基于不确定度的多智能体信用分配方法

近年来,部分可观测条件下多智能体协同受到广泛关注。中心化训练分布式执行作为处理这类任务的通用范式面临信用分配这一核心问题。值分解是该范式中的代表性方法,通过混合网络将联合状态动作值函数分解为多个局部观察动作值函数以实现信用分配,在很多问题中表现很好。然而这些方法维持对混合网络参数的单一点估计,因缺乏不确定度表示而难以有效应对环境中的随机因素导致只能收敛到次优策略。为缓解这一问题,对混合网络进行贝叶斯分析,提出一种基于不确定度的多智能体信用分配方法,通过显式地量化参数的不确定度来指导信用分配。考虑到智能体之间复杂的交互,利用贝叶斯超网络隐式地建模参数任意复杂的后验分布,以避免先验地指定分布类型而陷于局部最优解。在星际争霸微操环境中的多个地图上与代表性算法的性能进行对比与分析,验证了算法的有效性。

面向Ad-Hoc协作的局部观测重建方法

在多智能体强化学习的研究中,如何进行Ad-Hoc协作,也就是说如何适应种类和数量变化的队友,是一个关键问题。现有方法或者有很强的先验知识假设,或者使用硬编码的规则进行合作,缺乏通用性,无法泛化到更一般的Ad-Hoc协作场景。为解决该问题,提出一种面向Ad-Hoc协作的局部观测重建算法,利用注意力机制和采样网络对局部观测进行重建,使得算法认识到并充分利用不同局面中的高维状态表征,实现了在Ad-Hoc协作场景下的零样本泛化。在星际争霸微操环境和Ad-Hoc协作场景上与代表性算法的性能进行对比与分析,验证了算法的有效性。

兵棋推演的智能决策技术与挑战

近年来,以人机对抗为途径的智能决策技术取得了飞速发展,人工智能(Artificial intelligence, AI)技术AlphaGo、AlphaStar等分别在围棋、星际争霸等游戏环境中战胜了顶尖人类选手.兵棋推演作为一种人机对抗策略验证环境,由于其非对称环境决策、更接近真实环境的随机性与高风险决策等特点,受到智能决策技术研究者的广泛关注.通过梳理兵棋推演与目前主流人机对抗环境(如围棋、德州扑克、星际争霸等)的区别,阐述了兵棋推演智能决策技术的发展现状,分析了当前主流技术的局限与瓶颈,对兵棋推演中的智能决策技术研究进行了思考,期望能对兵棋推演相关问题中的智能决策技术研究带来启发.

基于模型的强化学习中可学习的样本加权机制

基于模型的强化学习方法利用已收集的样本对环境进行建模并使用构建的环境模型生成虚拟样本以辅助训练,因而有望提高样本效率.但由于训练样本不足等问题,构建的环境模型往往是不精确的,其生成的样本也会因携带的预测误差而对训练过程产生干扰.针对这一问题,提出了一种可学习的样本加权机制,通过对生成样本重加权以减少它们对训练过程的负面影响.该影响的量化方法为,先使用待评估样本更新价值和策略网络,再在真实样本上计算更新前后的损失值,使用损失值的变化量来衡量待评估样本对训练过程的影响.实验结果表明,按照该加权机制设计的强化学习算法在多个任务上均优于现有的基于模型和无模型的算法.

智能视频监控技术综述

随着摄像头安装数量的日益增多,以及智慧城市和公共安全需求的日益增长,采用人工的视频监控方式已经远远不能满足需要,因此智能视频监控技术应运而生并迅速成为一个研究热点.智能视频监控技术是一个跨领域的研究方向,它的研究内容丰富,应用领域广泛多样.文中对智能视频监控技术的发展历史、研究现状以及典型算法的现状给了比较全面的综述.首先从底层、中层、高层对智能视频监控技术进行分类,分别对目标检测、目标跟踪、分类识别以及行为分析算法进行归纳总结;然后对典型算法的优缺点进行分析,给出了典型算法在现有研究数据库上的性能对比,并对待解决问题和难点进行了总结;最后对智能视频监控技术在物联网背景下存在的挑战以及未来发展趋势进行了探讨.

图像物体分类与检测算法综述

图像物体分类与检测是计算机视觉研究中的两个重要的基本问题,也是图像分割、物体跟踪、行为分析等其他高层视觉任务的基础.该文从物体分类与检测问题的基本定义出发,首先从实例、类别、语义三个层次对物体分类与检测研究中存在的困难与挑战进行了阐述.接下来,该文以物体检测和分类方面的典型数据库和国际视觉算法竞赛PASCAL VOC竞赛为主线对近年来物体分类与检测的发展脉络进行了梳理与总结,指出表达学习和结构学习在于物体分类与检测中占有重要的地位.最后文中对物体分类与检测的发展方向进行了思考和讨论,探讨了图像物体识别中下一步研究可能的方向.

基于视觉特性和颜色空间的多尺度彩色图像增强算法

本文根据人眼视觉对亮度和颜色不同的敏感特性,按照视觉特性选择了CIE La*b*均匀彩色空间,在此空间中提出了一种基于小波变换的彩色图像增强算法.和目前存在的灰度图像增强算法相比,本文不仅给出了一种自适应动态范围调节算法,同时对图像的饱和度分量也进行处理.实验证明,增强后的彩色图像不仅更加清晰,同时更加生动,鲜艳,达到了预期的目的.

基于人眼视觉特性的多尺度彩色图象增强算法

图象增强技术主要是通过调整图象的参数来改善图象质量,以获得更佳的视觉效果.为了获得色彩更加鲜艳,细节更加清晰的彩色图象,因而根据人眼视觉对亮度和颜色不同的敏感特性,按照视觉心理选择了HSV彩色空间,并在此空间中,提出了一种基于小波变换的彩色图象增强算法.该算法首先进行了自适应亮度动态调节,同时对图象的饱和度分量也进行了处理.实验证明,和目前存在的灰度图象增强算法相比,用该算法增强后的彩色图象不仅更加清晰,同时更加生动,鲜艳,达到了预期的目的.

色彩恒常性在彩色图像增强中的应用

将Retinex算法应用于彩色图像增强中,在分析MSRCR算法构成的基础上,针对灰度假设(GW)带来的问题作出了改进.改进的算法基于图像自身的直方图,对参数进行自适应的选取.实验结果表明,改进后的算法使彩色图像在演色性(Rendering)方面有了较大的提高,更符合人眼视觉系统的感知特性.

视觉认知计算模型综述

视觉认知计算模型作为联系视觉认知和信息计算的有效手段,其研究涉及到认知科学、信息科学等多个交叉学科,具有复杂性和多样性等特点.为能更好地把握其发展规律,文中从视觉计算角度系统总结视觉认知计算模型,以其两个主要来源为主线分别从生物视觉机制和视觉计算理论回顾视觉认知计算模型的发展.根据其研究的特点,对视觉认知计算模型的发展做出一定评述,并指出视觉认知计算模型的发展必将对计算视觉理论和生物视觉机制产生深远影响.

基于视觉特性的多尺度彩色图像增强算法

本文根据人眼对亮度和颜色不同的敏感特性,按照视觉心理特性选择了适当的色度空间,在此空间中提出了一种基于小波变换的彩色图像增强算法。和目前存在的灰度图像增强算法不同,不仅对亮度分量做出了动态范围调节,同时对图像的颜色分量也进行处理。实验证明,增强后的彩色图像不仅更加清晰,更加生动,鲜艳,达到了预期的目标。

视觉图灵:从人机对抗看计算机视觉下一步发展

计算机视觉一直是人工智能研究的热点方向,经过近60年的发展,已经在算法、技术和应用等方面取得了巨大的进步。近十年来,以大数据、大算力为基础的深度学习进一步推动计算机视觉走向大模型时代,但其算法适应能力仍然和人类存在较大差距。本文从视觉任务评估评测(评测数据集、评测指标、评估方式)出发,对计算机视觉的发展进行了总结,对现存的依赖大数据学习的计算机视觉发展问题进行了梳理和分析,从人机对抗智能评测提出了计算机视觉下一步发展方向:视觉图灵。最后对视觉图灵发展方向进行了思考和讨论,探讨了未来研究可能的方向。

视频分析中的深度学习

视频分析是计算机视觉领域中的一项重要研究内容，是视频监控、视频检索、人机交互和增强现实等应用的基础。它借助计算机和视频采集设备，在无需人监督的情况下，自动完成人类视觉的部分功能。例如获取视频场景中人员的方位、行为、身份等信息。对人类视觉皮层机理的研究无疑对视频分析有着重要的借鉴和指导意义。

基于视频的夜间高速公路车辆事件检测

针对高速公路夜间行驶车辆的特点,基于最优化理论提出了一种鲁棒的车辆检测和跟踪算法,对现有的车灯提取算法和轨迹跟踪规则进行了改进,不仅可自动统计和显示车流量,车速等交通信息,并且能对逆行、拥堵、自由流停车等交通车辆事件做出自动判断。实验结果表明,该算法复杂性低,实时性好,在夜间路况较好的条件下车辆检测成功率达95%以上,在拥挤交通条件下,检测正确率在80%左右。

人的视觉行为识别研究回顾、现状及展望

人的行为识别是计算机视觉领域中的重点研究问题之一.相对于静态图像中物体识别研究,行为识别更加关注如何感知感兴趣目标在图像序列中的时空运动变化.视觉行为的存在方式从二维空间到三维时空的扩展大大增加了行为表达及后续识别任务的复杂性,同时也为视觉研究者提供了更广阔的空间以尝试不同的解决思路和技术方法.近年来,人的行为识别相关工作层出不穷,已成为计算机视觉研究中的热点方向.以时间为顺序,对从21世纪初至今约15年中出现的视觉行为识别研究方法进行了梳理、归类和总结.相比其他综述性文章,以不同时期人的行为识别数据库的演化为线索,介绍不同时期行为识别研究所关注的研究重点问题和主要研究思路,能更清晰直观地体现行为识别研究的发展历程.同时,以数据库演化历程为顺序介绍行为识别,能更好地呼应当前视觉领域愈来愈受人关注的大数据驱动的研究思路.通过对相关工作的梳理和总结,还对今后行为识别研究的发展方向做出展望,希望对各位研究者方向把握上提供一些帮助.

监控场景中的行人属性识别研究综述

监控场景中的行人属性识别任务旨在为监控场景中视频摄像头捕捉的行人图片预测其属性类别,由于监控场景环境的复杂以及行人属性的细粒度标签,监控场景中的行人属性识别任务极具挑战,受到业界和学界的广泛关注.文中对监控场景中的行人属性识别研究进展进行梳理,首先给出了其概念范畴与任务定义,并与其他相似的属性识别任务进行对比.其次,文中对目前主流的行人属性识别数据库进行了简单介绍,并从图片和标注两个角度分析了不同数据库之间的异同.再次,文中对深度学习时代以来所提出的各种行人属性识别方法进行了归纳和总结,综述了目前行人属性识别领域的研究现状.最后,文中对监控场景中的行人属性识别存在的问题进行了思考和讨论,并对未来的发展趋势进行了展望.

人机对抗中的博弈学习方法

近年来,人机对抗智能技术作为人工智能领域的前沿方向取得了一系列突破性的进展,如AlphaGo和DeepStack分别在围棋和二人无限注德州扑克中击败了人类专业选手.这些突破离不开博弈论和机器学习的深度结合.本文通过梳理当前人机对抗智能技术领域的重要工作,深入分析博弈论和机器学习在其中发挥的作用,总结了面向人机对抗任务的博弈学习研究框架,指出博弈论为人机对抗任务提供博弈模型和定义求解目标,机器学习帮助形成稳定高效可扩展的求解算法.具体地,本文首先介绍了人机对抗中的博弈学习方法的内涵,详细阐述了面向人机对抗任务的博弈学习研究框架,包括博弈模型构建、解概念定义、博弈解计算三个基本步骤,之后利用该框架分析了当前人机对抗智能技术领域的典型进展,最后指出了人机对抗中的博弈学习未来发展可能面临的挑战.本文梳理总结的人机对抗中的博弈学习研究框架为人机对抗智能技术领域的发展提供了方法保障和技术途径,同时也为通用人工智能的发展提供了新思路.

灰色模型在自由曲面检测求最优测点数中的应用

为了提高自由曲面检测的精度和效率,提出了一种快速获得自由曲面最优测点数的启发式算法。首先,基于灰色预测模型能精准预测加工误差动态分布的特点,将满足形位公差的实际检测值的前4个数组构建灰色预测GM(1,1)模型的初始组,得到下一组测点数组的预测形状误差;其次,利用标准偏差的稳定性,设计灰色区间范围和本模型的阈值,来判断检测数组是否为所需最优检测点;最后,将求得的最优测点数与其他数组进行比较,并分析正态性分布。实验证明,该方法能有效获取自由曲面检测的最优测点数,得到目标工件的稳定误差范围,具有预测性强、准确率高、稳定性高的特点。

基于可变性分析的紧致图像表达

图像表达是图像分类中最基本也是最重要的一个环节,当前的图像表达方法为了获得较高的分类性能,通常采用维度极高的特征向量.这给分类器的训练和特征的存储带来了极大的负担.同时,这些方法没有考虑图像的变化给图像表达所带来的影响.为此,针对以上的问题提出了一种对图像的可变性进行建模的方法.该方法首先使用高斯混合模型对底层视觉特征进行建模;再构造图像的充分统计量;最后采用可变性分析对充分统计量进行分解,并结合偏最小二乘回归方法获得紧致的图像表达.在公开的主流图像分类数据库上,该方法在获得更高的分类性能的同时极大地降低了分类器的训练和特征存储的开销.

MPEG-4中的知识产权管理和保护技术

知识产权管理和保护(IPMP)技术是为了管理和保护MPEG-4数字产品的知识产权而发展起来的。论述了IPMP技术的应用前景、框架结构以及IPMP框架在安全传送、版权保护和管理和数字水印上的典型应用。随着MPEG-4标准的推广,对IPMP技术的研究必将更加深入。