P1665﹥《多模态信息抽取研究综述》

概述：多模态信息抽取任务是指从非结构化或半结构化的多模态数据(包含文本和图像等)中提取结构化知识。其研究内容主要包含多模态命名实体识别、多模态实体关系抽取和多模态事件抽取。首先对多模态信息抽取任务进行分析，然后对多模态命名实体识别、多模态实体关系抽取和多模态事件抽取这3个子任务的共同部分，即多模态表示和融合模块进行归纳和总结。随后梳理上述3个子任务的常用数据集和主流研究方法。最后总结多模态信息抽取的研究趋势并分析该研究存在的问题和挑战，为后续相关研究提供参考。

作者简介：王永胜，博士生，苏州大学计算机科学与技术学院；主要研究领域为自然语言处理，信息抽取。

李培峰，博士，教授，博士生导师，CCF高级会员，苏州大学计算机科学与技术学院；主要研究领域为自然语言处理，机器学习；E-mail：pfli@suda.edu.cn。

引用：王永胜,李培峰,王中卿,等. 多模态信息抽取研究综述[J]. 软件学报,2025,4: 1665-1691.

全文：点击下载

P1692﹥《基于深度学习的多视图立体视觉综述》

概述：多视图立体视觉在自动驾驶、增强现实、遗产保护和生物医学等领域得到广泛应用。为了弥补传统多视图立体视觉方法对低纹理区域不敏感、重建完整度差等不足，基于深度学习的多视图立体视觉方法应运而生。对基于深度学习的多视图立体视觉方法的开创性工作和发展现状进行综述，重点关注基于深度学习的多视图立体视觉局部功能改进和整体架构改进方法，深入分析代表性模型。同时，阐述目前广泛使用的数据集及评价指标，并对比现有方法在数据集上的测试性能。最后对多视图立体视觉未来有前景的研究发展方向进行展望 。

作者简介：樊铭瑞，博士，中国科学院国家空间科学中心/中国科学院大学；主要研究领域为小行星自主导航，三维重建。

牛文龙，博士，副研究员，中国科学院国家空间科学中心/中国科学院大学；主要研究领域为运动目标检测，智能目标识别，图像处理，信号处理，航天系统仿真与评估；E-mail：niuwenlong@nssc.ac.cn。

引用：樊铭瑞,申冰可,牛文龙,等. 基于深度学习的多视图立体视觉综述[J]. 软件学报,2025,4: 1692-1714.

全文：点击下载

P1715﹥《面向具身人工智能的物体目标导航综述》

概述：近年来随着计算机视觉和人工智能领域的不断发展，具身人工智能(embodied AI)受到国内外学术界和工业界的广泛关注。具身人工智能强调具身智能体通过与环境进行情景化的交互来主动获取物理世界的真实反馈，并通过对反馈进行学习使具身智能体更加智能。作为具身人工智能具体化的任务之一，物体目标导航要求具身智能体在事先未知的、复杂且语义丰富的场景中搜寻并导航至指定的物体目标(例如：找到水槽)。物体目标导航在辅助人类日常活动的智能助手方面有着巨大的应用潜力，是其他基于交互的具身智能研究的基础和前置任务。系统地分类和梳理当前物体目标导航相关工作，首先介绍环境表示和视觉自主探索相关知识，从3种不同的角度对现有的物体目标导航方法进行分类和分析，其次介绍两类更高层次的物体重排布任务，描述逼真的室内仿真环境数据集、评价指标和通用的导航策略训练范式，最后比较和分析现有的物体目标导航策略在不同数据集上的性能，总结该领域所面临的挑战，并对发展前景作出展望。

作者简介：陈铂垒，博士生，中南大学计算机学院；主要研究领域为物体目标导航，视觉自主探索，视觉物体重排布。

钟萍，博士，副教授，博士生导师，CCF专业会员，中南大学计算机学院；主要研究领域为物联网，人工智能，移动互联网，自主无人系统；E-mail: ping.zhong@csu.edu.cn。

引用：陈铂垒,康嘉绪,钟萍,等. 面向具身人工智能的物体目标导航综述[J]. 软件学报,2025,4: 1715-1757.

全文：点击下载

P1811﹥《基于图神经网络的复杂时空数据挖掘方法综述》

概述：随着传感技术的发展，不同领域产生了大量时空数据。时空图是其中一种主要的时空数据类型，具有复杂的结构、时空特征和时空关系。如何从复杂的时空图数据中挖掘关键模式，并应用于不同的下游任务成为复杂时空数据挖掘任务的主要问题。目前，日渐成熟的时序图神经网络为该研究领域的发展提供了有力的工具。此外，新兴的时空大模型在现有时空图神经网络方法的基础上提供了新的研究视角。然而，现有的大多数综述对该领域方法的分类框架较为粗略，对复杂数据类型(如动态异质图和动态超图)缺乏全面和深入的介绍，并且没有对时空图大模型相关的最新研究进展进行详细总结。因此，基于图神经网络的复杂时空数据挖掘方法分成时空融合架构和时空大模型，旨在从传统和新兴两个角度进行介绍。将时空融合架构根据具体的复杂数据类型划分成动态图、动态异质图和动态超图。将时空大模型根据时间维度和空间维度划分成时间序列和图，并在基于图的大模型中列举时空图相关的最新研究。详细介绍不同关键算法的核心细节并对比不同方法的优缺点，列举基于图神经网络的复杂时空数据挖掘的应用领域和常用数据集，并对未来可能的研究方向进行展望。

作者简介：邹慧琪，博士生，西北工业大学计算机学院；主要研究领域为时空数据挖掘，图神经网络。

韩笑琳，博士，副教授，CCF专业会员，西北工业大学计算机学院；主要研究领域为时空数据挖掘，图神经网络，基于金融大数据的风险预测；E-mail: xiaolinh@nwpu.edu.cn。

引用：邹慧琪,史彬泽,宋凌云,等. 基于图神经网络的复杂时空数据挖掘方法综述[J]. 软件学报,2025,4: 1811-1843.

全文：点击下载

P1859﹥《智能网联汽车自动驾驶安全:威胁、攻击与防护》

概述：智能网联汽车在国家发展战略中占有重要地位，是关系汽车产业革新、大国核心竞争力的关键技术，自动驾驶是智能网联汽车发展的最终目标，智能网联汽车自动驾驶(以下称“自动驾驶汽车”)的安全问题直接影响人民生命财产安全、国家公共安全，但目前还缺少对其的系统性研究。深度剖析自动驾驶面临的安全威胁能对其安全防护和保障提供指导，促进其大规模应用。通过整理学术界与工业界对自动驾驶安全的相关研究工作，分析和总结自动驾驶所面临的安全问题。首先介绍自动驾驶汽车架构、安全的特殊性，其次从模型视角出发，全过程地梳理自动驾驶的物理域输入、信息域输入和驾驶模型这3个方面可能存在的9个攻击作用点及其攻击方式与安全防护手段，最后通过对近7年相关研究论文数据的统计分析，总结自动驾驶安全研究的现状，讨论未来的研究方向。

作者简介：郗来乐，硕士生，物联网信息安全技术北京市重点实验室/中国科学院大学网络空间安全学院；主要研究领域为智能网联汽车安全，物联网安全。

孙玉砚，博士，高级工程师，物联网信息安全技术北京市重点实验室/中国科学院大学网络空间安全学院；主要研究领域为工控安全，物联网安全，车联网；E-mail: sunyuyan@iie.ac.cn。

引用：郗来乐,林声浩,王震,等. 智能网联汽车自动驾驶安全:威胁、攻击与防护[J]. 软件学报,2025,4:1859-1880.

全文：点击下载