馬斌 徐海軍 陳嘉靖

摘 要：現(xiàn)有卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)方法不能滿足高檢測(cè)精度和速度的要求。針對(duì)此不足，利用卷積神經(jīng)網(wǎng)絡(luò)選取目標(biāo)檢測(cè)算法，以ＤａｒｋＮｅｔ５３ 網(wǎng)絡(luò)模型為基礎(chǔ)，結(jié)合黃河流域違采事件特點(diǎn)，對(duì)模型加入并行化設(shè)計(jì)，以檢測(cè)速度和檢測(cè)精度為評(píng)價(jià)指標(biāo)，利用對(duì)比實(shí)驗(yàn)驗(yàn)證并行化后的ＨＯ－ＤａｒｋＮｅｔ 網(wǎng)絡(luò)模型的加速效果。結(jié)果表明：并行化前ＨＯ－ＤａｒｋＮｅｔ 模型的精確率約７５％、召回率約９６％、ｍＡＰ＠ ０．５ 為９８．５８％、ｍＡＰ＠ ０．５ ∶ ０．９５ 為６４．２５％，與ＤａｒｋＮｅｔ５３ 模型相比，并行化前ＨＯ－ＤａｒｋＮｅｔ 模型的ｍＡＰ＠ ０．５、ｍＡＰ＠ ０．５ ∶ ０．９５ 值分別提升了７．９８％、８．７９％；與并行處理前ＨＯ－ＤａｒｋＮｅｔ 模型相比，并行處理后ＨＯ－ＤａｒｋＮｅｔ 模型的ｍＡＰ 精度值未發(fā)生太大變化，但其加速比提高了２．３２，對(duì)于視頻圖像的處理速度為２１ ｆｐｓ／ ｓ，達(dá)到視頻圖像處理速度標(biāo)準(zhǔn)。

關(guān)鍵詞：ＨＯ－ＤａｒｋＮｅｔ 模型；水利監(jiān)管；違采事件檢測(cè)；并行化；黃河

中圖分類號(hào)：ＴＶ８５３；ＴＶ８８２．１ 文獻(xiàn)標(biāo)志碼：Ａ ｄｏｉ：１０．３９６９／ ｊ．ｉｓｓｎ．１０００－１３７９．２０２３．１０．０２２

引用格式：馬斌，徐海軍，陳嘉靖．面向水利監(jiān)管的違采事件檢測(cè)并行化方法研究［Ｊ］．人民黃河，２０２３，４５（１０）：１２２－１２５．

近年來(lái)，頻繁發(fā)生的黃河違規(guī)采砂事件對(duì)流域生態(tài)系統(tǒng)造成了嚴(yán)重破壞。為此，相關(guān)部門提出開展黃河河道采砂專項(xiàng)整治行動(dòng)，通過(guò)強(qiáng)化法治管理，維護(hù)河道采砂秩序，促進(jìn)黃河流域生態(tài)系統(tǒng)平穩(wěn)發(fā)展［１］ 。在眾多檢測(cè)技術(shù)中，目標(biāo)檢測(cè)算法在水文檢測(cè)、水位信息智能識(shí)別、砂石檢測(cè)［２］ 等方面發(fā)揮著重要作用，其中基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法應(yīng)用尤其廣泛［３］ 。深度學(xué)習(xí)是在卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，通過(guò)增加網(wǎng)絡(luò)深度提高計(jì)算機(jī)提取數(shù)據(jù)特征的能力［４］ 。然而，增加網(wǎng)絡(luò)深度會(huì)加大運(yùn)算量，影響檢測(cè)效率。采用數(shù)據(jù)并行、模型并行等方法對(duì)多模型進(jìn)行優(yōu)化，可以加速運(yùn)算。數(shù)據(jù)并行是指在完整模型基礎(chǔ)上，通過(guò)把數(shù)據(jù)劃分為若干份，實(shí)現(xiàn)多批次數(shù)據(jù)同時(shí)訓(xùn)練。此時(shí)并行設(shè)備數(shù)量會(huì)受到批數(shù)據(jù)大小的限制，當(dāng)批數(shù)據(jù)過(guò)大時(shí)，達(dá)到相同收斂精度所需的迭代次數(shù)會(huì)大幅度增加。模型并行是指將模型按層或者其他方式分解為若干份來(lái)進(jìn)行訓(xùn)練，這種方法通常用于拆分大型模型，以加速訓(xùn)練過(guò)程，但其擴(kuò)展性較差。目前，ＰｙＴｏｒｃｈ 和ＴｅｎｓｏｒＦｌｏｗ 等主流深度學(xué)習(xí)框架都采用數(shù)據(jù)并行方式。

本文以面向水利監(jiān)管的違采事件為研究對(duì)象，首先改進(jìn)檢測(cè)算法模型，減少梯度信息量，再采用并行運(yùn)算提高模型訓(xùn)練速度和檢測(cè)速度，最后基于違采事件監(jiān)管數(shù)據(jù)集驗(yàn)證模型并行后的加速效果，以期為快速、準(zhǔn)確地檢測(cè)違采事件提供新技術(shù)。

１ 理論方法

１．１ 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ，ＣＮＮ）模型［５］結(jié)構(gòu)分為卷積層、池化層和全連接層。卷積層從輸入特征圖像通道提取特征信息［６］ ；池化層對(duì)提取的特征信息進(jìn)行下采樣，減輕網(wǎng)絡(luò)模型的過(guò)擬合程度；全連接層連接提取的特征圖像，使用分類器得到最終分類結(jié)果。在卷積神經(jīng)網(wǎng)絡(luò)模型中，通常會(huì)在若干個(gè)卷積層和池化層之后引入全連接層，池化層伴隨卷積層交替顯示。

１．２ 目標(biāo)檢測(cè)算法

ｏｎｅ?ｓｔａｇｅ 和ｔｗｏ?ｓｔａｇｅ 算法是基于深度學(xué)習(xí)的主要目標(biāo)檢測(cè)算法［７－８］ 。ｔｗｏ?ｓｔａｇｅ 算法先通過(guò)某種方式生成一些候選框，再通過(guò)卷積神經(jīng)網(wǎng)絡(luò)對(duì)候選框進(jìn)行分類。常見的ｔｗｏ?ｓｔａｇｅ 目標(biāo)檢測(cè)算法有Ｆａｓｔｅｒ－ＲＣ?ＮＮ［９］ 、Ｒ－ＦＣＮ［１０］ 算法，此類算法要進(jìn)行多次檢測(cè)和分類，運(yùn)行較慢。而ｏｎｅ?ｓｔａｇｅ 目標(biāo)檢測(cè)算法只需將數(shù)據(jù)一次傳送進(jìn)網(wǎng)絡(luò)，就可以預(yù)測(cè)出所有的邊界框。常見的ｏｎｅ?ｓｔａｇｅ 目標(biāo)檢測(cè)算法有ＳＳＤ 和ＹＯＬＯ ｖ３ 算法，此類算法沒有單獨(dú)的候選區(qū)域提取過(guò)程，不需要產(chǎn)生候選框，僅一個(gè)前饋ＣＮＮ 網(wǎng)絡(luò)就可以完成目標(biāo)的位置檢測(cè)和分類預(yù)測(cè)任務(wù)，因此ｏｎｅ?ｓｔａｇｅ 目標(biāo)檢測(cè)算法簡(jiǎn)便快捷、運(yùn)行較快。ｏｎｅ?ｓｔａｇｅ 目標(biāo)檢測(cè)算法中ＤａｒｋＮｅｔ５３網(wǎng)絡(luò)模型作為基于殘差網(wǎng)絡(luò)結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)模型，被廣泛應(yīng)用于目標(biāo)檢測(cè)領(lǐng)域。本文基于ＤａｒｋＮｅｔ５３ 網(wǎng)絡(luò)模型展開違采事件檢測(cè)研究。

２ 違采事件檢測(cè)模型構(gòu)建與并行化分析

２．１ 違采目標(biāo)群選取

通過(guò)調(diào)查黃河流域違規(guī)采砂事件發(fā)現(xiàn)，違采人通常利用手推車、裝載車、挖掘機(jī)等進(jìn)行采砂，再進(jìn)行非法售賣。因此，本文主要選取違采人、采砂工具等作為特定的違采目標(biāo)群來(lái)進(jìn)行模型設(shè)計(jì)。２．２ 違采事件檢測(cè)模型構(gòu)建ＤａｒｋＮｅｔ５３ 網(wǎng)絡(luò)模型由卷積層和殘差層組成，使用大量殘差跳層連接，其包含的梯度信息數(shù)量多、重復(fù)率高。針對(duì)此問題，提出改進(jìn)的ＨＯ－ＤａｒｋＮｅｔ 網(wǎng)絡(luò)模型來(lái)構(gòu)建違采事件檢測(cè)模型。在ＨＯ－ＤａｒｋＮｅｔ 網(wǎng)絡(luò)模型中，把基礎(chǔ)層次的特征圖劃分成２ 個(gè)部分，再使用跨階段的層次結(jié)構(gòu)將它們合并，可以減少網(wǎng)絡(luò)模型中大量重復(fù)的梯度信息，提高網(wǎng)絡(luò)模型的處理速度。ＨＯＤａｒｋＮｅｔ網(wǎng)絡(luò)模型單個(gè)模塊（ＨＯ＿Ｘ）結(jié)構(gòu)見圖１，圖中ＣＢＬ 為Ｃｏｎｖ（卷積）、ＢＮ（批量歸一化）、Ｌｅａｋｙ＿ｒｅｌｕ 激活函數(shù)三者結(jié)合的組件；Ｒｅｓ ｕｎｉｔ 組件借鑒Ｒｅｓｎｅｔ 網(wǎng)絡(luò)中的殘差結(jié)構(gòu)，可以增加網(wǎng)絡(luò)深度；Ｃｏｎｃａｔ 組件的作用是張量拼接，會(huì)擴(kuò)大維度的張量。

３ 數(shù)據(jù)獲取與預(yù)處理

數(shù)據(jù)獲取方式有實(shí)地拍攝和網(wǎng)上圖像爬取。本研究通過(guò)實(shí)地拍攝獲?。?０００ 張圖像，通過(guò)網(wǎng)絡(luò)爬蟲技術(shù)獲得３５ ０００ 張圖像，共獲?。矗?０００ 張圖像作為實(shí)驗(yàn)數(shù)據(jù)集。由于采集的數(shù)據(jù)集會(huì)受到圖像尺寸、圖像清晰度、目標(biāo)受遮擋程度等因素的影響，因此需要對(duì)采集圖像進(jìn)行數(shù)據(jù)清洗、人工篩選。采用Ｌａｂｅｌｉｍｇ 軟件對(duì)數(shù)據(jù)集進(jìn)行標(biāo)注，制作成ＶＯＣ 格式的數(shù)據(jù)集，在Ａｎ?ｎｏｔａｔｉｏｎ 文件路徑下生成與標(biāo)注圖像相對(duì)應(yīng)的ｘｍｌ 文件。對(duì)采集的圖像進(jìn)行處理后，得到違規(guī)采砂數(shù)據(jù)集分類數(shù)量如下：違采人圖像３ １４２ 張，鏟車圖像２ ８１２張，灰斗車圖像２ ７４６ 張，鏟子圖像２ ６００ 張，挖掘機(jī)圖像３ ０６８ 張，汽車圖像２ ７５０ 張，拉砂車圖像３ ３５２ 張。

４ 確定評(píng)價(jià)指標(biāo)

采用精確率、召回率和平均精確度（ｍＡＰ）對(duì)模型效果進(jìn)行評(píng)估。精確率是指正確預(yù)測(cè)的正例個(gè)數(shù)占所有預(yù)測(cè)為正例的樣本個(gè)數(shù)的比率［１１］ 。召回率是指所有被正確識(shí)別的目標(biāo)數(shù)量占所有被識(shí)別目標(biāo)數(shù)量的比率［１２］ 。ｍＡＰ 表示一個(gè)模型在多個(gè)類別上的檢測(cè)準(zhǔn)確性，用ｍＡＰ＠ ０．５ 表示ＩｏＵ（Ｉｎｔｅｒｓｅｃｔｉｏｎ ｏｖｅｒ Ｕｎｉｏｎ）閾值為０．５ 時(shí)的平均精確度，用ｍＡＰ＠ ０．５ ∶ ０．９５ 表示ＩｏＵ 閾值為０．５～０．９５時(shí)的平均精確度。

衡量并行算法性能的指標(biāo)有加速比和并行效率［１３］ 。加速比反映系統(tǒng)運(yùn)行并行程序時(shí)發(fā)揮并行能力的程度，其與硬件、軟件都有關(guān)系。并行效率是衡量并行計(jì)算系統(tǒng)利用多個(gè)處理單元或計(jì)算資源時(shí)的有效性和性能提升程度的指標(biāo)，反映實(shí)際執(zhí)行時(shí)間與理論最佳執(zhí)行時(shí)間之間的差異。

５ 實(shí)驗(yàn)結(jié)果分析

采用ＨＯ－ＤａｒｋＮｅｔ 網(wǎng)絡(luò)模型對(duì)違采事件進(jìn)行實(shí)驗(yàn)，使用獲取的違規(guī)采砂數(shù)據(jù)集進(jìn)行訓(xùn)練和測(cè)試，批處理大小設(shè)置為３２，訓(xùn)練次數(shù)為５ ０００ 次，測(cè)試次數(shù)為１ ０００次，初始學(xué)習(xí)率設(shè)為０．００１，在測(cè)試第２ ０００ 次和第４ ０００ 次后各設(shè)置學(xué)習(xí)率為０．０００ １、０．０００ ０１ 進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)效果見圖３ 和表１。

閾值為５０ 時(shí)可以實(shí)現(xiàn)精確率和召回率的平衡，此時(shí)ＨＯ－ＤａｒｋＮｅｔ 網(wǎng)絡(luò)模型的精確率在７５％附近波動(dòng)，召回率在９６％ 附近波動(dòng)。與ＤａｒｋＮｅｔ５３ 模型相比，ＨＯ－ＤａｒｋＮｅｔ模型的ｍＡＰ＠ ０．５、ｍＡＰ＠ ０．５ ∶ ０．９５ 值分別提升了７．９８％、８．７９％，ＨＯ－ＤａｒｋＮｅｔ 網(wǎng)絡(luò)模型性能有所提高。

在處理速度方面，標(biāo)準(zhǔn)的視頻圖像處理速度為２４～３０ ｆｐｓ／ ｓ。經(jīng)過(guò)多次實(shí)驗(yàn)發(fā)現(xiàn)，ＨＯ－ＤａｒｋＮｅｔ 網(wǎng)絡(luò)模型對(duì)于視頻圖像的處理速度為６ ｆｐｓ／ ｓ，不能達(dá)到實(shí)際應(yīng)用需求。因此，采用并行方法進(jìn)一步對(duì)ＨＯ－ＤａｒｋＮｅｔ網(wǎng)絡(luò)模型進(jìn)行改進(jìn)，以提高處理速度。

為驗(yàn)證并行化設(shè)計(jì)的有效性，本實(shí)驗(yàn)繼續(xù)采用上述違規(guī)采砂數(shù)據(jù)集，設(shè)置數(shù)據(jù)集為２０ ０００ 張圖像，其中：１６ ０００ 張為訓(xùn)練圖像，４ ０００ 張為驗(yàn)證圖像，參數(shù)設(shè)置保持不變。并行處理前ＨＯ－ＤａｒｋＮｅｔ 網(wǎng)絡(luò)模型的加速比為１．００，并行處理后ＨＯ－ＤａｒｋＮｅｔ 網(wǎng)絡(luò)模型的ｍＡＰ ＠ ０． ５ 值為９０． ４０％， ｍＡＰ ＠ ０． ５ ∶ ０． ９５ 值為５５．３９％，加速比為３．３２。并行處理后ＨＯ－ＤａｒｋＮｅｔ 網(wǎng)絡(luò)模型的ｍＡＰ 精度值未發(fā)生太大變化，而檢測(cè)速度有了大幅度提升。同時(shí)經(jīng)過(guò)多次檢測(cè)發(fā)現(xiàn)，并行處理后ＨＯ－ＤａｒｋＮｅｔ 網(wǎng)絡(luò)模型對(duì)于視頻圖像的處理速度為２１ ｆｐｓ／ ｓ，達(dá)到視頻圖像處理速度標(biāo)準(zhǔn)。

６ 結(jié)論

本文圍繞黃河流域違規(guī)采砂事件，對(duì)面向水利監(jiān)管的違采事件檢測(cè)方法進(jìn)行并行化研究。通過(guò)分析ＤａｒｋＮｅｔ５３ 網(wǎng)絡(luò)模型基本結(jié)構(gòu)，結(jié)合檢測(cè)背景、需求和目標(biāo)等特點(diǎn)，對(duì)卷積計(jì)算過(guò)程進(jìn)行并行化分析，構(gòu)建并行化ＨＯ－ＤａｒｋＮｅｔ 網(wǎng)絡(luò)模型。相比于ＤａｒｋＮｅｔ５３ 網(wǎng)絡(luò)模型，并行化的ＨＯ－ＤａｒｋＮｅｔ 網(wǎng)絡(luò)模型可以顯著提高檢測(cè)速度。

參考文獻(xiàn)：

［１］ 孫運(yùn)鋒．踐行治水思路錨定“兩個(gè)確?！?深入推動(dòng)河南水利高質(zhì)量發(fā)展［Ｊ］．河南水利與南水北調(diào)，２０２２，５１（１）：１－６．

［２］ ＳＩＴ Ｍ，ＤＥＭＩＲＡＹ Ｂ Ｚ，ＸＩＡＮＧ Ｚ Ｒ，ｅｔ ａｌ．Ａ ＣｏｍｐｒｅｈｅｎｓｉｖｅＲｅｖｉｅｗ ｏｆ Ｄｅｅｐ Ｌｅａｒｎｉｎｇ Ａｐｐｌｉｃａｔｉｏｎｓ ｉｎ Ｈｙｄｒｏｌｏｇｙ ａｎｄＷａｔｅｒ Ｒｅｓｏｕｒｃｅｓ［Ｊ］．Ｗａｔｅｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，２０２０，８２（１２）：２６３５－２６７０．

［３］ ＲＥＮ Ｓ Ｑ，ＨＥ Ｋ Ｍ，ＧＩＲＳＨＩＣＫ Ｒ，ｅｔ ａｌ．Ｆａｓｔｅｒ Ｒ?ＣＮＮ：Ｔｏ?ｗａｒｄｓ Ｒｅａｌ?Ｔｉｍｅ Ｏｂｊｅｃｔ Ｄｅｔｅｃｔｉｏｎ ｗｉｔｈ Ｒｅｇｉｏｎ Ｐｒｏｐｏｓａｌ Ｎｅｔ?ｗｏｒｋｓ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐａｔｔｅｒｎ Ａｎａｌｙｓｉｓ ＆ ＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅ，２０１７，３９（６）：１１３７－１１４９．

［４］ ＤＯＮＧ Ｓ，ＷＡＮＧ Ｐ，ＡＢＢＡＳ Ｋ．Ａ Ｓｕｒｖｅｙ ｏｎ Ｄｅｅｐ Ｌｅａｒｎｉｎｇａｎｄ Ｉｔｓ Ａｐｐｌｉｃａｔｉｏｎｓ［Ｊ］．Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ Ｒｅｖｉｅｗ，２０２１，４０（１）：１００３７９．

［５］ ＢＨＡＴＴ Ｄ，ＰＡＴＥＬ Ｃ，ＴＡＬＳＡＮＩＡ Ｈ，ｅｔ ａｌ．ＣＮＮ Ｖａｒｉａｎｔｓ ｆｏｒＣｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ：Ｈｉｓｔｏｒｙ，Ａｒｃｈｉｔｅｃｔｕｒｅ，Ａｐｐｌｉｃａｔｉｏｎ，Ｃｈａｌｌｅｎｇｅｓａｎｄ Ｆｕｔｕｒｅ Ｓｃｏｐｅ［Ｊ］．Ｅｌｅｃｔｒｏｎｉｃｓ，２０２１，１０（２０）：２４７０．

［６］ Ｗａｎｇ Ｚ Ｊ，ＴＵＲＫＯ Ｒ，ＳＨＡＩＫＨ Ｏ，ｅｔ ａｌ．ＣＮＮ Ｅｘｐｌａｉｎｅｒ：Ｌｅａｒｎｉｎｇ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ ｗｉｔｈ Ｉｎｔｅｒａｃｔｉｖｅ Ｖｉｓｕ?ａｌｉｚａｔｉｏｎ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｖｉｓｕａｌｉｚａｔｉｏｎ ａｎｄ ＣｏｍｐｕｔｅｒＧｒａｐｈｉｃｓ，２０２０，２７（２）：１３９６－１４０６．

［７］ 張苗，李璞，楊漪，等．基于目標(biāo)檢測(cè)卷積神經(jīng)網(wǎng)絡(luò)的圖像型火災(zāi)探測(cè)算法［Ｊ］．消防科學(xué)與技術(shù)，２０２２，４１（６）：８０７－８１１．

［８］ 張海濤，張夢(mèng)．引入通道注意力機(jī)制的ＳＳＤ 目標(biāo)檢測(cè)算法［Ｊ］．計(jì)算機(jī)工程，２０２０，４６（８）：２６４－２７０．

［９］ ＭＡＮＳＯＵＲ Ｒ Ｆ，ＥＳＣＯＲＣＩＡ?ＧＵＴＩＥＲＲＥＺ Ｊ，ＧＡＭＡＲＲＡ Ｍ，ｅｔ ａｌ．Ｉｎｔｅｌｌｉｇｅｎｔ Ｖｉｄｅｏ Ａｎｏｍａｌｙ Ｄｅｔｅｃｔｉｏｎ ａｎｄ ＣｌａｓｓｉｆｉｃａｔｉｏｎＵｓｉｎｇ Ｆａｓｔｅｒ ＲＣＮＮ ｗｉｔｈ Ｄｅｅｐ Ｒｅｉｎｆｏｒｃｅｍｅｎｔ Ｌｅａｒｎｉｎｇ Ｍｏｄｅｌ［Ｊ］．Ｉｍａｇｅ ａｎｄ Ｖｉｓｉｏｎ Ｃｏｍｐｕｔｉｎｇ，２０２１，１１２：１０４２２９．

［１０］ ＣＥＮ Ｈ．Ｔａｒｇｅｔ Ｌｏｃａｔｉｏｎ Ｄｅｔｅｃｔｉｏｎ ｏｆ Ｍｏｂｉｌｅ Ｒｏｂｏｔｓ Ｂａｓｅｄｏｎ Ｒ?ＦＣＮ Ｄｅｅｐ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ［Ｊ］．Ｉｎｔｅｒｎａ?ｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｓｙｓｔｅｍ Ａｓｓｕｒａｎｃｅ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ｍａｎ?ａｇｅｍｅｎｔ，２０２１：１４（２）：７２８－７３７．

［１１］ 田喬鑫，孔韋韋，滕金保，等．基于并行混合網(wǎng)絡(luò)與注意力機(jī)制的文本情感分析模型［Ｊ］．計(jì)算機(jī)工程，２０２２，４８（８）：２６６－２７３．

［１２］ 劉萬(wàn)軍，王鳳，曲海成．融合多尺度特征的目標(biāo)檢測(cè)模型［Ｊ］．激光與光電子學(xué)進(jìn)展，２０１９，５６（２３）：１２３－１３３．

［１３］ 王之元，楊學(xué)軍．并行計(jì)算系統(tǒng)度量指標(biāo)綜述［Ｊ］．計(jì)算機(jī)工程與科學(xué)，２０１０，３２（１０）：４４－４８．

【責(zé)任編輯 栗 銘】