人工智能与深度学习

人工智能(Artificial Intelligence,AI)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。作为计算机科学的一个分支,它企图了解智能的实质,并生产出一种能智能地做出反应的机器。相关的研究内容包括机器人、语言识别、图像/视频分析、自然语言处理等。人工智能是一门极富挑战性又十分广泛的科学。

基于无人机与深度学习的少样本混凝土表面裂缝检测方法

混凝土表面裂缝检测是混凝土建筑安全评估和风险预警的重要手段。传统人工检测方法工作量大,且需考虑复杂环境下影响人身安全等因素。基于无人机的裂缝检测方法得到了应用,但当受不确定因素影响时,无人机无法采集足够的训练样本,限制了其检测性能。为此,基于无人机与深度学习,提出少样本条件下混凝土表面裂缝检测方法,采用主流深度学习网络Faster-RCNN和YOLOX,利用WBF算法将检测结果进行融合,有效弥补了像素级标签信息较少导致的检测性能下降。在少样本裂缝图像库及户外场地进行了试验测试,试验结果表明,在少样本条件下基于无人机与深度学习的裂缝检测方法性能得到有效提升,对裂缝检测的准确率达到58.67%。

融合有判别力仿射局部特征上下文的图像分类

已有的针对上下文信息的大多数工作均侧重于视觉词之间的上下文信息建模,没有考虑到局部特征之间的上下文信息建模问题,且图像在拍照时往往受到姿势、尺度变化,光照以及相机参数的影响,导致分类精度不高.文中综合考虑局部特征之间的上下文信息,提出一种基于有判别力仿射局部特征上下文的图像分类方法.对于一幅图像上的某一位置,采用该区域的局部特征,及其周边一定距离、角度内的局部特征来进行描述(局部特征上下文);然后对这些局部特征上下文进行仿射变换,并通过最小化编码损失的策略来进行有判别力的仿射局部特征上下文的选择,得到更有判别力的特征.最后通过实验结果验证了该方法的有效性.

针对身份证文本识别的黑盒攻击算法研究

身份证认证场景多采用文本识别模型对身份证图片的字段进行提取、识别和身份认证,存在很大的隐私泄露隐患.并且,当前基于文本识别模型的对抗攻击算法大多只考虑简单背景的数据(如印刷体)和白盒条件,很难在物理世界达到理想的攻击效果,不适用于复杂背景、数据及黑盒条件.为缓解上述问题,本文提出针对身份证文本识别模型的黑盒攻击算法,考虑较为复杂的图像背景、更严苛的黑盒条件以及物理世界的攻击效果.本算法在基于迁移的黑盒攻击算法的基础上引入二值化掩码和空间变换,在保证攻击成功率的前提下提升了对抗样本的视觉效果和物理世界中的鲁棒性.通过探索不同范数限制下基于迁移的黑盒攻击算法的性能上限和关键超参数的影响,本算法在百度身份证识别模型上实现了100%的攻击成功率.身份证数据集后续将开源.

“高质量发展”背景下四川省马拉松赛事与全民健身耦合发展研究

该文运用文献资料法、数理统计法、比较分析法等研究方法,在"高质量发展"背景下,对四川省马拉松赛事、全民健身分别进行分析,再对二者的耦合现象进行分析研究。结论:四川省赛事举办城市较少,各城市之间马拉松发展不平衡、不充分;四川省体育设施与场地建设存在很大差距,且存在着严重分布不均的情况。建议:马拉松赛事与全民健身有着相互的作用、相互影响的关系;四川省马拉松赛事、全民健身都应从快速发展向高质量发展转变。

基于轻量化EfficientNet的小目标裂缝检测算法

现有目标检测算法在小目标检测中存在可利用特征少、有效特征提取困难、易受环境干扰等问题.基于此,提出一种高效的主干特征提取网络EfficientNet来进行目标检测,在检测模型中融合注意力机制,以增强对小目标的识别能力.将提出的模型应用到细微裂缝检测中,从增强小目标识别、减少模型参数、提高网络检测速度三方面进行改进,研究结果表明:当输入图像为416×416分辨率时,本文模型的F1值相比于主流检测模型至少有3%的提升,模型的参数量与主流检测器相比减少了80%~85%,检测速率可达到每秒帧数(Frame Per Second,FPS)102帧/s.

面向低质量裂缝图像的多知识蒸馏分类

裂缝受损程度分类是混凝土安全检测中重要的环节之一,在真实场景下,由于裂缝图像分辨率的降低和模糊噪声的增多,导致现有的分类方法难以识别低质量裂缝图像的受损程度。提出一种面向低质量裂缝图像的多知识蒸馏分类方法,基于退化重建网络的教师模型通过模拟高分辨率裂缝图像的退化和重建过程,缓解与学生模型之间的域差异,利用高质量模型引导的学生模型从具有高分辨率信息的教师模型中学习类别知识和重建知识。通过将教师模型的类别知识迁移到学生模型中,使教师模型的重建网络监督学生模型生成更有利于分类的超分辨率图像,确保图像恢复和图像分类之间的动态交互。经过教师模型的重建知识和类别知识的多重知识引导,使缺乏高分辨率信息的学生模型能有效识别低质量裂缝图像的受损程度。实验结果表明,与单一知识蒸馏的方法相比,该方法在最低分辨率的情况下,在裂缝数据集上的分类准确率提高了4.02个百分点,能有效提高低质量裂缝图像受损程度的分类准确率。