欧美成在线精品视频,亚州激情

干線動(dòng)態(tài)協(xié)調(diào)控制的深度Q網(wǎng)絡(luò)方法

為有效降低城市交通干線的車(chē)均延誤與停車(chē)次數(shù)，將深度Q網(wǎng)絡(luò)引入干線協(xié)調(diào)控制，給出了一種干線動(dòng)態(tài)協(xié)調(diào)控制的DDDQN(Dueling Double Deep Q Network)方法。該方法結(jié)合雙重深度Q網(wǎng)絡(luò)與基于競(jìng)爭(zhēng)架構(gòu)深度Q網(wǎng)絡(luò)，并將干線作為整體處理，通過(guò)深度神經(jīng)網(wǎng)絡(luò)挖掘干線各交叉口協(xié)調(diào)控制的相關(guān)性，基于Q學(xué)習(xí)進(jìn)行交通信號(hào)控制決策。通過(guò)仿真實(shí)驗(yàn)，在近飽和流量和干線存在初始排隊(duì)的情況下，將DDDQN方法與現(xiàn)有綠波方法，以及經(jīng)典深度Q網(wǎng)絡(luò)、雙重深度Q網(wǎng)絡(luò)、基于競(jìng)爭(zhēng)架構(gòu)深度Q網(wǎng)絡(luò)的干線協(xié)調(diào)控制算法進(jìn)行對(duì)比，實(shí)驗(yàn)結(jié)果表明基于DDDQN的干線動(dòng)態(tài)協(xié)調(diào)控制算法性能優(yōu)于其他四種方法。

發(fā)表于：12/15/2020

具有關(guān)系敏感嵌入的知識(shí)庫(kù)錯(cuò)誤檢測(cè)

發(fā)表于：12/15/2020

基于交點(diǎn)的新層次聚類(lèi)算法

介紹了一種新的分層聚類(lèi)算法，該聚類(lèi)算法的主要目的是利用交點(diǎn)提供更好的聚類(lèi)質(zhì)量和更高的準(zhǔn)確性。為了驗(yàn)證該聚類(lèi)算法，對(duì)基準(zhǔn)數(shù)據(jù)集進(jìn)行了幾次實(shí)驗(yàn)，并與其他五種廣泛使用的聚類(lèi)算法進(jìn)行對(duì)比。使用純度作為外部標(biāo)準(zhǔn)來(lái)評(píng)估聚類(lèi)算法的性能，并計(jì)算了由聚類(lèi)算法得出的每個(gè)聚類(lèi)的緊密度，以評(píng)估聚類(lèi)算法的有效性。實(shí)驗(yàn)結(jié)果表明，在大多數(shù)情況下，該算法的錯(cuò)誤率低于研究中使用的其他聚類(lèi)算法。

發(fā)表于：12/15/2020

基于圖卷積網(wǎng)格自編碼器的網(wǎng)格參數(shù)化

網(wǎng)格參數(shù)化作為數(shù)字幾何處理的基本工具，在游戲娛樂(lè)、工程設(shè)計(jì)、仿真模擬等多種領(lǐng)域有著廣泛的應(yīng)用背景。傳統(tǒng)的網(wǎng)格參數(shù)化方法大多通過(guò)求解線性系統(tǒng)或者非線性系統(tǒng)獲得結(jié)果，存在著求解速度慢、不夠魯棒的問(wèn)題。提出了一個(gè)基于圖卷積網(wǎng)格自編碼器的網(wǎng)格參數(shù)化模型，采用了圖卷積網(wǎng)格自編碼器的編碼部分與自行構(gòu)建的參數(shù)化解碼部分結(jié)合的方式生成網(wǎng)絡(luò)，使用一類(lèi)人臉網(wǎng)格數(shù)據(jù)集作為網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)，并與傳統(tǒng)優(yōu)化算法進(jìn)行對(duì)比。結(jié)果表明，使用建立的網(wǎng)格參數(shù)化模型，在保證參數(shù)化效果的同時(shí)，獲得參數(shù)化結(jié)果的速度比SLIM(Scalable Locally Injective Mappings，SLIM)算法快68%，比PP(Progressive Parameterizations)算法快約4倍。

發(fā)表于：12/15/2020

微型仿生撲翼飛行器研究綜述

基于仿生學(xué)原理的撲翼飛行器因質(zhì)量輕、體積小、靈活性好、隱蔽性高等優(yōu)點(diǎn)在軍事和民用領(lǐng)域應(yīng)用廣泛，實(shí)現(xiàn)撲翼飛行器的微型化是未來(lái)發(fā)展方向。首先介紹了微型仿生撲翼飛行器的概念和特點(diǎn)，分析了研究背景和國(guó)內(nèi)外研究現(xiàn)狀及成果，在此基礎(chǔ)上，就實(shí)現(xiàn)微型仿生撲翼飛行器需要解決的關(guān)鍵技術(shù)和難題進(jìn)行了討論，最后對(duì)我國(guó)微型仿生撲翼飛行器的應(yīng)用前景作出展望。

發(fā)表于：12/15/2020

Raw格式巖心圖像超分辨率重建

在巖心面陣相機(jī)開(kāi)發(fā)中，可以使用基于學(xué)習(xí)的超分辨率技術(shù)來(lái)提升巖心圖像的分辨率。針對(duì)現(xiàn)有超分辨率技術(shù)在重建巖心圖像時(shí)存在的細(xì)節(jié)模糊或色彩偏差等問(wèn)題，提出了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的Raw格式巖心圖像超分辨率重建算法。首先，模擬相機(jī)圖像處理器的線性處理部分合成線性圖像數(shù)據(jù)集；然后，通過(guò)一個(gè)雙層卷積神經(jīng)網(wǎng)絡(luò)，分別訓(xùn)練高低分辨率圖像之間的紋理、色彩映射關(guān)系；最后，用重建出的線性高分辨率圖像模擬相機(jī)圖像處理器的非線性處理部分，獲得紋理清晰且色彩逼真的巖心重建圖像。實(shí)驗(yàn)結(jié)果表明，本文提出的重建算法提升了巖心圖像的重建效果。

發(fā)表于：12/15/2020

基于混合注意力機(jī)制的表情識(shí)別研究

針對(duì)目前傳統(tǒng)人臉表情識(shí)別算法存在特征提取復(fù)雜、表情識(shí)別率低等問(wèn)題，提出一種基于混合注意力機(jī)制的ResNet人臉表情識(shí)別方法。該方法把通道注意力模塊和空間注意力模塊組成混合注意力模塊，將混合注意力模塊嵌入ResNet殘差學(xué)習(xí)分支中。針對(duì)CK+人臉表情數(shù)據(jù)集過(guò)小問(wèn)題，采用數(shù)據(jù)增強(qiáng)策略擴(kuò)充數(shù)據(jù)集。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的ResNet在CK+數(shù)據(jù)集上表情識(shí)別準(zhǔn)確率為97.04%，有效提高了表情識(shí)別準(zhǔn)確率。

發(fā)表于：12/15/2020

一種融合注意力和記憶網(wǎng)絡(luò)的序列推薦算法

傳統(tǒng)基于協(xié)同過(guò)濾和矩陣分解的靜態(tài)表示推薦算法，不能很好地體現(xiàn)用戶(hù)的動(dòng)態(tài)興趣。循環(huán)神經(jīng)網(wǎng)絡(luò)能夠進(jìn)行序列推薦，但存在序列之間的長(zhǎng)距離依賴(lài)性差、各項(xiàng)目的區(qū)分度差等問(wèn)題。由此提出一種融合注意力和記憶網(wǎng)絡(luò)的序列推薦算法，根據(jù)Word2vec算法，引申item2vec和user2vec，初始化用戶(hù)和項(xiàng)目的固定表示嵌入矩陣，通過(guò)結(jié)合注意力機(jī)制和長(zhǎng)短期記憶網(wǎng)絡(luò)(Long ShortTerm Memory,LSTM)解決序列之間的長(zhǎng)距離依賴(lài)性差和區(qū)分度差問(wèn)題。利用記憶網(wǎng)絡(luò)獲取用戶(hù)的動(dòng)態(tài)鄰居，加強(qiáng)用戶(hù)的動(dòng)態(tài)表示，實(shí)現(xiàn)更準(zhǔn)確的推薦。通過(guò)在MovieLens數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，所提出的算法相比其他算法推薦效果顯著提高。

發(fā)表于：12/15/2020

融合懲罰因子和時(shí)間權(quán)重的協(xié)同過(guò)濾推薦算法

協(xié)同過(guò)濾算法是一種經(jīng)典的推薦算法，思想是依據(jù)近鄰用戶(hù)或者相似物品對(duì)目標(biāo)進(jìn)行推薦，常被應(yīng)用在各類(lèi)推薦系統(tǒng)中。但傳統(tǒng)算法過(guò)分考慮熱門(mén)物品對(duì)評(píng)分的影響，而忽略了冷門(mén)物品對(duì)用戶(hù)興趣特征度量的貢獻(xiàn)，也未考慮用戶(hù)興趣動(dòng)態(tài)變化的問(wèn)題。對(duì)此，提出一種新的相似度改進(jìn)算法，改進(jìn)后的協(xié)同過(guò)濾算法將物品熱門(mén)懲罰因子和時(shí)間數(shù)據(jù)權(quán)重進(jìn)行加權(quán)計(jì)算，優(yōu)化了用戶(hù)相似度計(jì)算方法，形成了一種新的相似性度量模型。利用MovieLens電影推薦數(shù)據(jù)集驗(yàn)證改進(jìn)后的算法，實(shí)驗(yàn)結(jié)果表明，該算法將推薦平均絕對(duì)誤差(MAE)與傳統(tǒng)算法相比降低了13.2%，推薦質(zhì)量有了明顯提升。

發(fā)表于：12/15/2020

認(rèn)知升維與實(shí)踐加速：解讀“與眾不同”的城市智能體

　　第二十二屆中國(guó)國(guó)際高新技術(shù)成果交易會(huì)在今年的“雙 11”隆重開(kāi)幕。本屆盛會(huì)可以說(shuō)結(jié)出了累累碩果。　　據(jù)了解，3300 多家海內(nèi)外展商參展，展示高新技術(shù)項(xiàng)目超過(guò) 9000 項(xiàng)，其中有 1790 項(xiàng)新產(chǎn)品和 767 項(xiàng)新技術(shù)是首次亮相，涵蓋了現(xiàn)在主流的人工智能、智能制造、智能駕駛、5G 商用、8K 超高清等諸多領(lǐng)域，這不僅是一場(chǎng)高新科技成果的展示和交易，更是一個(gè)全新未來(lái)的開(kāi)啟節(jié)點(diǎn)。

發(fā)表于：12/15/2020

智慧彩超，做幸福家庭的守護(hù)神

　　在新冠抗疫的前線，超聲診斷正起著越來(lái)越重要的作用，因?yàn)樗鼰o(wú)損傷、非介入的特點(diǎn)，可以在更短時(shí)間內(nèi)檢測(cè)病人的同時(shí)，保障醫(yī)護(hù)人員安全，還能發(fā)現(xiàn)血凝塊等嚴(yán)重癥狀。

發(fā)表于：12/14/2020

基于Star-Gan的人臉互換算法

基于Star-Gan的人臉互換算法易旭，白天(中國(guó)科學(xué)技術(shù)大學(xué) 軟件學(xué)院，安徽合肥 230026)基于深度學(xué)習(xí)的人臉互換算法會(huì)因背景人臉環(huán)境的明亮程度、人臉表情、姿勢(shì)等因素影響換臉效果，現(xiàn)階段的人臉互換模型存在固有的弊端。采用Patch-Gan(Generative Adversarial Networks)的判別器結(jié)構(gòu)能通過(guò)全卷積網(wǎng)絡(luò)增強(qiáng)人臉局部一致性的效果。生成器將Unet結(jié)構(gòu)的編碼器的特征輸出作為輸入，能考慮多層信息細(xì)節(jié)。整體模型架構(gòu)采用Star-Gan的模型，引入實(shí)例歸一化層能保證圖像的獨(dú)立性。最后在Face-Forensics++人臉互換數(shù)據(jù)集上進(jìn)行驗(yàn)證，結(jié)果表明，融合的模型有較好的生成效果和細(xì)節(jié)。

發(fā)表于：12/14/2020

基于改進(jìn)VGG16的猴子圖像分類(lèi)方法

為提高對(duì)細(xì)粒度圖像分類(lèi)的準(zhǔn)確性和分類(lèi)速度，提出基于改進(jìn)VGG16和遷移學(xué)習(xí)的圖像分類(lèi)方法。首先從kaggle平臺(tái)中獲取十種不同猴子數(shù)據(jù)集，并對(duì)數(shù)據(jù)集進(jìn)行標(biāo)準(zhǔn)化處理，包含圖片去椒鹽噪聲、將數(shù)據(jù)集轉(zhuǎn)換為T(mén)ensorFlow中提供的統(tǒng)一TFRecord數(shù)據(jù)格式。然后遷移學(xué)習(xí)改進(jìn)的VGG16卷積神經(jīng)網(wǎng)絡(luò)，模型的優(yōu)化包括利用Swish作為激活函數(shù)、將softmax loss與center loss相結(jié)合作為損失函數(shù)以實(shí)現(xiàn)更好的聚類(lèi)效果、采用性能完善的Adam優(yōu)化器。用訓(xùn)練集訓(xùn)練模型以確定微調(diào)參數(shù)信息，再用測(cè)試集檢驗(yàn)?zāi)Ｐ蜏?zhǔn)確性。結(jié)果表明，該方法對(duì)猴子圖像分類(lèi)的準(zhǔn)確度可達(dá)到98.875%，分類(lèi)速度也得到了顯著提升。與其他傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)模型相比，該方法具有更高的準(zhǔn)確性和適用性。

發(fā)表于：12/14/2020

一種基于卷積神經(jīng)網(wǎng)絡(luò)的立體匹配算法設(shè)計(jì)

為了解決傳統(tǒng)立體匹配算法對(duì)立體圖像在低紋理以及遮擋區(qū)域匹配效果較差的問(wèn)題，設(shè)計(jì)了一種端到端的基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)的立體匹配算法。該算法采取了殘差卷積神經(jīng)網(wǎng)絡(luò)對(duì)圖像特征進(jìn)行提取，之后利用空洞空間金字塔池化(Atrous Spatial Pyramid Pooling，ASPP)模塊來(lái)獲取圖像的上下文信息，并結(jié)合多尺度的三維卷積神經(jīng)網(wǎng)絡(luò)對(duì)代價(jià)空間進(jìn)行規(guī)整，最終實(shí)現(xiàn)了高精度的立體匹配算法。所獲取的視差圖在KITTI2015測(cè)試平臺(tái)上的誤匹配率為2.42%，與幾何上下文(Geometry and Context,GC)網(wǎng)絡(luò)相比較，視差圖的精度提高了0.45%，且運(yùn)行時(shí)間縮短了一半。

發(fā)表于：12/14/2020

成立兩年，清華出身的他們用產(chǎn)品描繪出了基于第三代AI的基礎(chǔ)設(shè)施藍(lán)圖

「第一代知識(shí)驅(qū)動(dòng)的 AI 利用知識(shí)、算法和算力 3 個(gè)要素構(gòu)造 AI；第二代數(shù)據(jù)驅(qū)動(dòng)的 AI 利用數(shù)據(jù)、算法與算力 3 個(gè)要素構(gòu)造 AI。由于第一、二代 AI 只是從一個(gè)側(cè)面模擬人類(lèi)的智能行為，因此存在各自的局限性，不可能觸及人類(lèi)真正的智能?！骨迦A大學(xué)人工智能研究院院長(zhǎng)、中國(guó)科學(xué)院院士張鈸等人在今年 9 月份的一篇專(zhuān)刊文章中這樣寫(xiě)道。

發(fā)表于：12/10/2020