视觉驱动机械臂自主作业技术综述

视觉驱动机械臂自主作业技术在工业生产、航空航天以及深海探测等诸多领域都具有重要的意义.在回顾多年视觉驱动机械臂自主作业技术的基础上,从基于几何驱动的控制和基于数据驱动的控制两个方向进行归纳总结.对不同的控制方法,介绍了控制的原理,总结了每一类自主作业控制的研究成果,并对每种控制方法的特点以及存在的问题进行分析.针对视觉驱动机械臂自主作业在关键领域中的研究,本文重点分析讨论了海洋开发与探测领域中存在的关键问题与挑战.     

深度细粒度图像识别研究综述

细粒度图像分类是计算机视觉中一项基础且重要的工作,其目的在于区分难以辨别的对象类别（例如不同子类的鸟类、花或动物）.不同于传统的图像分类任务可以雇佣大量普通人标注,细粒度数据集通常需要专家级知识进行标注.除了视觉分类中常见的姿态、光照和视角变化因素之外,细粒度数据集具有更大的类间相似性和类内差异性,因此要求模型能够捕捉到细微的类间差异信息和类内公有信息.除此之外,不同类别的样本存在不同程度的获取难度,因此细粒度数据集通常在数据分布中表现出长尾的特性.综上所述,细粒度数据分布具有小型、非均匀和不易察觉的类间差异等特点,对强大的深度学习算法也提出了巨大的挑战.本文首先介绍了细粒度图像分类任务的特点与挑战,随后以局部特征与全局特征两个主要视角整理了目前的主流工作,并讨论了它们的优缺点.最后在常用数据集上比较了相关工作的性能表现,并进行了总结与展望.     

图像多标签学习的研究概述

随着图像大数据的爆发,特别是用户贡献数据的飞速增长,图像样本的语义内容越来越丰富,标签信息也随之越来越复杂.因此图像多标签学习的研究是近年来学术圈和产业界的研究热点之一,涌现了大量表现优异的方法和技术.基于此,本文将对近年来图像多标签学习上的研究成果进行总结.首先,对多标签学习进行简单介绍,并详述其主流方法的分类;随后,针对目前大数据时代的数据特性,总结了多标签学习面临的新的技术难点及其对应的解决方案;最后,在应用层面上介绍了多标签学习在医学、计算机科学等领域的应用实例.     

图像特征检测与匹配方法研究综述

几十年来,图像特征检测与匹配一直是图像处理的最核心领域之一,是计算机视觉的基石.没有特征检测与匹配就没有SLAM、Sfm、AR、通用图像检索、图像配准、全景图像等视觉任务.本文在回顾几十年来的经典检测算法的基础上,阐述了引用最新的以深度学习为首的机器学习算法后,在本领域取得的最新进展,包括特征点、局部特征子、全局特征子、匹配及优化、端到端框架等所有关键点,展示了算法各自的优缺点.总而言之,面对工业界的宽基线、实时、低算力检测的要求,图像特征检测和匹配仍然是一项未能完整攻克的任务,融合特征点、局部特征子、全局特征子、匹配及优化的多任务全局框架成为未来发展的趋势.     

基于多轮交互的人机对话系统综述

近些年来,人机对话系统作为自然语言处理的重要问题之一受到了越来越多的关注.基于大数据的深度学习的方法在对话系统中被广泛应用.本文首先介绍了人机对话系统的研究背景,然后以基于多轮交互的对话系统为例,着重介绍了任务型和非任务型对话系统的主要类型和目前的研究进展,并对评估对话系统的主要方法进行了概述.最后,结合当前研究现状,对多轮交互的人机对话系统的研究方向进行了展望.     

数值天气预报多要素深度学习融合订正方法

数值天气预报作为现代天气预报的主流技术方法,近年来不断朝着精细化方向发展,但预报误差至今仍无法避免.文中在CU-Net模型中引入稠密卷积模块形成数值预报要素偏差订正模型Dense-CUnet,在此基础上进一步融合多种气象要素和地形特征构建了Fuse-CUnet模型,开展不同模型的偏差订正试验和对比分析.以均方根误差(R...     

轮胎切平面的立体视觉测量方法研究

详细说明了获取车轮胎冠切点的不同方法,提出１种基于立体视觉和激光投影的车轮切平面测量方法,该方法依次向车轮胎冠上不同位置投射径向激光 条纹,并通过条纹提取,平面拟合和坐标转换方法获取车轮胎冠切点,进而计算出车轮的切平面方程．实验结果表明该方法稳定可靠,可以高精度地获取车辆切平面的平面方程．     

小样本目标检测的研究现状

近年来,随着深度学习技术的进步与推广,目标检测领域得到快速发展.但目前基于深度学习的方法大多对大规模标注数据有着极高的需求,而现实场景中大量标注数据往往不可能.因此,基于少量标注样本的目标检测领域逐渐得到大家关注.本文系统地总结与分析了目前有关小样本目标检测的方法,指出了目前方法的缺陷,并提出了一些可能的发展方向.     

基于深度学习的中国地面气温的多模式集成预报研究

基于TIGGE资料中的欧洲中期天气预报中心、英国气象局、美国国家环境预报中心、韩国气象厅和日本气象厅2015年1月1日—9月30日中国及周边地区地面2 m气温24～168 h集合预报资料,利用长短期记忆神经网络(Long Short-Term Memory,LSTM)、浅层神经网络(Neural Networks,NN)、滑动训练期消除偏差集合平均(BREM)和滑动训练期多模式超级集合(SUP)方法对2015年9月5—30日26 d预报期进行集成预报试验。结果表明,BREM对5个单模式进行等权集成,预报结果易受预报效果较差模式的影响,整体预报技巧略低于单个最优模式ECMWF的预报技巧。其中在新疆南部,等权集成后的预报技巧更低。SUP的预报结果比所有单个模式预报更为准确。在144 h之前,SUP的误差明显小于ECMWF的预报误差,但随预报时效增加,误差增长幅度增大。NN对地面气温的预报效果与SUP的预报效果相当。LSTM整体预报效果最好,特别是在预报时效较长(超过72 h)时,比其他方法预报准确率明显提高。LSTM神经网络方法明显改进了我国西北、华北、东北、西南和华南大部分地区的气温预报,但在南疆部分地区误差较大。     

多传感器自动站的数据融合效果及优势分析

采用三个同类型的温度、湿度和雨量传感器分别对气温、相对湿度以及降雨量进行测量。通过计算同一气象要素三个测量值之间的离散度以及数据集中度,结合观测数据的时间序列变化趋势,融合得到一个更具有代表性,更加准确的数据作为该气象要素的观测值。对三种气象要素多种天气状况下的融合数据进行业务对比,一致率计算结果证明,多传感器融合结果与业务观测数据一致性比较高。对差值的规律和异常数据进行分析,显示多传感器具有以下优势：在单一传感器故障时保障观测数据连续不间断,剔除由信号干扰或者误操作导致的错误数据,增加强对流过程中奇异数据的可信度,及时反映单个传感器性能变化。因此多传感器自动站不但可以作为业务使用,而且对解决业务观测中部分数据不可信的问题具有重要意义。     

基于用户点击数据的细粒度图像识别方法概述

近年来,细粒度图像识别逐渐成为计算机视觉领域的研究热点.由于不同类别图像间的视觉差异小、语义鸿沟问题严重,传统的基于视觉特征的细粒度图像识别性能往往不尽人意.针对这些挑战,目前许多学者都在研究基于用户点击数据的图像识别.本文围绕点击数据在图像识别中数据预处理、特征提取和模型构建3大模块中的应用,总结了已有的基于点击数据的识别算法及最新的研究进展.     

人工智能技术发展概述

近年来,以深度学习为核心的人工智能技术,取得了一系列重大突破.本文将就人工智能的产业化热潮,主要研究流派及发展历史,以深度学习为核心的成功应用,以及存在的一些问题和今后的可能研究方向做一个介绍.     

乌鲁木齐国际机场“持续双低浓雾”天气特征分析

对影响乌鲁木齐国际机场运行的"持续双低浓雾"的天气标准进行了定义,选取了2014—2017年47个个例作为研究对象,使用天气学和统计学分析方法,从气候背景、环流形势、时间特征、地面气象要素特征进行分析,结果表明:(1)持续双低浓雾主要出现在冬季11月—次年3月,12月发生频率最高,占比约42.6%,其频繁出现与冬季气温偏高有关,一般乌鲁木齐先期有降水或地面有积雪。(2)主导能见度和跑道视程(RVR)的高频区间有显著差别,分别为50～100 m和200～300 m区间,频数分布为40%和26.4%。(3)高空环流形势以高压脊控制类型最多,占46.8%,西风波动型次之,占38.3%,高压脊前型最少,占14.9%。地面形势以蒙古冷高后部型为主,北疆沿天山多为均压或弱气压场;(4)多在夜间—上午出现,在中午—下午结束,持续时间均在24 h内。(5)持续双低浓雾容易出现在气温-5～-15℃、相对湿度≥85%、温度露点差≤2℃、0～1 m/s的风向不定或静风条件下。(6)局地风向与雾的生消维持有密切关联,偏北风有利于雾的出现和维持,东南风常使雾消散。     

同构迁移学习理论和算法研究进展

迁移学习的目的是解决目标领域中训练样本不足的学习问题,可以把一些在其他相关的源领域中获得的知识,迁移到目标领域中.它放宽了传统机器学习中的两个基本假设：用于学习的训练样本与新的测试样本满足独立同分布的条件;必须有足够可利用的训练样本才能学习得到一个较好的分类模型.按照源领域和目标领域的特征空间是否相同可划分为同构迁移学习和异构迁移学习.本文主要针对同构迁移学习的相关研究进展进行了综述,从理论、算法、应用方面介绍了在该领域所做的研究工作,并指出了同构迁移学习未来可能的研究方向.     

面向智能驾驶视觉感知的对抗样本攻击与防御方法综述

现如今,深度学习已然成为机器学习领域最热门的研究方向之一,其在图像识别、目标检测、语音处理、问答系统等诸多领域都取得了巨大成功.然而通过附加经过特殊设计的细微扰动而构造出的对抗样本,能够破坏深度模型的原有性能,其存在使许多对安全性能指标具有极高要求的技术领域,特别是以视觉感知为主要技术优先的智能驾驶系统,面临新的威胁和挑战.因此,对对抗样本的生成攻击和主动防御研究,成为深度学习和计算机视觉领域极为重要的交叉性研究课题.本文首先简述了对抗样本的相关概念,在此基础上详细介绍了一系列典型的对抗样本攻击和防御算法.随后,列举了针对视觉感知系统的多个物理世界攻击实例,探讨了其对智能驾驶领域的潜在影响.最后,对对抗样本的攻击与防御研究进行了技术展望.