课程文献中心 更多>>

关键词： 写字智能评价平台   人工智能   数据   算法  

摘要： 写字智能评价平台基于"数据+算法"模式,实质是通过采集海量的打分书写样本形成样本数据集,利用人工智能学习的优势,经过大量的算法训练,构建评价标准;再通过人工验证校准,实现人工打分和智能评价平台打分趋势的吻合.随着算法的不断优化和数据的积累,评价系统会在迭代中变得更加精准.

摘要： 编者按: 密码技术是保障网络空间安全最有效、最经济的核心技术.随着量子计算、人工智能、数据安全等新型技术的兴起,以及各种密码攻击新方法的出现,对密态计算及密码算法设计带来诸多挑战.对此,立足新时代新发展阶段,应加强密码科技创新,突破关键核心基础技术,努力建设世界一流密码强国.

关键词： 视频异常检测   多尺度   矢量量化   变分自编码器  

摘要： 视频异常行为检测在监控安防领域具有很高的应用价值。针对生成视频帧的自编码器模型在编码器与解码器间进行跳跃连接时会导致异常信息泛化的问题,提出一种基于多尺度量化特征的视频异常行为检测算法。首先,编码器学习正常帧并分层进行矢量量化,解码器根据量化后的特征进行视频帧生成,避免编码器和解码器之间直接进行信息传递,显著降低泛化影响,提高帧生成质量;其次,对生成的帧使用金字塔变形模块进行多样性测量,通过计算生成帧和原始帧的变形来测量异常的严重程度,最后融合生成帧的重建误差计算得到异常评分。在公共数据集上测试了算法的异常检测性能,实验结果显示所提算法的AUC值均高于同类算法。

关键词： 井下无人驾驶   无缝定位   超宽带定位   ESKF滤波   交互式多模型  

摘要： 随着我国煤矿智能化建设的不断推进，矿井辅助运输车辆向无人驾驶的方向发展已成为必然趋势。定位系统作为无人驾驶车辆的核心单元，单一定位方式及传统定位算法均难以满足煤矿辅运车辆从地面料场-斜井巷道-井下巷道-采掘工作面的全流程、高精度、低时延定位要求。首先，根据煤矿辅运车辆的运行工况及巷道环境，设计了一种基于GNSS/UWB融合IMU的井上-井下无缝定位系统，提出采用模型切换延时（MSD）作为无缝定位系统的性能评价指标；其次，针对UWB定位过程中的非视距（NLOS）误差问题，设计了UWB/IMU紧组合井下定位算法，并使用误差状态卡尔曼滤波（ESKF）对其进行滤波优化，仿真结果表明：ESKF优化算法平均定位误差为0.19 m，精度相较于单一UWB定位提高了56%；再次，分析了交互式多模型的影响因素，针对模型概率矩阵误差大影响无缝定位精度的问题，设计了一种基于ESKF与模糊自适应改进交互式多模型（FAIMM-ESKF）的矿井无缝定位算法，仿真结果表明：FAIMM-ESKF算法的定位精度比改进前提高了29%；最后，在实验室搭建模拟斜井巷道，利用无人驾驶试验车开展了无缝定位系统的定位与评估试验，结果表明：无缝定位系统在井上-井下交互区域的平均误差为0.131 m、最大误差为0.452 m，相较于传统算法分别降低了17.6%与14.8%；在整个试验过程中，FAIMM-ESKF算法的最大误差为0.498 m，平均误差为0.25 m，模型切换延时均值为35 ms，可满足煤矿辅运车辆全流程无人驾驶的定位精度与时延要求。研究结果可为推动建立煤矿井上-井下无缝衔接、精确高效的定位系统及定位算法提供理论参考，对于加快实现煤矿辅运车辆常态化无人驾驶、加速推进煤矿智能化建设具有重要理论意义和实用价值。

关键词： 卷积神经网络   变化检测   Transformer   残差网络   遥感图像  

摘要： 变化检测是通过分析同一地点两个不同阶段的遥感图像来获取地表变化的过程。卷积神经网络难以解决复杂场景下的变化检测任务。BIT网络在卷积后串联Transformer，通过捕获全局信息改善检测效果。然而，直接串联Transformer会削弱局部信息特征表示能力，从而导致漏检现象。为此，在BIT网络的基础上使用残差网络将Transformer前后对应的局部与全局信息融合起来，以弥补直接串联Transformer对局部信息造成的损失，达到提升精度的目的。同时针对遥感图像中变化与不变化类不平衡问题，加入新的损失函数Dice来优化训练。实验结果表明，在公开数据集LEVIR-CD与BCDD上，改进后网络在参数量增加0.02M的情况下，F1指标分别提升了0.51%与0.69%；召回率分别提升了0.45%与0.50%。

关键词： 物流配送   中心选址   多目标多约束   复杂问题优化   北极海雀优化算法   惩罚值  

摘要： 物流配送中心选址是供应链管理中的关键环节，它直接影响企业的运营效率和成本。合理的物流配送中心选址能够有效缩短运输距离、降低运输成本、提高配送效率，从而提升企业整体效益。然而，物流配送中心选址问题是一个典型的多目标、多约束的复杂优化问题，涉及到诸多因素，例如运输成本、土地成本、基础设施、劳动力成本、市场需求、政策法规等。为此，研究以配送货物量、货物量运输费用以及配送地址间距为主要影响变量，分析在这些影响变量下的北极海雀优化算法的最优适应度值收敛曲线和平均适应度值收敛曲线，验证算法的优越性。在适应度值计算过程中引入惩罚值，保证结果的准确性和高拟合，从而确定物流配送中心城市。

关键词： 路面工程   路面病害检测   深度学习   状态空间模型   注意力机制  

摘要： 准确且轻量化的路面病害检测能够有效降低路面检测设备硬件需求、加快道路巡检效率，对于公路的智慧养护管理高质量发展具有重要意义。针对现有路面病害检测方法存在的精确度不足问题，提出一种融合状态空间模型的YOLOM路面病害轻量化检测方法。首先，针对路面病害检测任务训练特点，设计多扫描模式的视觉Mamba层，调整数据归一化方法，以更适合训练批次较小的图像特征快速提取；设计了并行计算单元，加快网络计算速度，缩短算法训练时间。其次，以YOLOv9为基础，设计了以SSM为核心机制的Mamba聚合特征提取网络层MELAN和空间金字塔Mamba层SPMELAN。通过MELAN提取图像长距离依赖关系，挖掘病害图像的全局特征。使用SPMELAN融合多尺度感受野信息，增强模型对局部细节和全局语义的表达能力，进而提出融合SSM的YOLOM轻量化算法。最后，在RDD2022数据集上进行对比试验。结果表明：YOLOM的F1分数、mAP50值、mAP50-95值和FLOPs较YOLOv9c均有优化；与主流基线模型检测结果比较，YOLOM算法检测精度和推理速度均达到最优值且模型体积和复杂度最小。该方法具有模型规模小、复杂度低和检测精度高的显著优势，有较强的学习能力和泛化性能，可为道路智慧检测提供助力。

关键词： YOLO   小目标检测   空间深度转换卷积   空间金字塔池化   NAM注意力机制  

摘要： 在无人机航拍图像检测任务中，图像中的目标往往呈现出尺度密集、易受遮挡，并且以小目标居多的特点，导致检测过程中易出现错检或漏检的情况。本文基于YOLOv5s提出了针对小目标检测的SNA-YOLOv5s算法。首先，利用空间深度转换(SPD)卷积模块替换原模型的跨步卷积层，消除跨步卷积操作导致的细节信息丢失问题，提高模型从小目标中提取特征的能力；其次，设计新的平均金字塔池化模块，引入平均池化操作缓解池化层在提取特征信息的同时会导致部分信息丢失的问题，提升模型的特征提取能力；再次，新增针对小目标的大尺度检测分支，捕捉浅层特征中丰富的细节信息，提升对小目标的检测能力；最后，将归一化(NAM)注意力机制嵌入主干网络，对特征信息进行加权处理，抑制无效的特征信息。在VisDrone2019数据集和NWPU VHR-10数据集上的训练测试结果表明，该算法的平均检测精度（mAP）分别达到了42.3%和96.5%，和基线模型YOLOv5s相比分别提高了8.4%和2.6%。通过与其他基于深度学习的主流模型对比实验，进一步验证了该模型的鲁棒性和精确性。