检索结果-内蒙古大学图书馆

中国科学院院刊 2025年第2期40卷 301-309页

作者：张玉成张晓博高树琴郑聪聪张景尧文亚李禄军王卓李铁赵洪龙中国科学院计算技术研究所北京100190 中国科学院大学北京100049 中国科学院可持续发展研究局北京100864 中国科学院东北地理与农业生态研究所长春130102 中国科学院沈阳自动化研究所沈阳110016 中国科学院上海微系统与信息技术研究所上海200050

将人工智能技术深度融入农业生产实践,是提高农业生产效率、保障国家粮食安全的有效途径,也是给农业生产插上科技翅膀的重要举措。为了实现人工智能技术和产品落地应用,并形成智慧农业生产体系,最有效的方式是在不同类型农业生态区建立... 详细信息

将人工智能技术深度融入农业生产实践,是提高农业生产效率、保障国家粮食安全的有效途径,也是给农业生产插上科技翅膀的重要举措。为了实现人工智能技术和产品落地应用,并形成智慧农业生产体系,最有效的方式是在不同类型农业生态区建立具有一定种植规模的智慧农场示范样板,形成成套的技术体系和可复制的推广范式,这也是检验并优化人工智能赋能农业生产效果的最高效的方式。文章分析了发达国家典型智慧农场的建设经验,以及我国智慧农场发展的现状,着重探讨了我国“伏羲农场”智慧农业生产体系构建的内容、实施路径和应用实践;最后,对进一步高质量构建以“伏羲农场”为代表的我国特色智慧农场生产体系提出建议。

关键词：人工智能智慧农场大模型大数据新农人

来源：评论

学校读者我要写书评

暂无评论

面向合成语音检测的弹性正交权重修正连续学习算法

引用

计算机研究与发展 2025年第2期62卷 336-345页

作者：张晓辉易江燕陶建华周俊佐中国科学院自动化研究所北京100190 北京交通大学计算机与信息技术学院北京100044 清华大学自动化系北京100084

目前,深度学习在合成语音检测领域取得了巨大的成功.然而,通常情况下,深度模型可以在与训练集分布相似的测试集上取得高准确率,但在跨数据集的情境下,其准确率却会显著下降.为了提高模型在新数据集上的泛化能力,通常需要对其进行微调,... 详细信息

目前,深度学习在合成语音检测领域取得了巨大的成功.然而,通常情况下,深度模型可以在与训练集分布相似的测试集上取得高准确率,但在跨数据集的情境下,其准确率却会显著下降.为了提高模型在新数据集上的泛化能力,通常需要对其进行微调,但这会导致模型遭受灾难性遗忘.灾难性遗忘指的是模型在新数据上的训练会损害其从旧数据中获得的知识,导致对旧数据的识别性能下降.目前,克服灾难性遗忘的主要算法之一是连续学习.面向合成语音检测提出了一种连续学习算法——弹性正交权重修正(elastic orthogonal weight modification,EOWM),用于克服灾难性遗忘.该算法通过修正模型在学习新知识时的参数更新方向和更新幅度,以减少对已学知识的损害.具体来说,该算法在模型学习新知识时要求参数的更新方向与旧任务的数据分布正交,并同时限制对旧任务中重要参数的更新幅度.在合成语音检测领域的跨数据集实验中,算法取得了良好的效果.与微调相比,该算法在旧数据集上的等错误率(equal error rate,EER)从7.334%降低至0.821%,相对下降了90%;在新数据集上的等错误率从0.513%降低至0.315%,相对下降了40%.

关键词：合成语音检测连续学习弹性正交权重修正预训练模型深度神经网络

来源：评论

学校读者我要写书评

暂无评论

面向目标检测的视点规划方法综述

引用

中国图象图形学报 2025年第3期30卷 641-659页

作者：王健宇朱枫郝颖明王群赵鹏飞孙海波东北大学机器人科学与工程学院沈阳110169 中国科学院光电信息处理重点实验室沈阳110016 中国科学院沈阳自动化研究所沈阳110016 中国科学院大学北京100049 中国科学院上海微系统与信息技术研究所上海200050

目标检测是计算机视觉领域的基础研究方向之一。由于图像采集时物体摆放密集、光照条件差等因素导致图像失去细节,当使用此类图像作为输入时,常规的目标检测算法对目标物的检测结果无法满足任务需求。为了解决这类问题,面向目标检测的... 详细信息

目标检测是计算机视觉领域的基础研究方向之一。由于图像采集时物体摆放密集、光照条件差等因素导致图像失去细节,当使用此类图像作为输入时,常规的目标检测算法对目标物的检测结果无法满足任务需求。为了解决这类问题,面向目标检测的视点规划这一智能感知方法应运而生,其可自主分析当前条件下影响检测任务的因素,调整相机的位姿参数规避影响,实现目标物准确检测。面向目标检测的视点规划方法不仅可以辅助计算机视觉的其他领域,也会为未来的智能化生活提供便利。为了反映其研究现状和最新进展,本文梳理了2007年以来的文献,对国内外的研究方法做出概括性总结。首先,以算法应用的场景维度和调整参数作为分类依据,将面向目标检测的视点规划方法分为二维像素调整的规划方法、三维空间移动的规划方法以及两者结合的规划方法3类,本文重点对前两类方法进行分析与总结。其次,解析每类方法的基本思想,并指出各类方法需解决的关键问题,然后对解决问题的主要研究方法进行归纳和分析,并总结各自的优点和局限性。除此之外,本文也对各类场景下可使用的数据集和评价指标进行简要介绍。最后,在目前方法的分析基础上,探讨面向目标检测的视点规划领域所面临的挑战,并对未来研究方法进行展望。

关键词：目标检测主动视觉参数调整视点规划智能感知

来源：评论

学校读者我要写书评

暂无评论

基于CLIP模型和知识数据库的零样本动作识别

引用

天津大学学报（自然科学与工程技术版） 2025年第1期58卷 91-100页

作者：侯永宏郑皓春高嘉俊任懿天津大学电气自动化与信息工程学院天津300072 天津大学未来技术学院天津300072 中国科学院软件研究所北京100190

零样本动作识别旨在从已知类别的动作样本数据中学习知识,并将其迁移到未知的动作类别上,从而实现对未知动作样本的识别和分类.现有的零样本动作识别模型依赖有限的训练数据,可学习到的先验知识有限,难以将视觉特征准确地映射到语义标签... 详细信息

零样本动作识别旨在从已知类别的动作样本数据中学习知识,并将其迁移到未知的动作类别上,从而实现对未知动作样本的识别和分类.现有的零样本动作识别模型依赖有限的训练数据,可学习到的先验知识有限,难以将视觉特征准确地映射到语义标签上,是限制零样本学习性能提升的关键因素.针对上述问题,本文提出了一种引入外部知识数据库和CLIP模型的零样本学习框架,利用多模态CLIP模型通过自监督对比学习方式积累的知识,来扩充零样本动作识别模型的先验知识.同时,设计了时序编码器,以弥补CLIP模型时序建模能力的欠缺.为了使模型学习到更丰富的语义特征,缩小视觉特征和语义标签之间的语义鸿沟,本文扩展了已知动作类别的语义标签,用更为详细的描述语句代替简单的文本标签,丰富了文本表示的语义信息;在此基础上,在模型外部构建了一个知识数据库,在不增加模型参数规模的条件下为模型提供额外的辅助信息,强化视觉特征与文本特征表示之间的关联关系.最后,本文遵循零样本学习规范,对模型进行微调,使其适应零样本动作识别任务,提高了模型的泛化能力.所提方法在HMDB51和UCF101两个主流数据集上进行了广泛实验,实验数据表明,该方法的识别性能相比目前的先进方法在上述两个数据集上分别提升了3.8%和2.3%,充分体现了所提方法的有效性.

关键词：零样本学习动作识别 CLIP模型知识数据库

来源：评论

学校读者我要写书评

暂无评论

基于多策略融合蜣螂优化算法的工业机器人运动学参数辨识方法

引用

中国机械工程 2025年第2期36卷 294-304页

作者：许佳璐刘笑楠李朋超刘振宇沈阳工业大学信息科学与工程学院沈阳110870 中国科学院沈阳自动化研究所机器人学国家重点实验室沈阳110016

针对蜣螂优化(DBO)算法在工业机器人运动学参数标定过程中存在的全局探索和局部开发能力不平衡、求解精度低等问题,提出了一种基于局部指数积(LPOE)运动学模型的多策略融合蜣螂优化算法(MSFDBO)。首先建立基于LPOE模型的运动学参数辨识... 详细信息

针对蜣螂优化(DBO)算法在工业机器人运动学参数标定过程中存在的全局探索和局部开发能力不平衡、求解精度低等问题,提出了一种基于局部指数积(LPOE)运动学模型的多策略融合蜣螂优化算法(MSFDBO)。首先建立基于LPOE模型的运动学参数辨识模型;然后采用Piecewise混沌映射和精英反向学习策略进行种群初始化,得到分布更加均匀的种群;融入鱼鹰探索行为,提高DBO算法的全局探索能力,通过随机扰动机制扩大搜索范围,减少DBO算法陷入局部最优的可能性。为测试算法性能,使用12个基准测试函数对MSFDBO算法的搜索性能进行实验评估,结果表明该算法具有良好的寻优性能。对4台T6A-19型工业机器人的运动学参数进行辨识并补偿验证,实验结果表明,绝对位置平均误差、均方根平均误差分别降低了85.47%、83.92%。

关键词：运动学参数标定蜣螂优化算法精英反向学习鱼鹰探索行为随机扰动机制

来源：评论

学校读者我要写书评

暂无评论

基于稀疏自注意力图神经网络的三维目标检测

引用

计算机工程与应用 2025年第3期61卷 295-305页

作者：彭志辰封岸松王天柱邵鑫喆库涛沈阳化工大学信息工程学院沈阳110142 中国科学院网络化控制系统重点实验室沈阳110016 中国科学院沈阳自动化研究所沈阳110016 中国科学院机器人与智能制造创新研究院沈阳110169 中国科学院大学北京100049

三维目标检测是自动驾驶环境感知中最重要的技术之一。为了解决远距离漏检问题,提升三维目标检测的效果,提出一种基于稀疏自注意力图神经网络的三维目标检测方法(SSA-GNN),在采样关键点阶段,提出动态区域并行采样法,通过采样区域过滤,... 详细信息

三维目标检测是自动驾驶环境感知中最重要的技术之一。为了解决远距离漏检问题,提升三维目标检测的效果,提出一种基于稀疏自注意力图神经网络的三维目标检测方法(SSA-GNN),在采样关键点阶段,提出动态区域并行采样法,通过采样区域过滤,场景划分为扇区,融合动态最远体素采样的方式,以保持关键点均匀分布、加速采样同时提升前景点比例。在细化建议框阶段,利用图神经网络在点之间建立联系,通过迭代的消息传递来更好地建模上下文信息和聚合领域信息,并改进多头自注意机制来更好地关注特征聚合后领域中的重要关系,从而提高算法检测性能。SSA-GNN在KITTI公开数据集上进行测试,与基线网络PointPillars、SECOND和PointRCNN相比,在困难等级指标下,Car类平均精度分别提升了7.95、5.50、6.94个百分点,结果表明SSA-GNN可有效提升三维目标检测性能。

关键词：三维目标检测关键点采样图神经网络稀疏自注意力

来源：评论

学校读者我要写书评

暂无评论

线性分解注意力的边缘端高效Transformer跟踪

引用

中国图象图形学报 2025年第2期30卷 485-502页

作者：邱淼波高晋林述波李椋王刚胡卫明王以政中国科学院自动化研究所北京100190 中国科学院大学人工智能学院北京101408 军事医学研究院军事认知与脑科学研究所北京100850 上海科技大学信息科学与技术学院上海201210

目的将面向服务器端设计的跟踪算法迁移部署到边缘端能显著降低功耗,具有较高的实用价值。当前基于Transformer的跟踪算法具有明显的性能优势,然而部署在边缘端时,却可能产生较高的延迟。为了解决这个问题,提出了一种面向边缘端的线性... 详细信息

目的将面向服务器端设计的跟踪算法迁移部署到边缘端能显著降低功耗,具有较高的实用价值。当前基于Transformer的跟踪算法具有明显的性能优势,然而部署在边缘端时,却可能产生较高的延迟。为了解决这个问题,提出了一种面向边缘端的线性分解注意力(linearly decomposed attention,LinDA)结构,可有效降低Transformer的计算量和推理延迟。方法LinDA将多头注意力近似表示成数据依赖部分和数据无关部分的和:对于数据依赖部分,用简单的向量元素间相乘及求和表示,避免了复杂的转置和矩阵乘法;对于数据无关部分,直接利用统计得到的注意力矩阵,然后加上一个可学习偏置向量。这种分解既具有全局注意力,又保持了数据依赖的优点。为了弥补线性分解带来的精度损失,还设计了一种知识蒸馏方案,它在原始的损失函数上增加了两部分蒸馏损失:1)将真实包围框替换成教师模型预测的包围框作为监督目标,称为硬标签知识蒸馏;2)将教师模型预测得分的相对大小作为监督目标,称为关系匹配知识蒸馏。基于LinDA结构进一步实现了一种面向边缘端的目标跟踪算法LinDATrack,并将其部署在国产边缘计算主机HS240上。结果在多个公开数据集上进行了评测。实验结果表明,该算法在该计算主机上可达到61.6帧/s的跟踪速度,功耗约79.5 W,功耗仅占服务器端的6.2%,同时其在LaSOT和LaSOT_ext上的成功率(success rate,SUC)相对于服务器端基线算法SwinTrack-T最多仅下降约1.8%。结论LinDATrack具有良好的速度和精度平衡,在边缘端具有较大的优势。

关键词：目标跟踪边缘端 Transformer 多头注意力(MHA) 知识蒸馏

来源：评论

学校读者我要写书评

暂无评论

基于相机感知多样代理的无监督行人重识别

引用

机器人 2025年第2期47卷 169-178页

作者：郁航范慧杰付生鹏陈希爱赵立杰沈阳化工大学信息工程学院辽宁沈阳110142 中国科学院沈阳自动化研究所机器人学国家重点实验室辽宁沈阳110016

基于聚类的无监督行人重识别通过聚类产生伪标签,并以此为每个聚类构建单一代理。但不同相机之间的差异以及同一相机下行人不同姿态方向等导致的相机类内差异使得单一代理无法充分表示整个复杂聚类,进而影响训练过程和模型的性能。为此... 详细信息

基于聚类的无监督行人重识别通过聚类产生伪标签,并以此为每个聚类构建单一代理。但不同相机之间的差异以及同一相机下行人不同姿态方向等导致的相机类内差异使得单一代理无法充分表示整个复杂聚类,进而影响训练过程和模型的性能。为此,本文提出基于相机感知多样代理的无监督行人重识别方法来消除相机差异和相机类内差异,以提高类内样本的紧密性。相机感知多样代理包括相机多代理和相机差异代理。其中相机多代理为每个相机类构建一个平均代理和一个硬代理,通过互补表示来提高相机类内样本的紧密性。同时还会为每个相机类构建一个相机差异代理,相机差异代理会利用不同相机类的平均代理进行更新,以此拉近相机之间的距离,减少相机差异。相机差异代理和相机多代理相互协作,提高类内样本紧密性和模型性能。本文方法在Martket1501、DukeMTMC-reID、MSMT17三个数据集上mAP/Rank-1分别达到了90.4%/96.4%、75.8%/86.5%、58.2%/82.5%。

关键词：行人重识别无监督相机差异代理相机多代理

来源：评论

学校读者我要写书评

暂无评论

基于180 nm CMOS工艺的281 GHz太赫兹探测器

引用

红外与激光工程 2025年第1期54卷 247-255页

作者：姜宁郭莹刘朝阳祁峰沈阳工业大学信息科学与工程学院辽宁沈阳110870 中国科学院光电信息处理重点实验室辽宁沈阳110169 中国科学院沈阳自动化研究所辽宁沈阳110169 辽宁省太赫兹成像感知重点实验室辽宁沈阳110169

基于180 nm标准CMOS工艺设计出了一种281 GHz太赫兹(THz)探测器。该探测器集成了贴片天线和NMOS场效应晶体管。为了提升天线和晶体管之间的太赫兹功率传输效率,在其之间设计了阻抗匹配网络。仿真结果显示,添加阻抗匹配网络后,探测器的... 详细信息

基于180 nm标准CMOS工艺设计出了一种281 GHz太赫兹(THz)探测器。该探测器集成了贴片天线和NMOS场效应晶体管。为了提升天线和晶体管之间的太赫兹功率传输效率,在其之间设计了阻抗匹配网络。仿真结果显示,添加阻抗匹配网络后,探测器的性能提升了约20倍。为了消除栅极偏置线和芯片键合线对天线和晶体管之间阻抗匹配的影响,在晶体管栅极处设计了陷波滤波器。由于采用了辐射方向向上的贴片天线,无需集成硅透镜来补偿硅衬底导致的表面波损耗,降低了探测器的复杂性与成本。测试结果显示,在281 GHz频率下,探测器的电压响应率(Rv)和噪声等效功率(Noise Equivalent Power,NEP)分别为1524 V/W和19.9 pW/Hz1/2。利用该探测器搭建了太赫兹扫描成像系统,成像结果清晰地显示了门禁卡等物体内部线圈和芯片的位置。

关键词： CMOS探测器贴片天线阻抗匹配网络陷波滤波器太赫兹成像

来源：评论

学校读者我要写书评

暂无评论

基于图像内容理解的判别性类别提示学习

引用

电子学报 2025年

作者：王楠井刘阿建梁凤梅张小梅万军谢珺雷震太原理工大学电子信息工程学院中国科学院自动化研究所

近年来，通过图像与文本的联合表示，基于对比语言-图像预训练（Contrastive Language-Image Pre-training,CLIP）的方法将文本信息作为分类器的权值，在通用图像识别任务中展现出卓越性能.但是现有方法仅单独构建类别文本提示，比如上... 详细信息

近年来，通过图像与文本的联合表示，基于对比语言-图像预训练（Contrastive Language-Image Pre-training,CLIP）的方法将文本信息作为分类器的权值，在通用图像识别任务中展现出卓越性能.但是现有方法仅单独构建类别文本提示，比如上下文优化（Context Optimization,CoOp）和条件上下文优化（Conditional Context Optimization,CoCoOp）等，没有考虑图像的内容语义信息与类别的重要性，限制了模型对图像类别的理解与判别.为了解决上述问题，本文在CLIP的基础上提出了一种新方法：基于图像内容理解的判别性类别提示学习（Discriminative Category Prompt Learning based on image content understanding,DCPL），借助图像中丰富的内容特征来学习文本提示，提高文本提示对类别的判别性.具体来说，DCPL包含提示生成（Prompt Generation,PG）模块和文本监督（Text Supervision,TS）模块.PG模块将图像特征和初始化的查询向量作为输入，通过自注意力机制和交叉注意力机制使输出的文本提示中包含充分的图像语义信息；TS模块将固定的类别提示模板作为监督，为可学习文本提示在类别层面和logits层面注入类别信息，增强了类别的重要性.最后，DCPL在ImageNet、Caltech101和Oxford-Pets等11个公开分类数据集上的16-shots平均准确率达到了81.84%，较以往方法提升0.98%.

关键词：视觉-语言模型图像识别提示调优注意力机制文本监督(TS) 适配器微调 transformer

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：