关键词： 自然语言处理   计算机视觉   AI技术   计算机程序   人类智能   机器学习   智能行为   深度学习  

摘要： 一、人工智能治理研究现状人工智能(AI)是一个综合性的概念,不同的研究者和组织从不同角度给出了各自的定义。总的来说,AI是指通过计算机程序或机器展现出的智能行为,尤其是类似人类智能的行为,如学习、推理、判断、规划等。近年来,AI技术取得了长足进步。当前,以机器学习、深度学习为代表的AI技术在计算机视觉、语音识别、自然语言处理等领域取得了突破性进展,在许多任务上的表现已经接近甚至超过人类水平(LeCun et al.,2015)。

关键词： 图像处理   深度学习   图注意力机制   邻域点  

摘要： 基于PointNet++网络的三维点云感知方法能够通过提取目标的几何特征信息来对目标进行分类。虽然PointNet++网络能够提取到点云数据的局部特征,但未考虑点与其邻域点之间的关系,因此一旦缺失一个点的局部特征,网络的性能会受到较大的影响。针对这一问题,该文提出一种基于图注意力机制(graphic attention mecahnism)的新网络架构GA-PointNet++。模型利用图注意力机制在点与其邻域点之间分配注意力系数,完成点云局部特征的提取。在分类实验中,该文在ModelNet40数据集上的实验结果表明,提出的GA-PointNet++模型最终的平均分类准确率达到了88.8%,总体准确率达到了91.3%。相较于PointNet++基线模型总体准确率提高1.1百分点,验证了GA-PointNet++在分类任务中的有效性。

关键词： 目标检测   鱼眼图像   多头注意力   可变形卷积   YOLO算法  

摘要： 鱼眼相机捕获的图像具有宽视场、几何失真和尺度差异大等特点,这给基于标准卷积网络的目标检测器带来了巨大的挑战。现有的目标检测算法可以在网络结构设计、特征学习等方面进一步改进以适用于鱼眼图像上的失真目标检测任务。为减轻鱼眼图像上径向畸变的影响,研究在YOLOv7主干引入多分支堆叠结构的多头注意力模块以捕获全局上下文信息,提高检测准确性。同时,在YOLOv7的Neck侧,使用简单高效的融合可变形卷积的层聚合结构以实现有效的多尺度特征融合,提高模型对失真目标的特征提取能力。提出的检测模型直接在鱼眼图像上执行,无须指定先验信息和校准。在公开的综合鱼眼图像数据集VOC_360上进行实验,结果表明,改进后的YOLOv7鱼眼图像目标检测器有效地提高了检测精度,mAP50、mAP50:95分别达到84.3%、70.4%,相比基准模型YOLOv7分别提升3.1个百分点、6.4个百分点。

关键词： 目标检测   对抗样本   风格迁移   对抗补丁   热图引导  

摘要： 针对现有面向目标检测的对抗样本生成方法泛化能力弱的问题,提出了一种融合风格迁移的对抗样本生成方法。首先,提出一种新的对抗补丁生成方法,使用风格迁移方法将风格图像不同层次特征提取并融合,生成无明显物体特征且纹理丰富的对抗补丁;然后,利用梯度类激活映射方法生成目标的特征热图,对目标不同区域在目标检测模型中的关键程度进行可视化表示;最后,构建一种热图引导机制,引导对抗补丁在攻击目标的关键位置进行攻击以提高其泛化能力,生成最终对抗样本。在DroNet室外数据集上进行实验,结果表明:针对单阶段目标检测模型YOLOv5生成的对抗样本,采用所提方法计算得到的攻击成功率可达84.07%;应用于攻击两阶段目标检测模型Faster R-CNN时,采用所提方法计算得到的攻击成功率仍保持在67.65%;与现有的主流方法相比,所提方法生成的对抗样本攻击效果较好,且具有良好的泛化能力。

关键词： 羽毛球   图像处理   目标检测  

摘要： 世界羽联发布最新规定,要求发球时击球点的高度不能超过1.15m。目前,并没有能够准确地测量出发球时击球点的高度的有关装置,是否违规只能由裁判目测后判定,具有较大主观性。图像处理技术具有原理简单、实现成本较低、与被测物体不接触、采集信息的方式是非侵犯性等优点。因此,提出了一种基于图像处理的羽毛球发球高度检测的技术。首先采集运动员发球时的视频数据,为了得到视频中羽毛球的位置,采用了二值化、形态学滤波、特征检测等多种图像处理技术。得到羽毛球位置后,通过叠加帧得到羽毛球的运动轨迹,轨迹斜率的突变点即为击球点,最后通过搜索图像中地面的位置进行转换来得到击球点的实际高度。为了验证提出的检测方法的有效性,采用实际击球实验多次进行验证。结果表明,该技术具有良好的检测效果,误差较小,能够满足击球点检测的基本需求。

关键词： 自动驾驶   目标检测   YOLOv7   ACmix   Swin Transformer  

摘要： 针对自动驾驶场景下,车辆目标密集、相互遮挡和目标过小导致的误检、漏检问题,提出一种改进YOLOv7的车辆目标检测算法。在主干网络SPPCSPC后加入ACmix混合注意力机制,充分挖掘特征信息,增强网络对车辆信息的关注度,减少其他目标的干扰,提高检测精度;在Neck端中加入Swin Transformer,收集全局信息;添加160×160尺寸目标检测头,以增加锚点的数量和密度,提高网络对小目标的感知能力;最后利用Soft-NMS柔性非极大值抑制剔除冗余候选框,改善漏检能力。通过实验验证了改进的可行性并与五种主流网络进行了对比,平均精度达到91.5%,与基础网络YOLOv7相比,平均精度提高7.1%,运行速度达到105 FPS,证明了改进方法的有效性。

关键词： 智慧民航   目标检测   行李分类  

摘要： 针对机场旅客托运行李多样化、非规格化的特点,存在行李类别难分类,托盘回收效率低等问题,提出一种基于深度学习的目标检测算法YOLOv7对机场行李进行自动化分类的方法,通过改进后的算法来检测机场是否使用行李托盘以及对行李进行分类与定位,后续根据HSV颜色模型过滤图像背景并计算图像中白色区域面积来判定目标所属色系。最终实验结果表明,改进后的YOLOv7在本实验中针对行李类别和是否使用托盘的同时检测精度可达98.7%,色彩判定精度83%。

关键词： 多目标跟踪   目标检测   重识别   深层聚合   高斯核   在线实例匹配   卡尔曼滤波  

摘要： 为解决多目标跟踪中联合目标检测和重识别训练时间过长、多分支特征不对齐和目标相互遮挡的身份转换问题,提出一种高效的多目标跟踪算法。在特征提取阶段利用深层聚合网络联合多层次特征,在重识别阶段通过三元组对在线实例匹配损失进行增强,缓解特征不对齐问题。加入高斯核函数对训练样本进行概率扩充,缩短训练时间。利用运动、外观特征与卡尔曼滤波实现高效的在线关联,利用轨迹池暂存丢失的轨迹,提高目标相互遮挡时的跟踪性能。算法在MOT15和MOT17数据集上的准确度分别达到了60.1%与74.2%,MOT17上的FPS也达到21.6 Hz。

关键词： 绝缘材料   表面放电   计算机视觉   特征提取  

摘要： 阐述绝缘材料表面放电现象的计算机视觉分析与特征提取。通过图像处理技术和特征提取算法,准确捕获并定量评估绝缘材料表面放电情况。该方法在实时监测和诊断方面具有潜在的应用前景。

关键词： 智能小车   车联网   V2X通信   路侧单元  

摘要： 随着我国汽车保有量不断增加,对车辆、道路交通状况的现行检测技术,已不能满足日益复杂的道路环境下的智能车辆的安全、高效、节能、环保的需求。本文提出了一套基于V2X通信技术的设计方案,包括硬件系统的搭建和软件平台的开发工作,并选择了处理器主板、无线通讯模块和传输模块。控制系统软件平台基础开发方面完成了JetsonNano处理器主板环境的配置工作,实现了智能网联小车和路侧单元之间的通信。研究结果表明本文建立了基于V2X通信技术的智能网联小车车速控制及车辆检测策略,当目标车辆速度改变时,智能小车车速切换控制中所需要的时间与路侧单元和小车之间的通讯延迟时长有关。