人工智能相关文章

5G机器人 + 无人机，开启电力巡检新时代

　　智能巡检，应运而生 　　随着电网行业智能化转型的深入推进，电力系统的运行状态监测、检测体系正在逐步实现智能化。

发表于：2020/12/16

传百度与吉利等数家车企初步接洽，商谈组建电动汽车合资企业

　　与非网 12 月 16 日讯，近日，有消息称，百度与包括吉利汽车在内数家车企进行初步接洽，商谈组建电动汽车合资企业事宜。针对此消息，百度回应称：对市场传闻不作评论。

发表于：2020/12/16

第二届TE Connectivity AI CUP竞赛圆满落幕

中国上海 -- 2020年12月15日 – 近日，由泰科电子（TE Connectivity，以下简称“TE”）主办的第二届AI CUP 2019-2020竞赛历时一年顺利收官。三支高校队伍从全球三个赛区脱颖而出：中国苏州大学FeHulu团队，中国华南理工大学BIPLAB团队和美国普渡大学Indubitables团队分别荣获冠亚季军。自2018年起，TE就发起了该竞赛，为高校学子提供探索人工智能技术及应用的平台。今年赛事的范围更是从亚洲扩展到了全球。学生们在尝试人工智能技术与工业制造融合应用的同时，通过国际间的技术交流拓宽视野，充实个人经历，为未来职场做好储备。

发表于：2020/12/16

基于CNN-LightGBM模型的高速公路交通量预测

有效的交通流量预测对人们出行和交管部门监管都有着重要的意义。传统的交通量预测模型主要基于交通流的时间特性，未结合交通流的时间和空间特性进行深入挖掘，因此预测效果有时不佳。提出了一种基于CNN与LightGBM结合的交通流预测模型，首先利用CNN模型挖掘出高速公路相邻路段监测点和出入口的时间和空间关联性，实现对交通流数据的时空特征提取，然后将CNN提取到的特征向量输入到LightGBM模型中进行预测。为了验证模型的有效性，实验中使用了多种预测模型进行对比，实验结果表明，所提出的考虑到时空特性的CNNLightGBM组合的模型可以明显降低预测误差，是一种有效快速的交通流预测模型。

发表于：2020/12/15

基于方面情感的层次化双注意力网络

基于深度学习的方面级情感分析，结合注意力机制的神经网络模型取得较好的分类效果，但常用方法仅考虑单一层面注意力机制，且无法获取句子间依赖关系。设计了一种层次化的双注意力神经网络模型用于方面级情感分析，针对特定方面引入方面目标的注意力机制以及文本上下文自注意力机制，获取方面特征信息和句子的全局依赖信息；设计层次化GRU网络，其中单词层嵌入特定方面信息，获取针对方面目标的句子内部特征信息，句子层网络通过双注意力机制和词语层的输入，获取句子间的特征依赖信息，从而实现深层次的方面情感分类。在SemEval 2014两个数据集和Twitter数据集上进行对比实验，验证了该方法的有效性，针对方面级情感，分类准确率均得到了有效提升。

发表于：2020/12/15

基于疲劳驾驶的人眼定位方法研究

人眼定位是疲劳驾驶的研究关键。由粗到精，先后进行了人脸检测、瞳孔定位。针对现有方向梯度直方图人脸检测算法泛化能力不佳的问题，提出了一种基于信息熵加权的HOG特征提取算法，该算法将待分类的人脸特征进行信息熵阈值加权，形成新的HOG特征，然后通过支持向量机进行分类；针对现有瞳孔定位算法准确率不高的问题，提出了多算法协同工作的瞳孔定位方法，以自商图为基准寻找二值分割点，实现了眼部区域光照不变性，以灰度积分投影为依据实现了瞳孔精确定位。实验结果表明，该文提出的人脸检测算法在CelebA验证数据集准确率可达到98.26%，较传统识别方法有更高的准确率；而瞳孔定位算法也可达到令人满意的精确度，提高了瞳孔定位的准确性。

发表于：2020/12/15

基于双流卷积神经网络和生成式对抗网络的行人重识别算法

近年来，针对行人重识别问题的深度学习技术研究取得了很大的进展。然而，在解决实际数据的特征样本不平衡问题时，效果仍然不理想。为了解决这一问题，设计了一个更有效的模型，该模型很好地解决了目标的不同姿态的干扰以及数据集中的图片数量不足的问题。首先，通过迁移姿态生成对抗网络生成行人不同姿势的图片，解决姿态干扰及图片数量不足的问题。然后利用两种不同的独立卷积神经网络提取图像特征，并将其结合得到综合特征。最后，利用提取的特征完成行人重识别。采用姿势转换方法对数据集进行扩展，有效地克服了由目标不同姿势引起的识别误差，识别错误率降低了6%。实验结果表明，该模型在Market-1501和DukeMTMC-Reid上达到了更好的识别准确度。在DukeMTMC-Reid数据集上测试时，Rank-1准确度增加到92.10%，mAP 达到84.60%。

发表于：2020/12/15

干线动态协调控制的深度Q网络方法

为有效降低城市交通干线的车均延误与停车次数，将深度Q网络引入干线协调控制，给出了一种干线动态协调控制的DDDQN(Dueling Double Deep Q Network)方法。该方法结合双重深度Q网络与基于竞争架构深度Q网络，并将干线作为整体处理，通过深度神经网络挖掘干线各交叉口协调控制的相关性，基于Q学习进行交通信号控制决策。通过仿真实验，在近饱和流量和干线存在初始排队的情况下，将DDDQN方法与现有绿波方法，以及经典深度Q网络、双重深度Q网络、基于竞争架构深度Q网络的干线协调控制算法进行对比，实验结果表明基于DDDQN的干线动态协调控制算法性能优于其他四种方法。

发表于：2020/12/15

具有关系敏感嵌入的知识库错误检测

准确性与质量对于知识库而言尤为重要，尽管已经有很多关于知识库不完整性的研究，但是很少有工作者考虑到对于知识库存在的错误进行检测，按照传统方法通常无法有效捕捉知识库中错误事实内在相关性。本文提出了一种知识库具有关系敏感嵌入式方法NSIL，以获取知识库各关系之间的相关性，从而检查出知识库中的错误，以此提高知识库的准确性与质量。该方法分为相关性处理和错误检测两阶段。在相关性处理阶段，使用NSIL的相关函数以分值形式获取各关系之间的相关度；在错误检测阶段，基于相关度分值进行错误检测，对于缺失主体或客体的三元组进行缺失成分预测。最后在知识库之一Freebase生成的基准数据集“FB15K”上进行了广泛验证，证明了该方法在知识库错误知识检测方面有着很高的性能。

发表于：2020/12/15

基于交点的新层次聚类算法

介绍了一种新的分层聚类算法，该聚类算法的主要目的是利用交点提供更好的聚类质量和更高的准确性。为了验证该聚类算法，对基准数据集进行了几次实验，并与其他五种广泛使用的聚类算法进行对比。使用纯度作为外部标准来评估聚类算法的性能，并计算了由聚类算法得出的每个聚类的紧密度，以评估聚类算法的有效性。实验结果表明，在大多数情况下，该算法的错误率低于研究中使用的其他聚类算法。

发表于：2020/12/15

基于图卷积网格自编码器的网格参数化

网格参数化作为数字几何处理的基本工具，在游戏娱乐、工程设计、仿真模拟等多种领域有着广泛的应用背景。传统的网格参数化方法大多通过求解线性系统或者非线性系统获得结果，存在着求解速度慢、不够鲁棒的问题。提出了一个基于图卷积网格自编码器的网格参数化模型，采用了图卷积网格自编码器的编码部分与自行构建的参数化解码部分结合的方式生成网络，使用一类人脸网格数据集作为网络训练数据，并与传统优化算法进行对比。结果表明，使用建立的网格参数化模型，在保证参数化效果的同时，获得参数化结果的速度比SLIM(Scalable Locally Injective Mappings，SLIM)算法快68%，比PP(Progressive Parameterizations)算法快约4倍。

发表于：2020/12/15

微型仿生扑翼飞行器研究综述

基于仿生学原理的扑翼飞行器因质量轻、体积小、灵活性好、隐蔽性高等优点在军事和民用领域应用广泛，实现扑翼飞行器的微型化是未来发展方向。首先介绍了微型仿生扑翼飞行器的概念和特点，分析了研究背景和国内外研究现状及成果，在此基础上，就实现微型仿生扑翼飞行器需要解决的关键技术和难题进行了讨论，最后对我国微型仿生扑翼飞行器的应用前景作出展望。

发表于：2020/12/15

Raw格式岩心图像超分辨率重建

在岩心面阵相机开发中，可以使用基于学习的超分辨率技术来提升岩心图像的分辨率。针对现有超分辨率技术在重建岩心图像时存在的细节模糊或色彩偏差等问题，提出了一种基于深度卷积神经网络的Raw格式岩心图像超分辨率重建算法。首先，模拟相机图像处理器的线性处理部分合成线性图像数据集；然后，通过一个双层卷积神经网络，分别训练高低分辨率图像之间的纹理、色彩映射关系；最后，用重建出的线性高分辨率图像模拟相机图像处理器的非线性处理部分，获得纹理清晰且色彩逼真的岩心重建图像。实验结果表明，本文提出的重建算法提升了岩心图像的重建效果。

发表于：2020/12/15

基于混合注意力机制的表情识别研究

针对目前传统人脸表情识别算法存在特征提取复杂、表情识别率低等问题，提出一种基于混合注意力机制的ResNet人脸表情识别方法。该方法把通道注意力模块和空间注意力模块组成混合注意力模块，将混合注意力模块嵌入ResNet残差学习分支中。针对CK+人脸表情数据集过小问题，采用数据增强策略扩充数据集。实验结果表明，改进后的ResNet在CK+数据集上表情识别准确率为97.04%，有效提高了表情识别准确率。

发表于：2020/12/15

一种融合注意力和记忆网络的序列推荐算法

传统基于协同过滤和矩阵分解的静态表示推荐算法，不能很好地体现用户的动态兴趣。循环神经网络能够进行序列推荐，但存在序列之间的长距离依赖性差、各项目的区分度差等问题。由此提出一种融合注意力和记忆网络的序列推荐算法，根据Word2vec算法，引申item2vec和user2vec，初始化用户和项目的固定表示嵌入矩阵，通过结合注意力机制和长短期记忆网络(Long ShortTerm Memory,LSTM)解决序列之间的长距离依赖性差和区分度差问题。利用记忆网络获取用户的动态邻居，加强用户的动态表示，实现更准确的推荐。通过在MovieLens数据集上的实验结果表明，所提出的算法相比其他算法推荐效果显著提高。

发表于：2020/12/15