-
摘要:
随着云计算技术的不断发展，越来越多的企业和组织开始采用跨云的方式进行IT交付.跨云环境可以更有效地应对传统单云环境资源利用率低、资源受限以及供应商锁定等问题，并对云资源进行统一管理.由于跨云环境中资源具有异构性，导致跨云任务调度变得更为复杂.基于此，如何合理地调度用户任务并将其分配到最佳的跨云资源上执行，成为了跨云环境中需要解决的重要问题.拟从跨云环境的角度出发，探讨该环境下任务调度算法研究的进展及挑战.首先，结合跨云环境特征将云计算分为联盟云、多云环境并进行详细介绍，同时回顾已有的任务调度类型并分析其优缺点；其次，根据研究现状选取代表性文献对跨云环境下任务调度算法进行整理、分析；最后探讨了跨云环境下任务调度算法研究中的不足和未来的研究趋势，为跨云环境下任务调度算法的进一步研究提供了参考.
Abstract:As cloud computing technology advances continuously, there are a growing number of enterprises and organizations choosing the inter-cloud approach to apply on IT delivery. Inter-cloud environments can efficiently solve problems such as low resource utilization, resource limitation, and vendor lock-in in traditional single-cloud environments, and manage cloud resources in an integrated model. Due to the heterogeneity of resources in the inter-cloud environment, which will complicate the scheduling of inter-cloud tasks. Based on the current status, how to logically schedule user tasks and allocate them to the most suitable inter-cloud resources for execution has developed to be an important issue to be solved in the inter-cloud environment. From the perspective of the inter-cloud environment, we discuss the progress and future challenges of research on the task of scheduling algorithms under this environment. Firstly, combined with the characteristics of an inter-cloud environment, cloud computing is divided into federated cloud and multi-cloud environments and introduced in detail. Meanwhile, the existing task scheduling types are reviewed and their advantages and disadvantages are analyzed. Secondly, based on the classification and current research procedure, representative documents are selected to analyze the algorithms for task scheduling on inter-cloud. Finally, shortcomings in research on algorithms for task scheduling in inter-cloud and future research trends are discussed, which provide a reference for further research on inter-cloud task scheduling.
-
Keywords:
- cloud computing /
- inter-cloud /
- task scheduling /
- federated cloud /
- multi-cloud
-
小目标检测作为目标检测中的难点技术，被广泛应用于自动驾驶、医学领域、无人机导航、卫星定位和工业检测等视觉任务中. 近些年基于深度学习的目标检测算法发展迅猛. 以YOLO（You Only Look Once）[1]和SSD（Single Shot MultiBox Detector）[2]为代表的一阶段算法直接预测出目标的位置和类别，具有较快的速度. 而二阶段算法[3-4]在生成候选框的基础上再回归出目标区域，具有更高的精度.但是这些算法在检测只含有较少像素的小目标（小于32×32像素）时表现较差，检测率甚至不到较大目标的一半. 因此，小目标检测仍然具有很大的改进空间.
小目标检测效果差主要是由于网络本身的局限性以及训练数据不平衡所导致[5]. 为了获得较强的语义信息和较大的感受野，检测网络不断堆叠下采样层，使得小目标信息在前向传播的过程中逐渐丢失[6]，限制了小目标的检测性能. 特征金字塔网络（feature pyramid network, FPN）[7]将低层特征图和高层特征横向融合，可以在一定程度上缓解信息丢失的问题[1-2]. 然而FPN直接融合不同层级的特征会造成语义冲突，限制多尺度特征的表达，使小目标容易淹没于冲突信息中. 同时，目前主流的公开数据集中，小目标的数量远远小于较大目标，使得小目标对损失的贡献小，网络收敛的方向不断向较大目标倾斜.
针对小目标检测效果差的问题，本文提出一种上下文增强和特征提纯相结合的复合FPN结构，该结构主要包括上下文增强模块（context augmentation module, CAM）和特征提纯模块（feature refinement module, FRM）. 同时，提出一种复制—缩小—粘贴（copy-reduce-paste）的数据增强方法，具体有3点：
1）CAM融合多尺度空洞卷积特征以获取丰富的上下文信息，补充检测所需信息；
2）FRM引入通道和空间自适应融合的特征提纯机制以抑制特征中的冲突信息；
3）通过copy-reduce-paste数据增强来提高小目标在训练过程中对损失的贡献率.
1. 相关工作
1.1 现代目标检测器
目标检测是一种基础的计算机视觉任务，经过多年的发展，基于卷积神经网络（convolutional neural network, CNN）的目标检测器逐渐成为主流. RCNN[3]首先生成候选区域以匹配不同尺寸的目标，然后通过CNN筛选候选区域. FasterR-CNN[4]将候选区域生成阶段和分类阶段结合在一起，以提高检测速度. EFPN[8]提出超分辨率FPN结构以放大小目标的特征[9]. 一阶段网络SSD将锚盒密集的布置在图像上以回归出目标框，同时充分利用不同尺度的特征，以检测较小目标. YOLOV3[1]利用特征金字塔的3层输出分别检测大、中、小目标，明显提高小目标检测性能. RefineDet[10]引入一种新的损失函数以解决简单样本和复杂样本不平衡的问题. 同时也有研究者提出基于anchor-free架构的检测器[11].尽管目标检测算法发展迅速，但是小目标检测率却一直较低. 本文选用带有FPN的YOLOV3作为基础网络，并在此基础上做出改进.
1.2 多尺度特征融合
多尺度特征是一种提高小目标检测率的有效方法. SSD[2]首次尝试在多尺度特征上预测目标位置和类别. FPN[7]自上而下地将含有丰富语义信息的高层特征图和含有丰富几何信息的低层特征图横向融合. PANet[12]在FPN的基础上添加了额外的自下而上的连接以更高效地传递浅层信息到高层. NAS-FPN[13]利用神经架构搜索技术搜索出了一种新的连接方式. BiFPN[14]改良了PANet的连接方式，使其更加高效，并在连接处引入了简单的注意力机制. 虽然文献[12−14]中的结构都能提升网络多尺度表达的能力，但是都忽略了不同尺度特征之间冲突信息的存在可能会阻碍性能的进一步提升，本文则充分考虑了冲突信息对检测精度的影响.
1.3 数据增强
深度学习是基于数据的方法，因而对训练数据的预处理是其关键的一环. 常见的数据预处理方法如旋转、变形、随机擦除、随机遮挡和光照畸变等. Stitcher[15]将4张训练图像缩小为原图的1/4，并且将它们拼接为1张图像来实现小目标的数据增强，同时将损失值作为反馈信号以指导数据增强的进行. YOLOV4[16]将4张训练图像缩小为不同大小并且拼接为1张来实现小目标的数据增强. 文献[15−16]中的方式对于目标尺寸普遍很大的图像来说，会将大目标图像缩小为中等目标大小，最终提高中等目标图像的检测率. Kisantal等人[5]采用将图像的小目标区域复制然后粘贴回原图的方式实现小目标数据增强. 但这种方式只能增加小目标个数而不能增加含有小目标的图像个数，也会造成一定的不平衡. 本文提出的数据增强算法则基于较大目标广泛分布于训练的各个批次的事实，保证训练平衡进行. 本文算法结构图如图1所示:
2. 本文算法
图1中{C2, C3，C4，C5}分别表示图像经过{4, 8, 16, 32}倍下采样后的特征图，{C3，C4，C5}经过1层卷积后分别生成{F1，F2，F3}，其中C2由于含有大量噪声而未被使用. {L1，L2，L3}分别是{F1，F2，F3}经过FPN后的结果，{P1，P2，P3}为{L1，L2，L3}经过FRM的输出.
CAM启发于人类识别物体的模式. 如，我们很难分辨很高天空中的小鸟，但是考虑天空作为其背景，我们就很容易分辨出，因为从我们学习到的知识中可知，在天空背景下的微小目标很有可能是小鸟，而这种背景信息，即是目标的上下文信息.因此如果目标检测网络也在图像中学习到这样的“知识”将会有助于检测小目标.
由于FPN不同层的特征密度不同，因而含有大量的语义差异，在实现信息共享的同时也引入了很多冲突信息. 因此，本文提出了FRM用于过滤冲突信息，减少语义差异. FRM通过将不同层间的特征自适应融合，以达到抑制层间冲突信息的目的.
针对小目标对损失贡献低的问题，提出了一种copy-reduce-paste数据增强方法，以提高小目标对损失的贡献.
2.1 上下文增强和特征提纯的特征金字塔网络
2.1.1 上下文增强模块（CAM）
目标检测需要定位信息也需要语义信息，处于FPN最低层的L3含有较多的定位信息而缺少语义信息. FPN自上而下的信息共享结构在通道数减少之后才进行融合，使得L3未能获取充分的语义信息. 为此我们利用不同空洞卷积率的空洞卷积来获取上下文信息，并将其注入到FPN中，以补充上下文信息.
图2（a）是CAM的结构图. 对于大小为[bs, C, H, W]的输入分别进行空洞卷积率为1，3，5的空洞卷积[17]. bs, C, H, W分别为特征图的批次大小、通道数、高和宽.由于该模块输入的尺寸较小，为了获取更多的细节特征，不宜使用大卷积，因此选用3×3的卷积.同时为了避免引入较多的参数量，选取卷积核的个数为C/4，即首先压缩通道数为输入的1/4，然后再通过1×1的卷积扩张通道数为C，得到3种大小相同而感受野不同的输出，最后融合得到的特征. 特征融合可采用的方式如图2（b）~（d）所示. 图2（b），（c）分别为拼接融合和加权融合，即分别在通道和空间维度上直接拼接和相加. 图2（d）是自适应融合方式，即通过卷积、拼接和归一化等操作将输入特征图压缩为通道为3的空间权重，3个通道分别与3个输入一一对应，计算输入特征和空间权重的加权和可以将上下文信息聚合到输出中.
本文通过消融实验验证各个融合方式的有效性，实验结果如表1所示.
表 1 CAM消融实验结果Table 1. Ablation Experimental Results of CAM% 算法 AP(IOU=0.5) AR(IOU=0.5) APs APm ARs ARm 基线模型 34.8 60.5 57.9 78.7 相加融合 35.6 63.0 60.5 81.8 自适应融合 36.0 63.1 58.9 81.0 拼接融合 36.6 61.0 59.8 79.5 注：基线模型为YOLOV3，测试数据集为VOC，IOU为交并比. APs，APm分别指小目标、中目标的平均精度；ARs，ARm分别指小目标、中目标的平均召回率. 由表1可知，对于小目标来说，拼接融合所取得的增益最大，APs和ARs分别提高了1.8%和1.9%. 自适应融合对中目标的提升最为明显，APm提升了2.6%. 相加融合带来的提升则基本介于拼接融合和自适应融合两者之间，因此本文选择拼接融合的方式.
本文将部分特征图可视化以说明CAM的效果，可视化结果如图3所示.
图3（b）为CAM输入特征图，从中可以发现在图像的目标处有微小响应，呈现为较小的“白点”. 图3（c）为CAM输出特征图，可以明显看到目标处的响应明显增强，并且响应范围更大，这是因为CAM将目标周围的上下文信息也融入特征中，使得目标处的响应更强. 因此将CAM提取的上下文信息注入网络中将有助于小目标的检测.
2.1.2 特征提纯模块（FRM）
FPN用于融合不同尺度大小的特征，然而不同尺度的特征具有不可忽视的语义差异，将不同尺度的特征直接融合可能引入大量的冗余信息和冲突信息，降低多尺度表达的能力. 为了抑制冲突信息，本文提出FRM，该模块结构如图4所示.
图4（a）为接在FPN第2层后的FRM结构图. 从图（4）可看出，
X1 ，{\boldsymbol{X}}^2 ，{\boldsymbol{X}}^3 （FPN的3层输出）为该模块的输入，首先将{\boldsymbol{X}}^1 ，{\boldsymbol{X}}^2 ，{\boldsymbol{X}}^3 3个输入缩放到同一大小，分别为{\boldsymbol{R}}^1 ，{\boldsymbol{R}}^2 ，{\boldsymbol{R}}^3 ，然后再利用拼接和卷积操作将所有输入特征的通道数压缩为3，随后接上并联的通道提纯模块和空间提纯模块.通道提纯模块的具体结构如图4（b）所示，为了计算通道注意力，采用平均池化和最大池化相结合的方式来聚合图像的全局空间信息. 用
{\boldsymbol{X}}^m 表示FRM的第m(m∈{1，2，3})层输入特征图，其输出可表示为{\boldsymbol{U}} = {\boldsymbol{\alpha }} \times RS({{\boldsymbol{X}}^1}) + {\boldsymbol{\beta }} \times {{\boldsymbol{X}}^2} + {\boldsymbol{\gamma }} \times RS({{\boldsymbol{X}}^3}). (1) 其中RS表示resize函数，在式（1）中将
{\boldsymbol{X}}^1 和{\boldsymbol{X}}^3 特征缩放到和{\boldsymbol{X}}^2 同一尺度.{\boldsymbol{\alpha }} ，{\boldsymbol{\beta }} ,{\boldsymbol{\gamma }} 为通道自适应权重，其尺度为1×1×1. 经过归一化的{\boldsymbol{\alpha }} ，{\boldsymbol{\beta }} ,{\boldsymbol{\gamma }} 代表3个输入的相对权重，这3个值越大表示具有更大的响应，将它们与输入相乘，响应大的输入将被放大，响应小的输入将被抑制，以此将更加有用的信息增强而抑制不重要的噪声.{\boldsymbol{\alpha }} ，{\boldsymbol{\beta }} ,{\boldsymbol{\gamma }} 可表示为{\text{[}}{\boldsymbol{\alpha }},{\boldsymbol{\beta }},{\boldsymbol{\gamma }}{\text{]}} = sigmoid{\kern 1pt} {\kern 1pt} {\text{[}}{AvgPool} {\text{(}}{\boldsymbol{F}}{\text{)}} + {MaxPool} {\text{(}}{\boldsymbol{F}}{\text{)]}}. (2) 其中F为图4（a）中标识的特征图，AvgPool和MaxPool分别为平均池化和最大池化操作.
空间提纯模块利用softmax函数将特征图在空间上归一化，得到特征图中某点关于其他所有位置的相对权重，然后将其与输入分别相乘. 其输出可表示为
\begin{split} {\boldsymbol{D}} =\;& {{\boldsymbol{\mu }}_{{\text{(}}x,y{\text{)}}}} \times RS\left( {{\boldsymbol{X}}_{{\text{(}}x,y{\text{)}}}^1} \right) + \;{{\boldsymbol{\nu }}_{{\text{(}}x,y{\text{)}}}} \times {\boldsymbol{X}}_{{\text{(}}x,y{\text{)}}}^2+ \\ &{{\boldsymbol{\omega }}_{{\text{(}}x,y{\text{)}}}} \times RS\left( {{\boldsymbol{X}}_{{\text{(}}x,y{\text{)}}}^3} \right). \end{split} (3) (x，y)表示特征图的空间坐标.
{\boldsymbol{\mu }} ，{\boldsymbol{\nu }} ，{\boldsymbol{\omega }} 为空间自适应权重，目标区域的响应较大，将会获得更大的权重，反之背景区域获得的权重较小.{\boldsymbol{\mu }} ，{\boldsymbol{\nu }} ，{\boldsymbol{\omega }} 与输入具有相同的空间大小，因此将它们和输入直接相乘可以达到将目标特征放大和背景噪声抑制的目的.{\boldsymbol{\mu }} ，{\boldsymbol{\nu }} ，{\boldsymbol{\omega }} 可由式（4）表示.[{\boldsymbol{\mu }},{\boldsymbol{\nu }},{\boldsymbol{\omega }}] = {\text{soft}}\max ({\boldsymbol{F}}). (4) softmax函数用于归一化特征参数以提高模型的泛化能力.那么此模块的总输出为
{\boldsymbol{P}} = {\boldsymbol{U}} + {\boldsymbol{D}}. (5) FPN所有层的特征都在自适应权重的引导下融合，融合的结果作为整个网络的输出.
为更加直观地说明特征提纯模块的作用，图5展示了部分可视化的特征图. 由于小目标的检测由FPN的最低层主导，因此我们仅可视化了最低层的特征. 图5中F3，L3，P3分别对应图1中的标签F3，L3，P3.
由图5可知，F3特征可大致定位目标位置，但是包含较多背景噪声，具有较大误检的可能. L3相比于F3，背景信息明显减少，这是FPN融合高层信息的结果. 高层信息更加关注于物体的抽象信息而不关注背景信息，因此背景信息会被中和. 但是由于特征的细腻度不同，引入了冲突信息，使得目标的响应被削弱.而P3的目标特征被强化，并且目标和背景之间的边界更加明显. 由可视化分析可知，本文提出的FRM可减少干扰小目标的冲突信息，提高判别性，以此提高小目标的检测率.
2.2 copy-reduce-paste数据增强
当前主流的公开数据集中，小目标的数量或包含小目标的图片数量远远小于较大目标的，如VOC数据集，统计情况如表2所示. 同时，如图6（a）所示，小目标产生的正样本数量远远小于较大目标的，因而小目标对损失的贡献率远远小于较大目标的，使得网络收敛的方向不断向较大目标倾斜.
表 2 VOC数据集目标尺寸统计结果Table 2. Statistical Results of Target Size on VOC Datebase% 统计值 小目标 中目标 大目标 目标数量占比 10.0 16.6 73.4 图片数量占比 8.2 16.2 75.6 为了缓解这个问题，我们在训练过程中复制、缩小、粘贴图像中的目标，以增加小目标产生的正样本数量以及对损失的贡献值，使得训练更为平衡. 数据增强效果如图6（b）和图6（c）所示.
图6（b），图6（c）是粘贴1次的结果示例，实线框是原有的目标，虚线框为粘贴的目标. 首先复制大目标图像块，然后对图像块进行缩小，最后粘贴到原图的不同位置.我们提出的数据增强方法并没有直接复制小目标图像区域粘贴到不同位置，这是考虑到数据集中含有小目标的图像数量较少，如果仅仅复制粘贴小目标，在很多批次中小目标对损失的贡献仍然很低. 此外，我们研究了粘贴次数对小目标检测性能的影响, 实验结果如表3所示.
表 3 数据增强消融实验结果Table 3. Ablation Experimental Results of Data Augmentation% 粘贴次数 AP(IOU=0.5) AR(IOU=0.5) APs APm ARs ARm 0（基线模型） 34.8 60.5 57.9 78.7 1 37.3 62.7 59.8 80.9 2 36.8 62.6 58.0 81.0 3 33.2 59.7 58.0 79.8 注：基线模型为YOLOV3，IOU为交并比.APs，APm分别指小目标、中目标的平均精度；ARs，ARm分别指小目标、中目标的平均召回率. 从表3中可知，随着粘贴次数的增加，小目标的检测率逐渐减小，甚至会造成低于基线模型的情况.这可能是由于随着粘贴次数的增加，逐渐破坏了原始数据的分布，使得在测试集的表现较差. 在粘贴1次时，APs提高了2.5%，ARs提高了1.9%，同时中目标的检测率也略有提升，结果表明粘贴1个目标是最佳的设定.
3. 实 验
3.1 训练设置
本文实验在VOC和TinyPerson两种数据集[18]上进行. VOC有22136张训练图像和4952张测试图像，共20个类别. TinyPerson数据集包含2个类别，798张训练图片和816张测试图片，其场景多为远距离大背景下的图像，所标注目标的平均大小为18像素，是一个真正意义上的小目标数据集.
本文所使用的评估指标为：
精度（precision, P），用来检测结果中相关类别占总结果的比重；
召回率（recall, R），用来检测结果中相关类别占总类别的比重. 由P-R曲线可计算所有大、中、小目标平均检测精度的均值（mAP）：
mAP = \frac{{\text{1}}}{k}\sum\limits_{n = 1}^N {P\left( n \right) \times\Delta r\left( n \right)} . (6) 其中N为测试集总数，P(n)表示n张图像的精确度，∆r(n)表示从n−1增加到n时召回率的变化量，k为类别数. 同时，使用下标s，m，l分别表示在小尺度、中尺度和大尺度目标上的性能. 本文所有的实验在同样的软件和硬件条件下进行（pytorch[19]框架，Intel Core i7-5820k CPU@3.30 GHz处理器，16 GB内存，GeForce GTX TITAN显卡）.
图7为训练时的损失变化曲线，我们采用SGD优化器训练50轮次（前2个轮次预热），批次设定为8，学习率初始值为 0.0001，训练的损失值平滑下降.部分特征可视化结果如图8所示.
如图8所示，图8（b）为浅层特征，网络更关注物体的纹理信息. 图8（c）为深层特征，图像的信息逐渐抽象，网络更关注物体的高层语义信息.
3.2 实验结果
为验证本文算法在小目标检测上的有效性，本文在TinyPerson和VOC数据集上分别进行了实验.
本文复现了4种算法在TinyPerson数据集上的检测结果，由于该数据集几乎全是小目标，因此只进行APs指标的对比，对比结果如表4所示.
表 4 TinyPerson数据集上的检测结果Table 4. Detection Results on TinyPerson Dataset% 由表4可知，本文算法在该数据集上的APs达到55.1%. 相比YOLOV5和DSFD算法，本文算法分别有0.8%和3.5%的提升，而相比于AL-MDN和MaskR-CNN则分别高出21%和12.6%.
本文复现了3种较为前沿的目标检测算法在VOC上的结果，并且比较这些算法在小目标、中目标上的AP和AR，实验结果如表5所示：
表 5 VOC数据集上的小目标检测结果Table 5. Results of Small Targets Detection on VOC Dataset% 由表5可知，本文算法相比于YOLOV4，APs高3.9%，ARs高11.3%；相比于RefineDet，APs高5.3%，ARs高9.2%；而相比于CenterNet，本文算法的APs和ARs分别具有7.7%和12.0%的优势. 不难发现，本文算法在小目标的召回率上具有较大优势，说明本文算法具有较强的小目标查找能力.
将本文算法和近几年的一阶段算法和二阶段算法在VOC数据集上的mAP进行对比，对比结果如表6所示.
表 6 VOC数据集上的实验结果(IOU=0.5)Table 6. Experimental Results on VOC Dataset (IOU=0.5)类型 算法 主干网络 输入尺寸 mAP/% 二阶段 Faster R-CNN[4] ResNet101 1000×600 76.4 R-FCN[3] ResNet101 1000×600 80.5 HyperNet[25] VGG16 1000×600 76.3 CoupleNet[26] ResNet101 1000×600 82.7 Reconfig[27] ResNet101 1000×600 82.4 IPG-Net[28] IPGNet101 1000×600 84.8 一阶段 SSD[2] VGG16 512×512 79.8 RefineDet[10] VGG16 512×512 81.8 RFBNet[29] VGG16 512×512 82.2 ScratchDet[30] RestNet34 320×320 80.4 PFPNet[31] VGG16 512×512 82.3 本文算法 Darknet53 448×448 83.6 本文算法+ Darknet53 448×448 85.1 注：“+”表示多尺度测试. 由表6可知，与一阶段算法相比，本文算法比PFPNet的mAP高1.3%，具有最好的表现. 与二阶段算法相比，本文算法优于大部分的二阶段算法，但比IPG-Net的mAP低1.2%，这主要是由于本文算法的主干网络性能较差以及输入图像大小较小. 如果本文采用多尺度测试的方法，则在VOC数据集上的检测率可达到85.1%，高于所有的对比算法.
本文算法对小目标的检测具有较大优势，不管是总体检测效果还是小目标的检测率、召回率都表现良好，优于大多数检测算法.
3.3 消融实验
本文以消融实验验证每个模块的贡献.通过逐个添加数据增强方法、CAM和FRM到基线模型YOLOV3中，得出实验结果如表7所示：
表 7 消融实验结果Table 7. Ablation Experimental Results基线模型 增强 CAM FRM AP/% (IOU = 0.5) AR/% (IOU = 0.5) APs APm APl ARs ARm ARl √ 34.8 60.5 83.6 57.9 78.7 92.8 √ √ 37.3 62.7 83.4 59.8 80.9 93.0 √ √ 36.6 61.0 84.2 59.8 79.5 93.1 √ √ 37.6 62.1 83.9 59.0 79.1 92.6 √ √ √ √ 40.2 64.1 84.6 64.8 81.0 93.9 注：√表示包含该模块，IOU为交并比.APs，APm，APl分别指小目标、中目标和大目标的平均精度；ARs，ARm，ARl分别指小目标、中目标和大目标的平均召回率. 总体来说，本文提出的算法可显著提高目标检测率，尤其是小目标和中等目标的检测率，这也符合本文算法的初衷. 如表7所示，APs提升5.4%，APm提升3.6%，而APl提升1.0%. 同时对于不同尺度目标的召回率也有不同程度的提升. 具体来说，ARs提升6.9%，ARm提升1.3%，ARl提升1.1%.
copy-reduce-paste数据增强方法将APs和APm分别提高2.5%和2.2%.而APl略有下降. 由此可知，该方法可有效提高小目标检测率.
CAM分别提高小目标的APs和ARs 1.8%和0.6%.证实了补充上下文信息对于小目标检测的重要性.
FRM将APs和APm分别提高2.8%和1.6%，而APl基本持平. 由此可见，FRM可滤除特征的冲突信息，提高较小目标特征的判别性.
4. 总 结
小目标特征模糊，能够提取的特征少，是目标检测领域的难点. 为了解决小目标特征消散的问题，本文引入CAM，通过不同空洞卷积率的空洞卷积提取上下文信息，以补充小目标的上下文信息. 由于小目标容易淹没在冲突信息中，本文提出FRM，该模块结合通道和空间自适应融合来抑制冲突信息，提高特征的判别性. 同时，提出一种copy-reduce-paste的小目标增强方法来提高小目标对损失函数的贡献，使得训练更加平衡.通过实验结果可知，本文提出的小目标检测网络在TinyPerson和VOC数据集上均表现良好，优于大多数的目标检测算法.
致谢 感谢武汉大学超级计算中心对本文的数值计算提供的支持.
作者贡献声明：肖进胜和赵陶设计网络并实践；肖进胜和周剑负责论文撰写；乐秋平和杨力衡提供数据支持和文章的润色
-
![]()
图 2 跨云环境下任务调度示意图
Figure 2. Schematic diagram of task scheduling in inter-cloud environment
表 1 单云环境下常见的任务调度算法
Table 1 Common Task Scheduling Algorithms in Single Cloud Environment
算法 调度机制 优点 缺点 FCFS 将任务按照到达的先后顺序调度资源. 易于实现 性能有限 Min_Min 将最小完成时间的任务分配到处理时间最短的资源上. 易于实现 资源利用率不高 Max_Min 将最大完成时间的任务分配到处理时间最短的资源上. 易于实现 资源利用率不高 MCT 将任务以任意顺序分配到具有最早完成时间的资源上. 任务完成时间短 任务总体执行时间长 MET 将任务分配到具有最小时间花费的资源上. 任务处理速度快 资源分配不均 RR 将任务分配到相同时间量的资源上. 易于实现、调度机制公平 性能有限 ACO 模拟蚂蚁的觅食方式，采用正反馈机制，依据信息素寻找最短路径. 收敛效果较好 初期速度较慢，等待时间长 PSO 模拟鸟群的觅食方式，粒子追随当前的最优粒子在解空间中搜索，通过迭代找到近似最优解. 易于实现、收敛速度快、效率高 易陷入局部最优 GA 模拟自然生物进化过程，通过选择、交叉、变异等方式不断迭代寻找最优解. 可扩展性强、全局优化 易过早收敛、较为依赖参数 SA 模拟固体退火过程，设定初始值不断迭代衰减得到近似最优解. 鲁棒性强、全局优化 收敛速度慢 TS 模拟人类的记忆机制，引入禁忌准则来避免迂回搜索最终得到最优解. 能够跳出局部最优 较为依赖初始解、搜索时间长 
下载: 导出CSV
表 2 联盟云环境下任务调度算法对比
Table 2 Comparison of Task Scheduling Algorithms in Federated Cloud Environment
算法来源 算法描述 优化目标 工具 特点 文献[40] 通过成本决策函数的计算结果分配资源. 最大完成时间、成本 KVM （kernel-based virtual machine），OpenStack 优点：成本降低
缺点：限制成本会影响调度策略文献[41] 利用代理将博弈论引入其中，迫使资源实体之间进行隐性协调，最终向纳什均衡解靠拢. 成本 ProtoPeer platform 优点：成本降低，可伸缩性强
缺点：代理设计复杂文献[43] 将最大完成时间的任务分配到处理时间最短的资源上. 最大完成时间、负载均衡 BioNimbuZ，Amazon EC2 优点：任务完成时间减小
缺点：未考虑环境中其他因素影响
下载: 导出CSV
表 3 异构公有云环境下任务调度算法对比
Table 3 Comparison of Task Scheduling Algorithms in Heterogeneous Public Cloud Environment
算法来源 算法描述 优化目标 工具 特点 文献[46] 通过二进制整数规划选取成本最优的资源分配. 成本 AMPL ，CPLEX 优点：成本降低
缺点：求解时间长，存在偏差文献[47] 利用适应度函数求导和变异的思想改进遗传算法. 最大完成时间 MATLAB 优点：任务完成时间减小
缺点：未考虑环境中其他因素影响文献[48] 为工作流任务中部分关键路径分配子截止时间. 成本 Workflow Generator 优点：成本降低，有截止时间约束
缺点：未考虑任务执行时间文献[49] 以多个随机键组成的向量作为输入并不断迭代，改进遗传算法减少调度中不必要的虚拟机数量. 最大完成时间、成本 Amazon EC2，Google
Cloud Platform，Microsoft Azure，Java优点：成本降低，响应迅速，可拓展性强
缺点：不支持工作流调度文献[50] 改进了遗传算法中的交叉及变异算子，允许云服务使用者根据偏好选择最优方案. 响应时间、成本、可靠性 QWS Dataset （2.0） 优点：响应迅速，可拓展性强，收敛速度快
缺点：参数设置复杂文献[51] 基于云服务提供商的历史价格计算其平均值及趋势，动态预测未来价格. 成本 Amazon EC2 优点：成本降低，负载均衡
缺点：需要大量时间收集云服务提供商的历时价格信息，未考虑环境中其他因素影响文献[52] 不断更新实际任务执行的信息，依据这些信息来动态调整资源
分配.最大完成时间、能耗 自建模拟测试平台 优点：能耗降低
缺点：未考虑环境中其他因素影响文献[53] 以最大完工时间和最小成本分别作为2个调度阶段的目标，将任务映射到合适的云资源上. 最大完成时间、成本、资源利用率 MATLAB 优点：实现了最大完成时间和成本之间的平衡
缺点：实际调度性能未知文献[54] 以最大完成时间、成本和可靠性作为多目标调度策略的3个QoS指标，后根据数据传输顺序将工作流任务分配到适当的云资源上. 最大完成时间、成本、可靠性 Amazon EC2， Microsoft Azure，Google Compute Engine，Python 优点：性能得到提升
缺点：未考虑虚拟机性能波动、能耗等问题文献[55] 使用预定义的优先级构建任务调度列表，后根据可靠性、成本、将任务分配给最优的资源. 最大完成时间、成本、可靠性 CloudSim 优点：架构新颖，性能较好，可靠性强
缺点：公有云计费机制考虑简单文献[56] 基于正弦函数的变化趋势，调度算法早期倾向于收敛，后期倾向于多样性. 最大完成时间、成本、吞吐量、能耗、资源利用率、负载均衡 CloudSim，MATLAB 优点：优化目标全面，可靠性强
缺点：实际调度性能未知文献[57] 基于成本模型、能量模型和性能模型改进遗传算法. 成本 CloudSim 优点：可降低大型和超大规模工作流的能耗
缺点：未考虑环境中其他因素影响文献[58] 考虑预算约束的前提下，使最大完成时间最小化. 最大完成时间 优点：考虑了最大完成时间和成本之间的平衡
缺点：实际调度性能未知
下载: 导出CSV
表 4 公有云、私有云混合环境下任务调度算法对比
Table 4 Comparison of Task Scheduling Algorithms in Public Cloud and Private Cloud Hybrid Environment
算法来源 算法描述 优化目标 工具 特点 文献[63] 以成本为导向受截止时间约束. 成本 Amazon EC2, GoGrid, Java 优点：成本降低
缺点：未考虑调度时间文献[64] 将工作流调度到私有云上，估算工作流完成时间，之后从公有云租用合适的资源并将其聚合到私有云. 成本 自建模拟测试平台 优点：成本降低
缺点：未考虑环境中其他因素影响，实际调度性能未知文献[65] 在预计完成时间超过截止时间时，将开销最小、完成时间最短的任务调度到公有云上. 截止时间、成本 CloudSim 优点：成本降低
缺点：任务级别需要考虑的因素过多文献[66] 基于染色体编码、评估、选择、交叉和突变的改进遗传算法. 最大完成时间、成本 Amazon EC2 优点：可减少成本，完成协调
缺点：没有考虑任务执行时间变化的影响文献[67] 将最大成本的任务分配给私有云，当私有云资源不足时租用性价比最高的公有云资源. 任务完成数量、成本 Gaia Cluster 优点：安全性高
缺点：仅考虑了独立任务文献[68] 结合绿色数据中心的收益、绿色能源的价格以及公共云中资源的价格执行最优任务调度. 成本 MATLAB 优点：成本降低
缺点：未考虑环境中其他因素影响文献[69] 改进了NSGA-Ⅱ算法中基于帕累托最优的快速排序. 最大完成时间、成本 CloudSim 优点：成本降低
缺点：未考虑环境中其他因素影响
下载: 导出CSV
-
[1] 陈海波,夏虞斌,糜泽羽. 跨云计算的机遇、挑战与研究展望[J]. 中国计算机学会通讯,2017,13(3):30−34 Chen Haibo, Xia Yubin, Mi Zeyu. Opportunities, challenges and research prospects of inter-cloud computing[J]. Communications of the CCF, 2017, 13(3): 30−34 (in Chinese)
[2] Srinivasan A, Quadir M A, Vijayakumar V. Era of cloud computing: A new insight to hybrid cloud[J]. Procedia Computer Science, 2015, 50: 42−51 doi: 10.1016/j.procs.2015.04.059
[3] Linthicum D S. Emerging hybrid cloud patterns[J]. IEEE Cloud Computing, 2016, 3(1): 88−91 doi: 10.1109/MCC.2016.22
[4] Chauhan S S, Pilli E S, Joshi R C. A broker based framework for federated cloud environment[C/OL] //Proc of 2016 Int Conf on Emerging Trends in Communication Technologies (ETCT). Piscataway, NJ: IEEE, 2016 [2021-06-15]. https://ieeexplore.ieee.org/abstract/document/7882979
[5] Petcu D. Multi-cloud: Expectations and current approaches[C] //Proc of 2013 Int Workshop on Multi-Cloud Applications and Federated Clouds. New York: ACM, 2013: 1−6
[6] IDC, Inc. The content of hybrid architecture continues to enrich, and cloud management software has a lot to offer [EB/OL]. (2020-05-31) [2021-06-11]. https://www.idc.com/getdoc.jsp?containerId=prCHC46448320
[7] Armbrust M, Fox A, Griffith R, et al. Above the clouds: A Berkeley view of cloud computing[R]. Berkeley: University of California, 2009
[8] Armbrust M, Fox A, Griffith R, et al. A view of cloud computing[J]. Communications of the ACM, 2010, 53(4): 50−58 doi: 10.1145/1721654.1721672
[9] Toosi A N, Calheiros R N, Buyya R. Interconnected cloud computing environments: Challenges, taxonomy, and survey[J]. ACM Computing Surveys , 2014, 47(1): 1-47
[10] Houidi I, Mechtri M, Louati W, et al. Cloud service delivery across multiple cloud platforms[C] //Proc of 2011 IEEE Int Conf on Services Computing. Piscataway, NJ: IEEE, 2011: 741−742
[11] Ferrer A J, Hernández F, Tordsson J, et al. OPTIMIS: A holistic approach to cloud service provisioning[J]. Future Generation Computer Systems, 2012, 28(1): 66−77 doi: 10.1016/j.future.2011.05.022
[12] Grozev N, Buyya R. Inter-Cloud architectures and application brokering: Taxonomy and survey[J]. Software: Practice and Experience, 2014, 44(3): 369−390 doi: 10.1002/spe.2168
[13] Mell P, Grance T. The NIST definition of cloud computing [EB/OL]. (2011-09-01)[2021-06-15]. https://csrc.nist.gov/publications/detail/sp/800-145/final
[14] Bessani A, Kapitza R, Petcu D, et al. A look to the old-world_sky: EU-funded dependability cloud computing research[J]. ACM SIGOPS Operating Systems Review, 2012, 46(2): 43−56 doi: 10.1145/2331576.2331584
[15] Celesti A, Tusa F, Villari M, et al. How to enhance cloud architectures to enable cross-federation[C] //Proc of the 3rd Int Conf on Cloud Computing. Piscataway, NJ: IEEE, 2010: 337−345
[16] Brikman Y. Terraform: Up & Running: Writing Infrastructure as Code[M]. Sebastopol: O'Reilly Media, 2019
[17] Cuadrado F, Navas A, Duenas J C, et al. Research challenges for cross-cloud applications[C] //Proc of 2014 IEEE Conf on Computer Communications Workshops (INFOCOM WKSHPS). Piscataway, NJ: IEEE, 2014: 19−24
[18] Wang Huaimin, Shi Peichang, Zhang Yiming. Jointcloud: A cross-cloud cooperation architecture for integrated internet service customization[C] //Proc of the 37th Int Conf on Distributed Computing Systems (ICDCS). Piscataway, NJ: IEEE, 2017: 1846−1855
[19] 史佩昌,尹浩,沃天宇,等. 软件定义的云际计算基础理论和方法研究进展[J]. 中国基础科学,2019,21(6):54−60 doi: 10.3969/j.issn.1009-2412.2019.06.08 Shi Peichang, Yin Hao, Wo Tianyu, et al. Research progress on the basic theory and method of the software-defined jointcloud computing[J]. China Basic Science, 2019, 21(6): 54−60 (in Chinese) doi: 10.3969/j.issn.1009-2412.2019.06.08
[20] Jena T, Mohanty J R. GA-based customer-conscious resource allocation and task scheduling in multi-cloud computing[J]. Arabian Journal for Science and Engineering, 2018, 43(8): 4115−4130
[21] 田倬璟,黄震春,张益农. 云计算环境任务调度方法研究综述[J]. 计算机工程与应用,2021,57(2):1−11 doi: 10.3778/j.issn.1002-8331.2006-0259 Tian Zhuojing, Huang Zhenchun, Zhang Yinong. Review of task scheduling methods in cloud computing environment[J]. Computer Engineering and Applications, 2021, 57(2): 1−11 (in Chinese) doi: 10.3778/j.issn.1002-8331.2006-0259
[22] 马小晋,饶国宾,许华虎. 云计算中任务调度研究的调查[J]. 计算机科学,2019,46(3):1−8 doi: 10.11896/j.issn.1002-137X.2019.03.001 Ma Xiaojin, Rao Guobin, Xu Huahu. Research on task scheduling in cloud computing[J]. Computer Science, 2019, 46(3): 1−8 (in Chinese) doi: 10.11896/j.issn.1002-137X.2019.03.001
[23] Mármol F G, Pérez G M. Towards pre-standardization of trust and reputation models for distributed and heterogeneous systems[J]. Computer Standards & Interfaces, 2010, 32(4): 185−196
[24] 胡海洋,刘润华,胡华. 移动云计算环境下任务调度的多目标优化方法[J]. 计算机研究与发展,2017,54(9):1909−1919 doi: 10.7544/issn1000-1239.2017.20160757 Hu Haiyang, Liu Runhua, Hu Hua. Multi-objective optimization for task scheduling in mobile cloud computing[J]. Journal of Computer Research and Development, 2017, 54(9): 1909−1919 (in Chinese) doi: 10.7544/issn1000-1239.2017.20160757
[25] 王亚文, 郭云飞, 刘文彦, 等. 面向云工作流安全的任务调度方法[J]. 计算机研究与发展, 2018, 55（6）: 66-75 Wang Yawen, Guo Yunfei, Liu Wenyan, et al. A task scheduling method for cloud workflow security[J]. Journal of Computer Research and Development, 2018, 55(6): 66-75(in Chinese)
[26] Liu Juefu, Liu Peng. The research of load imbalance based on min-min in grid[C/OL] //Proc of 2010 Int Conf on Computer Design and Applications. Piscataway, NJ: IEEE, 2010 [2021-06-17]. https://ieeexplore.ieee.org/abstract/document/5541399
[27] Etminani K, Naghibzadeh M. A min-min max-min selective algorithm for grid task scheduling[C/OL] //Proc of the 3rd IEEE/IFIP Int Conf in Central Asia on Internet. Piscataway, NJ: IEEE, 2007 [2021-06-17]. https://ieeexplore.ieee.org/abstract/document/4401694
[28] Dorigo M, Caro G D. Ant colony optimization: A new meta-heuristic[C] //Proc of 1999 Congress on Evolutionary Computation. Piscataway, NJ: IEEE, 1999: 1470−1477
[29] Dorigo M, Stützle T. The Ant Colony Optimization Metaheuristic: Algorithms, Applications, and Advances[M]. Berlin: Springer, 2003: 250−285
[30] Bratton D, Kennedy J. Defining a standard for particle swarm optimization[C] //Proc of 2007 IEEE Swarm Intelligence Symp. Piscataway, NJ: IEEE, 2007: 120−127
[31] Poli R, Kennedy J, Blackwell T. Particle swarm optimization[J]. Swarm Intelligence, 2007, 1(1): 33−57 doi: 10.1007/s11721-007-0002-0
[32] 高海兵,周驰,高亮. 广义粒子群优化模型[J]. 计算机学报,2005,28(12):1980−1987 doi: 10.3321/j.issn:0254-4164.2005.12.004 Gao Haibing, Zhou Chi, Gao Liang. General particle swarm optimization model[J]. Chinese Journal of Computers, 2005, 28(12): 1980−1987 (in Chinese) doi: 10.3321/j.issn:0254-4164.2005.12.004
[33] Omara F A, Arafa M M. Genetic Algorithms for Task Scheduling Problem[M]. Berlin: Springer, 2009: 479−507
[34] Zhao Chenhong, Zhang Shanshan, Liu Qingfeng et al. Independent tasks scheduling based on genetic algorithm in cloud computing[C/OL] //Proc of the 5th Int Conf on Wireless Communications, Networking and Mobile Computing. Piscataway, NJ: IEEE, 2009 [2021-06-17]. https://ieeexplore.ieee.org/abstract/document/5301850
[35] 陈黄科,祝江汉,朱晓敏,等. 云计算中资源延迟感知的实时任务调度方法[J]. 计算机研究与发展,2017,54(2):446−456 doi: 10.7544/issn1000-1239.2017.20151123 Chen Huangke, Zhu Jianghan, Zhu Xiaomin, et al. Resource-delay-aware scheduling for real-time tasks in clouds[J]. Journal of Computer Research and Development, 2017, 54(2): 446−456 (in Chinese) doi: 10.7544/issn1000-1239.2017.20151123
[36] Shroff P, Watson D W, Flann N S, et al. Genetic simulated annealing for scheduling data-dependent tasks in heterogeneous environments[C] //Proc of the 5th Heterogeneous Computing Workshop (HCW’96). Los Alamitos, CA: IEEE Computer Society 1996, 970: 98−117
[37] Gan Guoning, Huang Tinglei, Gao Shuai. Genetic simulated annealing algorithm for task scheduling based on cloud computing environment[C] //Proc of 2010 Int Conf on Intelligent Computing and Integrated Systems. Piscataway, NJ: IEEE, 2010: 60−63
[38] Glover F. Tabu search-part I[J]. ORSA Journal on Computing, 1989, 1(3): 190−206 doi: 10.1287/ijoc.1.3.190
[39] Liaqat M, Chang V, Gani A, et al. Federated cloud resource management: Review and discussion[J]. Journal of Network and Computer Applications, 2017, 77: 87−105 doi: 10.1016/j.jnca.2016.10.008
[40] Petri I, Diaz-Montes J, Zou Mengsong, et al. Market models for federated clouds[J]. IEEE Transactions on Cloud Computing, 2015, 3(3): 398−410 doi: 10.1109/TCC.2015.2415792
[41] Palmieri F, Buonanno L, Venticinque S, et al. A distributed scheduling framework based on selfish autonomous agents for federated cloud environments[J]. Future Generation Computer Systems, 2013, 29(6): 1461−1472 doi: 10.1016/j.future.2013.01.012
[42] Holt C A, Roth A E. The Nash equilibrium: A perspective[J]. Proceedings of the National Academy of Sciences, 2004, 101(12): 3999−4002 doi: 10.1073/pnas.0308738101
[43] de Oliveira G S S, Ribeiro E, Ferreira D A, et al. Acosched: A scheduling algorithm in a federated cloud infrastructure for bioinformatics applications[C] //Proc of the 7th IEEE Int Conf on Bioinformatics and Biomedicine. Piscataway, NJ: IEEE, 2013: 8−14
[44] Coutinho R C, Drummond L M A, Frota Y. Optimization of a cloud resource management problem from a consumer perspective[C] //Proc of European Conf on Parallel Processing. Berlin: Springer, 2013: 218−227
[45] Coutinho R C, Drummond L M A, Frota Y, et al. Optimizing virtual machine allocation for parallel scientific workflows in federated clouds[J]. Future Generation Computer Systems, 2015, 46: 51−68 doi: 10.1016/j.future.2014.10.009
[46] Van den Bossche R, Vanmechelen K, Broeckhove J. Cost-optimal scheduling in hybrid IaaS clouds for deadline constrained workloads[C] //Proc of the 3rd Int Conf on Cloud Computing. Piscataway, NJ: IEEE, 2010: 228−235
[47] Tejaswi T T, Azharuddin M, Jana P K. A GA based approach for task scheduling in multi-cloud environment[J]. arXiv preprint, arXiv: 1511. 08707, 2015
[48] Lin Bin, Guo Wenzhong, Chen Guolong, et al. Cost-driven scheduling for deadline-constrained workflow on multi-clouds[C] //Proc of the 29th IEEE Int Parallel and Distributed Processing Symp Workshop. Piscataway, NJ: IEEE, 2015: 1191−1198
[49] Heilig L, Lalla-Ruiz E, Voß S. A cloud brokerage approach for solving the resource management problem in multi-cloud environments[J]. Computers & Industrial Engineering, 2016, 95: 16−26
[50] Zhang Miao, Liu Li, Liu Songtao. Genetic algorithm based QoS-aware service composition in multi-cloud[C] //Proc of the 1st IEEE Int Conf on Collaboration and Internet Computing (CIC). Piscataway, NJ: IEEE, 2015: 113−118
[51] Simarro J L L, Moreno-Vozmediano R, Montero R S, et al. Dynamic placement of virtual machines for cost optimization in multi-cloud environments[C] //Proc of the 9th Int Conf on High Performance Computing & Simulation. Piscataway, NJ: IEEE, 2011: 1−7
[52] Li Jiayin, Qiu Meikang, Ming Zhong, et al. Online optimization for scheduling preemptable tasks on IaaS cloud systems[J]. Journal of Parallel and Distributed Computing, 2012, 72(5): 666−677 doi: 10.1016/j.jpdc.2012.02.002
[53] Panda S K, Jana P K. A multi-objective task scheduling algorithm for heterogeneous multi-cloud environment[C] //Proc of 2015 Int Conf on Electronic Design, Computer Networks & Automated Verification (EDCAV). Piscataway, NJ: IEEE, 2015: 82−87
[54] Hu Haiyang, Li Zhongjin, Hu Hua, et al. Multi-objective scheduling for scientific workflow in multicloud environment[J]. Journal of Network and Computer Applications, 2018, 114: 108−122 doi: 10.1016/j.jnca.2018.03.028
[55] Tang Xiaoyong. Reliability-aware cost-efficient scientific workflows scheduling strategy on multi-cloud systems[J/OL]. IEEE Transactions on Cloud Computing, 2021 [2021-06-15]. https://ieeexplore.ieee.org/abstract/document/9349203
[56] Cai Xingjuan, Geng Shaojin, Wu Di, et al. A multi-cloud model based many-objective intelligent algorithm for efficient task scheduling in Internet of things[J]. IEEE Internet of Things Journal, 2020, 8(12): 9645−9653
[57] Wen Zhenyu, Garg S, Aujla G S, et al. Running industrial workflow applications in a software-defined multi-cloud environment using green energy aware scheduling algorithm[J]. IEEE Transactions on Industrial Informatics, 2020, 17(8): 5645−5656
[58] Karaja M, Ennigrou M, Said L B. Budget-constrained dynamic bag-of-tasks scheduling algorithm for heterogeneous multi-cloud environment[C/OL] //Proc of 2020 Int Multi-Conf on Organization of Knowledge and Advanced Technologies (OCTA). Piscataway, NJ: IEEE, 2020 [2021-06-15]. https://ieeexplore.ieee.org/abstract/document/9151737
[59] Grozev N, Buyya R. Multi-cloud provisioning and load distribution for three-tier applications[J]. ACM Transactions on Autonomous and Adaptive Systems, 2014, 9(3): 1-21
[60] Frincu M E, Craciun C. Multi-objective meta-heuristics for scheduling applications with high availability requirements and cost constraints in multi-cloud environments[C] //Proc of the 4th IEEE Int Conf on Utility and Cloud Computing. Piscataway, NJ: IEEE, 2011: 267−274
[61] Kang S, Veeravalli B, Aung K M M. Dynamic scheduling strategy with efficient node availability prediction for handling divisible loads in multi-cloud systems[J]. Journal of Parallel and Distributed Computing, 2018, 113: 1−16 doi: 10.1016/j.jpdc.2017.10.006
[62] Cui Jieqi, Chen Pengfei, Yu Guangba. A learning-based dynamic load balancing approach for microservice systems in multi-cloud environment[C] //Proc of the 26th IEEE Int Conf on Parallel and Distributed Systems (ICPADS). Piscataway, NJ: IEEE, 2020: 334−341
[63] Van den Bossche R, Vanmechelen K, Broeckhove J. Online cost-efficient scheduling of deadline-constrained workloads on hybrid clouds[J]. Future Generation Computer Systems, 2013, 29(4): 973−985 doi: 10.1016/j.future.2012.12.012
[64] Bittencourt L F, Madeira E R M. HCOC: A cost optimization algorithm for workflow scheduling in hybrid clouds[J]. Journal of Internet Services and Applications, 2011, 2(3): 207−227 doi: 10.1007/s13174-011-0032-0
[65] Chopra N, Singh S. Deadline and cost based workflow scheduling in hybrid cloud[C] //Proc of the 2nd Int Conf on Advances in Computing, Communications and Informatics (ICACCI). Piscataway, NJ: IEEE, 2013: 840−846
[66] Zhou Junlong, Wang Tian, Cong Peijin, et al. Cost and makespan-aware workflow scheduling in hybrid clouds[J/OL]. Journal of Systems Architecture, 2019 [2021-06-17]. https://www.sciencedirect.com/science/article/pii/S1383762119302954
[67] Wang Bo, Wang Changhai, Huang Wanwei, et al. Security-aware task scheduling with deadline constraints on heterogeneous hybrid clouds[J]. Journal of Parallel and Distributed Computing, 2021, 153: 15−28 doi: 10.1016/j.jpdc.2021.03.003
[68] Yuan Haitao, Bi Jing, Zhou Mengchu. Temporal task scheduling of multiple delay-constrained applications in green hybrid cloud[J]. IEEE Transactions on Services Computing, 2018, 14(5): 1558−1570
[69] Fan Yuanyuan, Liang Qingzhong, Chen Yunsong, et al. Executing time and cost-aware task scheduling in hybrid cloud using a modified DE algorithm[C] //Proc of the 7th Int Symp on Computational Intelligence and Intelligent Systems. Berlin: Springer, 2015: 74−83
[70] 赵梓铭,刘芳,蔡志平,等. 边缘计算:平台、应用与挑战[J]. 计算机研究与发展,2018,55(2):327−337 doi: 10.7544/issn1000-1239.2018.20170228 Zhao Ziming, Liu Fang, Cai Zhiping, et al. Edge computing: Platforms, applications and challenges[J]. Journal of Computer Research and Development, 2018, 55(2): 327−337 (in Chinese) doi: 10.7544/issn1000-1239.2018.20170228
[71] 苏命峰,王国军,李仁发. 边云协同计算中基于预测的资源部署与任务调度优化[J]. 计算机研究与发展,2021,58(11):2558−2570 doi: 10.7544/issn1000-1239.2021.20200621 Su Mingfeng, Wang Guojun, Li Renfa. Resource deployment with prediction and task scheduling optimization in edge cloud collaborative computing[J]. Journal of Computer Research and Development, 2021, 58(11): 2558−2570 (in Chinese) doi: 10.7544/issn1000-1239.2021.20200621
-
期刊类型引用(13)
1. 田青，王颖，张正，羊强. 改进YOLOv8n的选通图像目标检测算法. 计算机工程与应用. 2025(02): 124-134 . 
百度学术
2. 鞠伟强，曹立华. 基于改进的YOLOv7小目标检测算法. 计算机工程与设计. 2025(01): 145-151 . 百度学术
3. 郝佳，姚国英，周剑，王斯远，肖进胜. 基于图像和点云融合的三维小目标检测方法. 测绘通报. 2025(03): 33-38 . 百度学术
4. 杨新秀，徐黎明，冯正勇. 基于YOLOv5全局注意力和上下文增强的遥感图像目标检测方法. 西华师范大学学报(自然科学版). 2024(03): 321-326 . 百度学术
5. 杨帅鹏，李贺，刘金江，付主木，张锐，贾会梅. 基于多尺度特征融合和注意力机制的水面死鱼检测方法. 郑州大学学报(理学版). 2024(06): 32-38 . 百度学术
6. 李耀. 基于YOLOv5-PNCM的飞鸟目标检测算法研究. 现代计算机. 2024(11): 9-15+22 . 百度学术
7. 冉庆东，郑力新. 基于改进YOLOv5的锂电池极片缺陷检测方法. 浙江大学学报(工学版). 2024(09): 1811-1821 . 百度学术
8. 郭虎升. 目标检测综述：从传统方法到深度学习. 新兴科学和技术趋势. 2024(02): 128-145 . 百度学术
9. 马枫，石子慧，孙杰，陈晨，毛显斌，严新平. 自注意力机制驱动的轻量化高鲁棒船舶目标检测方法. 中国舰船研究. 2024(05): 188-199 . 百度学术
10. 周楝淞，邵发明，杨洁，彭泓力，李赛野，孙夏声. 基于区域预推荐和特征富集的SOD R-CNN交通标志检测网络. 信息安全与通信保密. 2024(10): 115-126 . 百度学术
11. 贾帅帅，田明浩，路红阳. 基于数据增强的组合神经网络异常检测算法. 信息技术与信息化. 2023(04): 187-190 . 百度学术
12. 潘晓英，贾凝心，穆元震，高炫蓉. 小目标检测研究综述. 中国图象图形学报. 2023(09): 2587-2615 . 百度学术
13. 齐向明，柴蕊，高一萌. 重构SPPCSPC与优化下采样的小目标检测算法. 计算机工程与应用. 2023(20): 158-166 . 百度学术
其他类型引用(16)
计量
- 文章访问数: 475
- HTML全文浏览量: 51
- PDF下载量: 261
- 被引次数: 29
