基于转置注意力的多尺度深度融合单目深度估计

单目深度估计是计算机视觉领域中一项基础任务,其目标是通过单张图像预测深度图,并获取每个像素位置的深度信息。本文提出一种新的单目深度估计网络结构,旨在进一步提高网络的预测准确性。转置注意力机制在降低参数量和计算量的同时引入了自注意力机制,以关注图像中的特定区域,并结合不同通道之间的信息。这种机制能够有效地关注到图像中的细小区域和边缘信息,并进行学习。本文还提出一种改进的转置注意力机制,以更少的参数量保留语义信息。多尺度深度融合根据不同通道提取不同深度特征的特点,计算每个通道的平均深度,以增强模型的深度感知能力。此外,它能够建模垂直距离的长距离关系,有效地分离物体之间的边缘,有助于减少细粒度信息的损失。最后,本文在NYU Depth V2数据集和KITTI数据集上进行实验,验证了所提出模块的有效性,并取得了出色的性能表现。

基于深度强化学习的测井曲线自动深度校正方法

针对传统测井曲线深度校正需要手动调整曲线,而对于多口井的深度校正工作量巨大,需要大量人工参与,且工作效率较低的问题,提出一种多智能体深度强化学习方法(MARL)来实现多条测井曲线自动深度匹配。该方法基于卷积神经网络(CNN)定义多个自上而下的双滑动窗口捕捉测井曲线上相似的特征序列,并设计一个智能体与环境的互动机制来控制深度匹配过程。通过双深度Q学习网络(DDQN)选取一个动作来平移或缩放测井特征序列,并利用反馈的奖励信号来评估每个动作的好坏,以学习到最优的控制策略达到提升深度校正精度的目的。研究表明,MARL方法可以自动完成多口井、不同测井曲线的深度校正任务,减少人工干预。在油田实例应用中,对比分析了动态时间规整(DTW)、深度Q学习网络(DQN)和DDQN等方法的测试结果,DDQN算法采用双网络评估机制有效改进了算法的性能,能够识别和对齐测井曲线特征序列上更多的细节,具有较高的深度匹配精度。

引导学生“学会思考” 深度教学路径的探索

培养学生“学会思考”是数学教学的重要目标。文章依托《数学分析》课程的教学实例,阐述了通过逆向思维、发散思维、转化思维引导学生深度思考的基本过程,并将不同年级学生作为实验组和对照组,运用统计方法,对《数学分析》课程的成绩进行分析。结果发现:与传统教学方式相比,采用深度学习教学方式的实验组学生成绩有明显优势。最后,文章从宏观、微观、学生角度、教师角度等方面,对深度教学开展提出了相关的思考。

基于轻型自限制注意力的结构光相位及深度估计混合网络

相位提取与深度估计是结构光三维测量中的重点环节,目前传统方法在结构光相位提取与深度估计方面存在效率不高、结果不够鲁棒等问题。为了提高深度学习结构光的重建效果,本文提出了一种基于轻型自限制注意力(Light Self-Limited-Attention,LSLA)的结构光相位及深度估计混合网络,即构建一种CNN-Transformer的混合模块,并将构建的混合模块放入U型架构中,实现CNN与Transformer的优势互补。将所提出的网络在结构光相位估计和结构光深度估计两个任务上进行实验,并和其他网络进行对比。实验结果表明:相比其他网络,本文所提出的网络在相位估计和深度估计的细节处理上更加精细,在结构光相位估计实验中,精度最高提升31%;在结构光深度估计实验中,精度最高提升26%。该方法提高了深度神经网络在结构光相位估计及深度估计的准确性。

基于物质点和深度积分耦合模型的滑坡数值分析

深度积分算法可将滑坡沿地表滑动的三维模型化简为二维模型进行求解,通过减少控制方程未知量的个数以提升求解效率。物质点法(material point method,MPM)具有无网格法和有网格法的双重优势,模拟滑坡大变形问题时可避免网格畸变现象。采用深度积分耦合物质点法建立滑坡数值模型,给出算法实现具体流程,基于影响域改进的物质点法(influence domain material point method,IDMPM),针对两个典型无倾角底面光滑和有倾角底面不光滑滑坡算例进行基准测试。在计算精度方面,深度积分耦合物质点法模型能较好地预测远端距离、流速、深度等滑移特征参数;在计算效率方面,与常规物质点法求解格式相比,深度积分耦合物质点法模型可大幅度提高运行效率。该研究成果可为滑坡地质灾害破坏范围的分析预测、危害评估、应急抢险提供有效理论依据和时间保障。

考虑行为克隆的深度强化学习股票交易策略

为提高股票投资的收益并降低风险,将模仿学习中的行为克隆思想引入深度强化学习框架中设计股票交易策略。在策略设计过程中,将对决DQN深度强化学习算法和行为克隆进行结合,使智能体在自主探索的同时模仿事先构造的投资专家的决策。选择不同行业的股票进行数值实验,说明了所设计的交易策略在年化收益率、夏普比率和卡玛比率等收益与风险指标上优于对比策略。研究结果表明:将模仿学习与深度强化学习相结合可以使智能体同时具有探索和模仿能力,从而提高模型的泛化能力和策略的适用性。

基于数字孪生和深度强化学习的矿井超前液压支架自适应抗冲支护方法

受深部开采冲击地压等地质灾害扰动的影响,存在矿井超前支护系统自感知能力差、智能抗冲自适应能力弱、缺乏决策控制能力等问题。针对上述问题,提出了一种基于数字孪生和深度强化学习的矿井超前液压支架自适应抗冲支护方法。通过多源传感器感知巷道环境和超前液压支架支护状态,在虚拟世界中创建物理实体的数字孪生模型,其中物理模型精确展现超前液压支架的结构特征和细节,控制模型实现超前液压支架的自适应控制,机理模型实现对超前液压支架自适应支护的逻辑描述和机理解释,数据模型存储超前液压支架实体运行数据和孪生数据,仿真模型完成超前液压支架立柱仿真以实现超前液压支架与数字孪生模型虚实交互。根据基于深度Q网络(DQN)的超前液压支架自适应抗冲决策算法,对仿真环境中巷道抗冲支护进行智能决策,并依据决策结果对物理实体和数字孪生模型下达调控指令,实现超前液压支架智能控制。实验结果表明:立柱位移与压力变化一致,说明超前液压支架立柱仿真模型设计合理,从而验证了数字孪生模型的准确性;基于DQN的矿井超前液压支架自适应抗冲决策算法可通过调节液压支架控制器PID参数,自适应调控立柱压力,提升巷道安全等级,实现超前液压支架自适应抗冲支护。

基于深度强化学习的多自动导引车运动规划

为解决移动机器人仓储系统中的多自动导引车(AGV)无冲突运动规划问题,建立了Markov决策过程模型,提出一种新的基于深度Q网络(DQN)的求解方法。将AGV的位置作为输入信息,利用DQN估计该状态下采取每个动作所能获得的最大期望累计奖励,并采用经典的深度Q学习算法进行训练。算例计算结果表明,该方法可以有效克服AGV车队在运动中的碰撞问题,使AGV车队能够在无冲突的情况下完成货架搬运任务。与已有启发式算法相比,该方法求得的AGV运动规划方案所需要的平均最大完工时间更短。

基于深度残差网络的随钻方位电磁波电阻率测井反演方法

随钻方位电磁波电阻率测井可以提供丰富的地下信息,帮助完成储层位置确定和边界探测等任务,但常用的基于物理方程的迭代反演方法计算效率较低,在实时地质导向中受到诸多限制。为此,提出了一种基于深度残差网络的随钻方位电磁波电阻率测井资料智能反演方法。该方法将残差块中的卷积层和池化层替换为全连接层,并使用多头注意力机制来理解输入数据的关联性,以解决非线性回归问题;通过评估模型深度和宽度,并使用贝叶斯超参数调优算法找到随钻电磁波电阻率反演方法中最优的超参数,以提高反演模型的性能。该方法在模型试验中的平均准确率达到98.5%;在实际测井资料的平均准确率达到97.2%,单点反演时间约为0.01 s。研究表明,随钻方位电磁波电阻率测井反演方法能够快速准确地反演测井资料。

胶东金矿成岩成矿深度测算方法探讨

胶东金矿的储量和产量分别占全国的四分之一和三分之一。胶东地区的金矿成矿理论正经历着随地质科技发展而不断研究、讨论、发展和创新的过程。胶东西北部的新城金矿是胶东蚀变岩型金矿的典型代表,同时也是重要的生产矿山之一。随着国家对于矿产安全保障重视程度的不断提高,胶东地区深部找矿增储的迫切需求也随之而来。在矿产勘查领域,尤其是深部找矿过程中,成岩深度、成矿深度和剥蚀深度测算是重要的地质学方法。因此,本文选取新城金矿作为胶东地区的典型金矿代表,探讨其成岩、成矿和剥蚀深度的测算方法及应用。采用矿物压力计算方法,推算得到新城的成矿岩体———郭家岭花岗闪长岩的平均成岩深度为3 km;采用成矿深度构造校正方法,推算得到新城金矿的蚀变成矿平均深度为2 km;采用裂变径迹分析方法,得到新城金矿成矿后的剥蚀深度约为2.5 km。在上述成岩深度、成矿深度和剥蚀深度测算结果的基础上,深入讨论胶东地区的金矿成矿规律和深部预测问题。研究区的生产勘探工作证明,本文的成矿深度计算结果与现已认识的深部成矿规律相吻合,研究成果对胶东金矿及其他相关类型的热液金属矿床的深部找矿工作有重要的参考价值。

基于语义信息和彩色图像引导的道路场景深度补全框架

随着人工智能技术的发展,深度信息在机器人技术、无人驾驶和虚拟现实等领域的应用日益广泛。然而,现有深度传感器存在数据稀疏和受干扰等问题,生成的深度图限制了其在实际任务中的应用。于是,近年来提出由图像引导的深度补全任务,从稀疏深度图和高质量彩色图像生成密集深度图。在这项任务中,如何融合图像的语义信息和稀疏深度对性能起着重要作用。本文提出了一种将语义信息引入双分支网络中的深度补全框架,以促进语义信息与深度信息的融合,从而提高补全效果。试验结果表明,在加入了语义信息后,本文框架在道路场景数据集上表现优异,验证了其合理性和性能优势。

基于深度强化学习和隐私保护的群智感知动态任务分配策略

在移动群智感知(Mobile Crowd Sensing,MCS)中,动态任务分配的结果对提高系统效率和确保数据质量至关重要。然而,现有的大部分研究在处理动态任务分配时,通常将其简化为二分匹配模型,该简化模型未充分考虑任务属性与工人属性对匹配结果的影响,同时忽视了工人位置隐私的保护问题。针对这些不足,文章提出一种基于深度强化学习和隐私保护的群智感知动态任务分配策略。该策略首先通过差分隐私技术为工人位置添加噪声,保护工人隐私;然后利用深度强化学习方法自适应地调整任务批量分配;最后使用基于工人任务执行能力阈值的贪婪算法计算最优策略下的平台总效用。在真实数据集上的实验结果表明,该策略在不同参数设置下均能保持优越的性能,同时有效地保护了工人的位置隐私。

基于深度强化学习的空天地一体化网络资源分配算法

空天地一体化网络(SAGIN)通过提高地面网络的资源利用率可以有效满足多种业务类型的通信需求,然而忽略了系统的自适应能力和鲁棒性及不同用户的服务质量(QoS)。针对这一问题,该文提出在空天地一体化网络架构下,面向城区和郊区通信的深度强化学习(DRL)资源分配算法。基于第3代合作伙伴计划(3GPP)标准中定义的用户参考信号接收功率(RSRP),考虑地面同频干扰情况,以不同域中基站的时频资源作为约束条件,构建了最大化系统用户的下行吞吐量优化问题。利用深度Q网络(DQN)算法求解该优化问题时,定义了能够综合考虑用户服务质量需求、系统自适应能力及系统鲁棒性的奖励函数。仿真结果表明,综合考虑无人驾驶汽车,沉浸式服务及普通移动终端通信业务需求时,表征系统性能的奖励函数值在2 000次迭代下,相较于贪婪算法提升了39.1%;对于无人驾驶汽车业务,利用DQN算法进行资源分配后,相比于贪婪算法,丢包数平均下降38.07%,时延下降了6.05%。

基于深度测距的移动机器人自适应跟随

为提高移动机器人的跟随精度,对深度相机(RGB-D相机)测距进行研究,提出一种基于MRSD(Mask R-CNN and S2R-DepthNet)的移动机器人跟随系统。引入实例分割算法(Mask R-CNN)获取行人的前景掩膜;以掩膜为指导从深度图像中获取准确的行人区域深度像素,引入深度估计算法(S2R-DepthNet)从彩色图像中推理深度图像以替换深度传感器引起的无效深度像素,提高测距的精度;建立基于Sage-Husa自适应滤波(SHAKF)的测距模型,提高量测信息异常情况下的测距鲁棒性,实现稳定跟随。实验结果表明,该方法能以设定距离准确跟随前方行人。

基于深度学习的电力工程数据异常检测模型设计

针对当前电力工程数据质量较差的问题,文中开展了基于深度学习的电力工程数据异常检测模型设计研究。提出了局部密度因子的改进方案,设计了一种基于深度自编码器(DAE)与高斯过程回归(GPR)的电力异常数据检测算法。该算法利用DAE模型实现了电力工程数据的重构,且将改进的局部密度因子、编码器输出数据及重构误差等作为GPR模型的输入,进而完成对异常数据的精准检测。仿真算例结果表明,与DAE、AE算法相比,所提算法的准确率可达89.2%,且稳定性更强。同时在实际应用中还可发现,通过加强对工程量及费用类型数据的校核管控,能够有效提升电力工程数据的质量,从而为电网的精细化运营提供数据基础。

国内外麻醉深度脑电监测设备的现状与发展展望

介绍了国内外麻醉深度脑电监测设备的分类、原理及发展现状,分析了麻醉深度脑电监测设备的应用情况及其优缺点,指出了利用多模态监测技术和人工智能技术、提高患者舒适性和安全性、实现数据共享和跨学科合作等是麻醉深度脑电监测设备未来的发展趋势。

深度学习对中医院校大学生数字素养的影响机制研究——基于批判性思维的中介作用

教育数字化转型是数字中国建设的基础支撑,其关键之一在于提升大学生的数字素养。深度学习作为教育数字化转型下的主要学习方式,在培养数字社会的高阶创新人才方面具有显著作用。该研究立足数字社会发展,综合运用文献研究、问卷调查等方法,构建深度学习、批判性思维、数字素养的关系模型。以广州中医药大学为例,选取204名大学生为研究对象,采用结构方程模型与中介效应分析,探索其作用关系和影响效应。结果表明,深度学习动机、深度学习策略、深度学习投入、批判性思维、数字素养之间显著正相关;深度学习动机、深度学习策略对数字素养有直接的正向影响;深度学习投入对数字素养无直接影响;批判性思维在深度学习动机、深度学习策略对数字素养之间的中介效应显著。该研究能够为中医院校大学生数字素养的培养提供理论借鉴与实践参考。

在线研修中教师深度学习测评模型构建及支持对策研究

在线研修是“互联网+”时代促进教师专业发展的重要途径之一,随着国家智慧教育云平台服务的增强,在线研修的教师人数逐年增长,如何评价在线研修中教师深度学习成为亟需解决的问题。该研究基于比格斯的学习一般过程模型与布鲁姆认知目标、辛普森动作技能目标和克拉斯沃尔情感目标分类体系构建了教师深度学习评价模型,并从中提取了价值认同、理解迁移、系统建构、反思批判与问题解决五个评价深度学习的核心要素。基于评价模型编制了“教师深度学习评价量表”,从教师先验知识、学习过程和学习结果三个方面对917位教师进行测评。研究发现:(1)参与在线研修的教师深度学习比例较低;(2)不同教龄、先验知识的教师在深度学习时存在显著的群体差异;(3)成就动机与元认知策略是影响教师深度学习的关键因素;(4)教师深度学习的五大核心能力发展尚不均衡,教师联系型及创新型问题解决能力有待加强,批判性思维能力有待改善,教师对在线研修价值认同感不足,研修内容与学习需求的匹配度有待提升。鉴于此,提出了促进教师深度学习的策略与建议。

生成式人工智能何以构成教育奇点--从深度学习到深度理解

ChatGPT的成功引发了教育界对生成式人工智能广泛而又热烈的讨论。在此背景下,以深度学习为线索对生成式人工智能何以构成教育奇点予以追问,意在从前提上把握生成式人工智能之于教育的突破和局限。从深度学习的突破来看,生成式人工智能之于教育的深层价值在于擘画了指向算法决策的新方向、指向大模型的新范式、指向智能机器的新赛道;从深度学习的局限来看,教育极有可能因为生成式人工智能而面临不可知、不可用和不可信的风险。这对热衷求证生成式人工智能何以构成奇点的教育而言,仍不足以构成可谓确切的答案;但对试图诉诸更有深度的概念、问题、目的以创造奇点的教育而言,却不失为有益的启示。归根究底,与作为时下人工智能重要方向之一的深度学习相比,对人工智能跨领域、长时间、多层次、辩证性的深度理解更有可能引申出教育奇点。

走廊场景下辅助视觉里程计初始化的单目深度恢复方法

单目相机由于缺少尺度信息在视觉里程计等应用场景中性能受限。现有研究大多通过基于深度学习的方法解决这一问题,但其推理速度慢,难以实时运行。针对这一问题,提出了一种走廊场景下基于非线性优化进行快速单目深度恢复的显式方法。采用虚拟相机假设,简化对相机姿态角的求解;通过最小化几何残差,将深度估计问题转换为优化问题;设计一种深度平面构建方法,对空间点深度进行分类,实现走廊等封闭结构场景下的快速深度估计;最后,将所提方法在单目视觉里程计初始化中进行应用,使得单目视觉里程计可以获得真实的尺度信息,并提升其定位精度。实验结果表明:所提方法在走廊场景3m范围内深度估计的相对误差小于8.4%,在Intel Core i5-7300HQCPU处理器中能以20FPS的速度实时运行。