任意偏移矢量分布的N维CMAC映射算法及其应用

给出任意偏移矢量分布的Ｎ维ＣＭＡＣ映射算法，并将其成功地应用于Ｐａｒｋｓ和Ｍｉｌｉｔｚｅｒ给出的改进的偏移矢量分布的多变量ＣＭＡＣ，进而获得高效的Ｎ维ＣＭＡＣ算法．

CMAC最优设计及其算法——GA技术优化CMAC偏移矢量分布

采用ＧＡ（ＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍ）技术实现ＣＭＡＣ（ＣｅｒｅｂｅｌａｒＭｏｄｅｌＡｒｔｉｃｕｌａｔｉｏｎＣｏｎｔｒｏｌｅｒ）最优设计及算法．该方法解决了ＣＭＡＣ与其学习对象的整体优化问题，具有理论意义和实用价值．仿真结果证明该方法是成功的和有效的．对不同的客观对象（如空间曲面），可以采用ＧＡ技术找到ＣＭＡＣ的最优内部表示（偏移矢量分布），实现一般ＣＭＡＣ难以达到的精度．该方法比Ａｌｂｕｓ的ＣＭＡＣ和Ｐａｒｋｓ等的ＣＭＡＣ学习效果都有不同程度的提高，适合于要求高精度学习的情况．同时给出了任意偏移矢量分布的ＣＭＡＣ算法．

面向开集识别的稳健测试时适应方法

开集识别旨在研究测试阶段突现未见类别对于机器学习模型的挑战,以期学习模型既能分类已见类别又可识别/拒绝未见类别,是确保机器学习模型能够在开放世界中高效稳健部署的重要技术.既有开集识别技术通常假设已见类别的协变量分布在训练与测试阶段维持不变.然而在实际场景中,类别的协变量分布常不断变化.直接利用既有技术不再奏效,其性能甚至劣于基线方案.因此,亟需研究新型开集识别方法,使其能不断适应协变量分布偏移,以期模型在测试阶段既能稳健分类已见类别又可识别未见类别.将此新问题设置命名为开放世界适应问题(AOW),并提出了一种开放测试时适应方法(OTA).该方法基于无标注测试数据优化自适应熵损失与开集熵损失更新模型,维持对已见类的既有判别能力,同时增强了识别未见类的能力.大量实验分析表明,该方法在多组基准数据集、多组不同协变量偏移程度下均稳健地优于现有先进的开集识别方法.

基于Wi-Fi CSI的无监督域自适应伪装步态识别

步态识别作为一种非侵入性的人体生物识别技术,因其无须用户主动配合的特点,被广泛应用于安防和智能家居等领域。然而,现实中步态识别系统面临的一个重大挑战是伪装效应。当受试者改变着装或携带物品时,步态数据的可靠性往往受到影响,从而使步态识别变得困难。为解决这一问题,该文提出一种基于Wi-Fi CSI的无监督伪装步态识别方法。该方法引入一种新的数据度量策略,通过预训练来获取伪装步态数据的伪标签,并利用匹配滤波技术生成高质量的标记训练数据对。最终,通过无监督学习实现数据分布对齐,克服伪装步态数据的分布偏移问题。实验结果表明,该文的方法在伪装步态识别方面显著优于现有最先进的步态识别技术。

基于表征学习的离线强化学习方法研究综述

强化学习(Reinforcement learning,RL)通过智能体与环境在线交互来学习最优策略,近年来已成为解决复杂环境下感知决策问题的重要手段.然而,在线收集数据的方式可能会引发安全、时间或成本等问题,极大限制了强化学习在实际中的应用.与此同时,原始数据的维度高且结构复杂,解决复杂高维数据输入问题也是强化学习面临的一大挑战.幸运的是,基于表征学习的离线强化学习能够仅从历史经验数据中学习策略,而无需与环境产生交互.它利用表征学习技术将离线数据集中的特征表示为低维向量,然后利用这些向量来训练离线强化学习模型.这种数据驱动的方式为实现通用人工智能提供了新契机.为此,对近期基于表征学习的离线强化学习方法进行全面综述.首先给出离线强化学习的形式化描述,然后从方法、基准数据集、离线策略评估与超参数选择3个层面对现有技术进行归纳整理,进一步介绍离线强化学习在工业、推荐系统、智能驾驶等领域中的研究动态.最后,对全文进行总结,并探讨基于表征学习的离线强化学习未来所面临的关键挑战与发展趋势,以期为后续的研究提供有益参考.

基于改进YOLOv7-tiny的番茄叶片病虫害检测方法

为解决自然环境中番茄叶片病虫害检测场景复杂、检测精度较低,计算复杂度高等问题,该研究提出一种SLPYOLOv7-tiny的深度学习算法。首先,将主干特征提取网络中部分3×3的卷积Conv2D(2D convolution)改为分布偏移卷积DSConv2D(2D Depthwise Separable Convolution),以减少网络的计算量,并且使计算速度更快,占用内存更少;其次,将无参数注意力机制(parameter-free attention module,SimAM)融合到骨干特征提取网络中,加强模型对病虫害特征的有效提取能力和特征整合能力;最后,将原始YOLOv7-tiny的CIOU损失函数,更替为Focal-EIOU损失函数,加快模型收敛并降低损失值。试验结果表明,SLP-YOLOv7-tiny模型整体识别精准度、召回率、平均精度均值mAP_(0.5)(IOU阈值为0.5时的平均精度)、mAP_(0.5~0.95)(IOU阈值从0.5到0.95之间的平均精度)分别为95.9%、94.6%、98.0%、91.4%,与改进前YOLOv7-tiny相比,分别提升14.7、29.2、20.2、30个百分点,同时,计算量降低了62.6%。与YOLOv5n、YOLOv5s、YOLOv5m、YOLOv7、YOLOv7-tiny、Faster-RCNN、SSD目标检测模型相比,mAP_(0.5)分别提升了2.0、1.6、2.0、2.2、20.2、6.1和5.3个百分点,而计算量大小仅为YOLOv5s、YOLOv5m、YOLOv7、Faster-RCNN、SSD的31.5%、10.6%、4.9%、4.3%、3.8%。结果表明SLP-YOLOv7-tiny可以准确快速地实现番茄叶片病虫害的检测,且模型较小,可为番茄叶片病虫害的快速精准检测的发展提供一定的技术支持。

基于DSCI-YOLOv8的纺织品材质分类方法

为了实现工厂的无人化生产,需要高效地对纺织品进行分类。针对传统纺织品生产厂的人工分类方法存在着效率低下、难以满足大规模生产需求的问题。将人工智能和计算机视觉先进技术应用到纺织品材质分类中,提出了一种基于DSCI-YOLOv8的纺织材质分类算法。在YOLOv8模型原有分类网络的基础上添加坐标信息注意力模块,增强模型对不同尺度纺织品材质特征的提取能力,提高了网络分类的准确率,同时减少了计算所需的一部分计算量和参数量;其次将分布偏移卷积加入到C2f网络模块,改进了分类神经部分的网络结构,从而存储器的使用得到降低,计算速度也得到提高。实验结果表明,在自制的纺织品材质分类数据集FMCD上进行测试,改进后的模型相较于YOLOv8模型准确率提高了2.09个百分点,每秒处理图片数提高13.5%。大幅减少计算成本的同时,有效提高了纺织品材质分类的精度和速度。可以满足纺织工业对产品类别分类和质量的检测需求。

考虑数据分布偏移的短期居民净负荷预测方法

新能源发电的高不确定性导致净负荷的数据分布偏移更加严重。数据分布偏移导致模型在历史数据中学习到的特征信息不再完全适用于未来数据,从而给净负荷预测(net load forecasting,NLF)带来了挑战。因此,考虑到净负荷中更严重的数据分布偏移问题,提出了一种基于不变风险最小化-不确定性加权-长短期记忆神经网络(long short-term memory neural network,LSTM)的短期居民净负荷预测方法,以提升净负荷预测精度。首先,通过不变风险最小化(invariant risk minimization,IRM)建立了一个双目标问题,包括准确预测和学习跨不同数据分布的不变特征。其次,通过长短期记忆神经网络(long short-term memory neural network,LSTM)处理时间序列数据的非线性特征。然后,通过基于不确定性加权(uncertainty weighting,UW)的目标平衡机制避免过度实现任一目标。此外,通过引入分位数回归将所提方法扩展到概率预测。最后,通过基于澳大利亚Ausgrid公司提供的真实居民电表数据从确定性预测结果、概率预测结果、不同数据分布偏移程度和不同光伏渗透率等多个维度验证了所提方法的有效性。

改进的基于对极几何的DMVC空间边信息重建

分布式多视点视频系统中,边信息分为时间边信息和空间边信息,其中,基于对极几何的空间边信息生成算法是目前最有效的方法之一。在基于对极几何的边信息估计过程中,为了更准确快速地确定对极线上的搜索起点,论文通过统计分析相邻视点同一时刻帧内特征点偏移的局部集中性,提出了一种基于空间特征点分布特性的搜索起点确定算法。首先对关键帧图像进行分块,计算每个分块的特征点偏移均值;然后基于空间坐标点深度时域局部连续性,针对当前WZ帧分块,直接利用处于相同位置的关键帧分块的平均偏移值计算初始偏移中心,最后实现空间边信息的重建。实验结果表明,在不增加计算复杂度的前提下,相对于基于中值预测投影点的算法系统总体性能约有0.25～0.8dB的提升。

一种通过重建图像压缩率控制量化粒度的方法

为了适应传输通道不同的带宽限制,目前各种图像编码算法通过调整量化参数QP的值来控制量化粒度;但是压缩算法的输出码率与量化参数QP值并没有显式的关系。造成QP值的选取很难与带宽约束相匹配。提出一种依据输出码率来控制量化粒度的方法 QCR,可使压缩算法的输出码率尽可能贴近带宽约束。因为量化参数QP要映射成量化阶距Qstep,首先确定压缩算法的量化阶距Qstep与输出码率的关系,然后通过逆向插值确定64个给定的输出码率所对应的量化阶距Qstep,并根据这64个给定的输出码率修改相应的量化表和反量化表,从而建立了利用输出码率控制量化粒度的方法。实验部分采用AVS压缩算法,同样也适用于AVS2。由于AVS的量化表中含有整数DCT变换的小数部分,因此QCR方法用于调整H.264/H.265的量化表和反量化表时,必须与AVS的整数DCT变换有所不同。实验表明通过重建图像压缩率控制量化粒度的QCR解决方案是有效可行的。

广义行为正则化离线Actor-Critic

行为正则化Actor-Critic(BRAC)是一种离线强化学习算法,通过将当前策略与行为策略之间的Kullback-Leibler(KL)散度作为策略目标函数的正则化项来缓解分布偏移问题.但是,由于KL散度是一种无界的分布差异度量,在策略差异过大时,策略目标函数中的累积期望回报项将仅对策略改进发挥有限的作用,从而导致最终学到的策略性能较差.针对该问题,将当前策略与行为策略之间的斜对称Jensen-Shannon(JS)散度作为策略目标函数的正则化项,提出了一种广义行为正则化离线Actor-Critic(GOACBR)算法.理论分析表明:由于斜对称JS散度有界,将其作为正则化项有助于降低策略性能差异.进一步,针对行为策略未知导致难以直接计算当前策略和行为策略间斜对称JS散度的问题,设计了一个辅助网络来对其进行间接估计.最后,给出了GOACBR的收敛性理论证明.在D4RL基准数据集上的评估结果表明:相较于BRAC,GOACBR在所有测试任务上获得的平均累积回报总和提升了289.8%.相关代码公布在https://github.com/houge1996/GOAC.

基于大气校正提升亚米级卫星影像质量

大气对太阳辐射的吸收和散射会导致卫星影像的亮度和对比度降低,大气能见度越低、卫星空间分辨率越高,这种现象越明显,以至于低能见度条件下的亚米级空间分辨率光学卫星影像看起来非常模糊。基于辐射传输方程开发的自适应大气校正算法充分考虑了大气和目标物周围环境对卫星入瞳处目标辐亮度的影响,定量化描述了目标物周围像元的反射率与目标像元的反射率差异对邻近效应的影响。利用自适应大气校正算法对低大气能见度条件下的亚米级空间分辨率卫星影像进行大气校正,并且将其与常规图像处理结果进行对比。结果表明,利用自适应大气校正算法校正后的卫星影像质量得到了明显改善(清晰度提高了4.5275倍,对比度提高了44.61%,信息熵值提高了64.22%)。相对于常规图像处理方法在提升卫星图像质量时会带来噪声和过度增强的问题,自适应大气校正算法在提升卫星图像质量时不会带来噪声和过度增强问题。