²康複大(dà)學康複科學與工(gōng)程學院，中(zhōng)國青島市，266114
³浙江大(dà)學求是高等研究院，中(zhōng)國杭州市，310027
⁴浙江大(dà)學醫學院附屬精神衛生(shēng)中(zhōng)心附屬第二醫院神經生(shēng)物(wù)學與神經病學系，中(zhōng)國杭州市，310058
⁵浙江大(dà)學腦科學與腦醫學學院教育部腦與腦機融合前沿科學中(zhōng)心，醫學神經生(shēng)物(wù)學衛生(shēng)部重點實驗室，中(zhōng)國杭州市，310058
摘要：軟體(tǐ)動物(wù)身體(tǐ)可變形性和高自由度的特點爲數學建模和運動合成帶來很大(dà)挑戰。受限于剛體(tǐ)骨骼假設或模型容量，傳統解析模型和統計模型難以生(shēng)成逼真和多模态的軟體(tǐ)動物(wù)運動。本文建立一(yī)個大(dà)規模果蠅幼蟲動态姿态數據集，并提出一(yī)個運動合成模型（Path2Pose），通過給定一(yī)段幼蟲初始運動姿态序列和引導路徑生(shēng)成後續運動姿态序列。進一(yī)步地，通過循環生(shēng)成的方式，Path2Pose模型可以合成長時間、多模态的果蠅幼蟲運動姿态序列。運動評估實驗表明，Path2Pose模型可以生(shēng)成高度真實的軟體(tǐ)動物(wù)運動，并在現有同類型模型中(zhōng)取得最好生(shēng)成效果。本文的工(gōng)作證明了深度神經網絡在軟體(tǐ)動物(wù)運動合成任務中(zhōng)的良好性能以及通過定制軟體(tǐ)動物(wù)體(tǐ)型和引導路徑生(shēng)成長時間運動姿态的可行性。

關鍵詞組：軟體(tǐ)動物(wù)運動合成；動态姿态數據集；形态學分(fēn)析；長時間姿态序列生(shēng)成

Correspondences

Correspondence: Uncertainty-aware complementary label queries for active learning

Shengyuan LIU, Ke CHEN, Tianlei HU, Yunqing MAO

DOI: 10.1631/FITEE.2200589 Downloaded: 904 Clicked: 690 Cited: 0 Commented: 0(p.1497-1503) <Full Text> <PPT> 137

Chinese summary <7> 基于主動學習的不确定性感知(zhī)補标簽查詢

劉聖源¹，陳珂²，胡天磊¹，毛雲青³
¹浙江大(dà)學浙江省大(dà)數據智能計算重點實驗室，中(zhōng)國杭州市，310027
²浙江大(dà)學區塊鏈與數據安全全國重點實驗室，中(zhōng)國杭州市，310027
³城雲科技（中(zhōng)國）有限公司，中(zhōng)國杭州市，310000
摘要：許多主動學習方法假設學習者可便捷地向注釋者詢問訓練數據的完整标注信息。這些方法主要試圖通過最小(xiǎo)化标注數量降低标注成本。然而，對于許多現實中(zhōng)的分(fēn)類任務來說，精确标注實例仍然非常昂貴。爲降低單次标注行爲成本，本文試圖解決一(yī)種新的主動學習範式，稱爲具有補标簽的主動學習（ALCL）。ALCL學習器隻針對樣例特定類别提出是或否的問題。在收到标注者答案後，ALCL學習器獲得一(yī)些有監督實例和更多具有補标簽的訓練實例，這些補标簽僅表示對應标簽與該實例無關。。ALCL具有兩個挑戰性問題：如何選擇要查詢的實例以及如何從這些補标簽和普通标簽中(zhōng)提取信息。針對第一(yī)個問題，在主動學習範式下(xià)提出一(yī)種基于不确定性的抽樣策略。針對第二個問題，改進了一(yī)種已有的ALCL方法，同時适配了我(wǒ)們的抽樣策略。在各種數據集上的實驗結果驗證了本文方法的有效性。

關鍵詞組：主動學習；圖片分(fēn)類；弱監督學習

Correspondence: A low-profile dual-polarization programmable dual-beam scanning antenna array

Shichao ZHU, Yuanfan NING, Hongbo CHU, Pei XIAO, Gaosheng LI

DOI: 10.1631/FITEE.2300253 Downloaded: 447 Clicked: 450 Cited: 0 Commented: 0(p.1504-1512) <Full Text> <PPT> 239

Chinese summary <6> 一(yī)種低剖面雙極化可編程雙波束掃描天線陣列

朱世超，甯遠帆，褚宏波，肖培，李高升
湖南(nán)大(dà)學電氣與信息工(gōng)程學院，中(zhōng)國長沙市，410082
摘要：提出一(yī)種基于全息控制理論的低剖面雙極化雙波束掃描天線陣列。巧妙設計輻射單元，以通過控制集成在每個單元上的PIN二極管的狀态實現可重構極化和輻射相位調制。将一(yī)個72通道的串并聯等幅同相饋電網絡與輻射陣列集成，實現陣列的低剖面特性。通過設計直流偏置電路，利用單片機對天線陣列數字編碼，實現波束的二維動态精确偏轉。加工(gōng)制作了一(yī)個2單元子陣列和一(yī)個6×12陣列，并對該天線系統的數字可控輻射方向圖特性進行實驗驗證。該天線系統可以在11 GHz實現−30^°至30^°的波束掃描，步進掃描角爲5^°。該天線系統具有體(tǐ)積小(xiǎo)、成本低、易于集成、波束控制準确等特點，在雷達系統、智能天線等領域具有廣闊的應用前景。