技術(shù)自動化改變了我們的工作方式和解決問題的方式。由于過去幾年機(jī)器人技術(shù)和人工智能 (AI) 取得的進(jìn)展，現(xiàn)在可以將多項(xiàng)任務(wù)交給機(jī)器和算法來完成。

為了突出這些進(jìn)步，在 2021 年 7 月的期刊中，IEEE/CAA Journal of Automatica Sinica 刊登了六篇文章，涵蓋了可以讓我們的生活更輕松的 AI 創(chuàng)新應(yīng)用。

第一篇文章由美國弗吉尼亞理工大學(xué)機(jī)械工程系 ASIM 實(shí)驗(yàn)室的研究人員撰寫，深入探討了一個有趣的主題組合：智能汽車、機(jī)器學(xué)習(xí)和腦電圖 (EEG)。一段時間以來，自動駕駛汽車一直備受關(guān)注。那么腦電圖在這張圖片中是如何擬合的呢?

有時駕駛員會在不知不覺中分心或疲勞，從而增加發(fā)生交通事故的風(fēng)險。幸運(yùn)的是，汽車現(xiàn)在可以配備人工智能系統(tǒng)，感知和分析駕駛員的腦電圖信號，以持續(xù)監(jiān)控他們的狀態(tài)并在必要時發(fā)出警告。本文回顧了最新的基于 EEG 的駕駛員狀態(tài)估計技術(shù)。他們還提供有關(guān)最流行的 EEG 解碼方法和神經(jīng)網(wǎng)絡(luò)模型的詳細(xì)教程，幫助研究人員熟悉該領(lǐng)域。作者解釋說：“通過實(shí)施這些基于 EEG 的方法，我可以更準(zhǔn)確地估計駕駛員的狀態(tài)，從而提高道路安全。”

接下來，來自中國四川大學(xué)和美國佛羅里達(dá)大學(xué)的科學(xué)家們提出了一種新的圖像字幕方法，這是計算機(jī)難以完成的任務(wù)。問題是，盡管計算機(jī)現(xiàn)在可以恰當(dāng)?shù)刈R別給定圖像中的對象，但僅基于這些對象來描述場景是很棘手的。

為了解決這個問題，研究人員開發(fā)了一個基于全局注意力的網(wǎng)絡(luò)來準(zhǔn)確估計圖像中給定區(qū)域在標(biāo)題中被提及的概率。這是通過分析局部視覺特征和全局標(biāo)題特征之間的相似性來實(shí)現(xiàn)的。使用注意力模塊，該模型可以更準(zhǔn)確地關(guān)注圖像中最重要的區(qū)域，以生成良好的標(biāo)題。自動圖像字幕是索引大型圖像數(shù)據(jù)集和幫助視障人士的絕佳工具。

在第三篇文章中，巴基斯坦管理科學(xué)研究所、韓國延南大學(xué)、中國西安電子科技大學(xué)和卡拉布里亞大學(xué)那不勒斯費(fèi)德里科二世大學(xué)的科學(xué)家們嘗試將協(xié)作機(jī)器人技術(shù)帶入俯視監(jiān)控領(lǐng)域. 更具體地說，他們提出了一個詳細(xì)的框架，其中深度學(xué)習(xí)用于頂視圖計算機(jī)視覺，這與大多數(shù)關(guān)注正面圖像的研究相反。該框架使用帶有嵌入式視覺處理單元的智能機(jī)器人攝像頭和深度學(xué)習(xí)算法，用于檢測和跟蹤多個對象(各種應(yīng)用中的基本任務(wù)，包括預(yù)防以及人群和行為分析)。

在第四篇文章中，中國湖南大學(xué)桂林電子科技大學(xué)的研究人員提出了一種基于神經(jīng)網(wǎng)絡(luò)可以提取和使用的特征來生成超分辨率圖像的新方法。他們的方法稱為加權(quán)多尺度殘差網(wǎng)絡(luò)，可以利用來自不同尺度的全局和局部圖像特征來重建具有最先進(jìn)性能的高質(zhì)量圖像。作者說：“當(dāng)前的成像設(shè)備肯定無法提供足夠的計算資源，因此，我們設(shè)計了一種快速且輕量級的架構(gòu)來緩解這個問題。”

來自澳大利亞新南威爾士大學(xué)的研究人員的第五篇文章涵蓋了人類與群體合作中透明度和信任的復(fù)雜主題。這組作者認(rèn)為，可解釋性、可解釋性和可預(yù)測性是人工智能中不同但重疊的概念，它們從屬于透明度。通過借鑒文獻(xiàn)，他們提出了一種架構(gòu)，以確保人與機(jī)器群之間的可靠協(xié)作，超越通常的主從范式。研究人員總結(jié)道：“在我們開始利用這些系統(tǒng)所提供的機(jī)會之前，人群團(tuán)隊需要提高透明度。”

最后，中國電子科技大學(xué)的科學(xué)家展示了深度神經(jīng)網(wǎng)絡(luò)在計算機(jī)視覺領(lǐng)域的另一種用途——更具體地說，在視頻異常檢測中。用于自動檢測視頻片段中異常的現(xiàn)有模型嘗試根據(jù)先前的輸入預(yù)測或重建幀，并通過計算重建誤差來確定是否有任何不合適的地方。這種方法的問題在于，異常幀有時會被很好地重建，從而導(dǎo)致假陰性。

科學(xué)家們通過開發(fā)一個認(rèn)知記憶增強(qiáng)網(wǎng)絡(luò)來解決這個問題，該網(wǎng)絡(luò)模仿人類記憶正常樣本的方式，并使用重建誤差和計算出的新穎性分?jǐn)?shù)來檢測視頻中的異常情況。憑借經(jīng)過驗(yàn)證的最先進(jìn)性能，該網(wǎng)絡(luò)可以輕松應(yīng)用于監(jiān)控任務(wù)，例如事故和公共安全監(jiān)控。

我們很可能很快就會見證人工智能在許多現(xiàn)實(shí)生活中的應(yīng)用中變得至關(guān)重要。因此，請務(wù)必查看 2021 年 7 月發(fā)行的 IEEE/CAA Journal of Automatica Sinica，與時俱進(jìn)!

　　免責(zé)聲明：本文由用戶上傳，與本網(wǎng)站立場無關(guān)。財經(jīng)信息僅供讀者參考，并不構(gòu)成投資建議。投資者據(jù)此操作，風(fēng)險自擔(dān)。 如有侵權(quán)請聯(lián)系刪除！