基于身份导向自监督表示学习的智能寻人系统

行人重识别(person re-identification, Person Re ID)技术对安全监控和个人跟踪等领域至关重要,但标注数据的稀缺性和高成本限制了其广泛应用。针对这一问题,设计一种基于身份导向自监督表示(Identity-seeking Self-supervised Representation, ISR)学习方法的寻人系统,能够从大规模无标注视频数据中学习并提取人员的特征表示。系统架构分为三个模块:首先,利用YOLOV8模型对视频流中的人物进行检测,并自动裁剪出galley图片;其次,通过ISR学习方法对galley图片进行特征提取,并构建特征数据库;最后,在特征数据库中,检索与查询图片相似的galley图片,并关联到对应的视频帧。实验结果证明,系统搜索准确高效,具有广泛的应用价值和实用潜力。

自监督表示学习算法的电力导线故障识别

随着人工智能技术的发展和进步,我们日常生活的各个方面现在都发生了巨大的变革,尤其是卷积神经网络在输电线路中电力导线故障检测中的应用,极大程度上消除了输电安全隐患,保障了人民生活用电,但是常规卷积神经网络应用于视觉任务需要大量的训练数据,而输电线路中某些故障极为稀缺,收集与标记这些训练数据要消耗巨大的人力、物力。基于此本文提出利用自监督表示学习算法应用于输电线路中电力导线的故障分类识别任务,以缓解数据采集与标注困难的问题。自监督表示学习算法可从未标记样本中进行学习,不需要负采样,有更高的训练效率,在实验中,将自监督表示学习算法与其他基线方法进行比较,其表现优异,在电线损坏分类与识别任务中,能够达到0.87的平均精度,表明了该算法的有效性与实用性。

低资源少样本连续语音识别最新进展

低资源少样本语音识别是目前语音识别行业面临的迫切技术需求。首先,总结了低资源连续语音识别技术的框架技术,重点介绍了低资源语音在特征提取、声学建模和资源扩展等方面的若干关键技术研究进展。其次,在连续语音识别框架技术发展的基础上,重点阐述了生成对抗网络、自监督表示学习、深度强化学习和元学习等高级深度学习技术在解决少样本语音识别方面的最新发展,如FGSM、wav2vec、AMS等代表性方法。在此基础上,分析了目前该技术面临的互补有限、数据和任务不均衡与模型轻量化部署问题。最后,对低资源少样本连续语音识别进行了总结,提出未来少样本训练识别的研究方向可以朝着先验信息引入、假设空间约束条件设定等方向进一步研究。

智能物联网时序数据分析关键技术研究综述

智能物联网是人工智能和物联网的结合,通过人工智能技术处理物联网产生的海量数据,提供智慧化的分析和决策,从而提升数据的实用价值。智能物联网被广泛应用于智慧城市、智慧医疗、智能家居、无人驾驶等多个领域。时间序列数据是智能物联网中最重要的数据类型之一。时序数据泛指一切随时间有序变化的数据集合。智能物联网各种应用场景产生的海量监测数据多以时序数据的形式存在。智能化的时序数据分析技术,包括时间序列分类、聚类和异常检测等,是支撑智能物联网应用的重要基础。本文对智能物联网时序数据分析中重要程度高、需求迫切的关键技术问题进行总结和分析,并进一步探讨未来的研究方向。