研发的不确定性与研发人员激励契约的设计研究

研发人员的激励是企业不断创新、保持竞争优势的关键。从研发活动高度不确定性的特点出发,认为研发活动的不确定性主要是源于环境的不确定性和技术的不确定性,通过建立相应多任务代理模型,研究了研发活动中这两种不确定性对研发人员行为和最优契约的影响,并在此基础上对研发人员激励契约的设计提出了相关建议。

多任务委托代理模型下企业积极环境行为的研究

本文借助多任务委托代理模型,将企业积极环境行为的内外部影响因素纳入其中,推导出政府为代表的委托人与代理人企业之间的激励机制。通过模型结论,进一步提炼出企业积极环境行为及其影响因素的关系,构建本文中企业积极环境行为影响因素的作用路径,从而为政府政策制定提供理论依据。

环境辅助的多任务混合声音事件检测方法

在混合声音事件检测任务中,不同事件的声音信号相互混杂,从混合语音信号中提取的全局特征无法很好地表达每种单独的事件,导致当声音事件数量增加或者环境变化时,声音事件检测性能急剧下降。目前已存在的方法尚未考虑环境变化对检测性能的影响。鉴于此,文中提出了一种基于多任务学习的环境辅助的声音事件检测模型(Environment-Assisted Multi-Task,EAMT),该模型主要包含场景分类器和事件检测器两大核心部分,其中场景分类器用于学习环境上下文特征,该特征作为事件检测的额外信息与声音事件特征融合,并通过多任务学习方式来辅助声音事件检测,以此提高模型对环境变化的鲁棒性及多目标事件检测的性能。基于声音事件检测领域的主流公开数据集Freesound以及通用性能评估指标F1分数,将所提模型与基准模型(Deep Neural Network,DNN)及主流模型(Convolutional Recurrent Neural Network,CRNN)进行对比,共设置了3组对比实验。实验结果表明:1)相比单一任务的模型,基于多任务学习的EAMT模型的场景分类效果和事件检测性能均有所提升,且环境上下文特征的引入进一步提升了声音事件检测的性能;2)EAMT模型对环境变化具有更强的鲁棒性,在环境发生变化时,EAMT模型事件检测的F1分数高出其他模型2%~5%;3)在目标声音事件数量增加时,相比其他模型,EAMT模型的表现依旧突出,在F1指标上取得了2%~10%的提升。

基于状态机与线程级多任务并行模型的数据采集传输调度设计

为解决水质污染物数据采集传输系统中多任务事件响应及数据传输不稳定问题,将数据采集传输功能分为若干子任务模块,引入状态机理论作为多任务调度研究理论基础,设计线程级多任务并行模型作为调度研究支持,由状态机维护多任务、多线程数据请求,基于实际数据采集过程中建立采集传输事件与控制任务的关联关系,实现对采集传输事件的快速响应。采用基于线程级多任务并行模型调度方法实现自检、告警、配置和通信等功能,利用互斥锁达到通道隔离目的,提高系统的抗干扰性。最后对采集传输系统进行实地污染物数据采集监测实验。实验表明:基于状态机与线程级多任务并行模型的调度方法可以有效稳定地完成数据的采集和传输。

基于多任务神经网络的智能网联汽车环境自动感知研究

为提高智能网联汽车的驾驶体验感,基于卷积神经网络原理,在卷积神经网络底层插入双线性插值层,改进卷积神经网络池化层,构建智能网联汽车环境自动感知多任务神经网络。通过多任务神经网络编码器提取采集的汽车环境图像特征,作为语义分割与目标检测解码器的输入,执行多任务神经网络训练操作,采用训练好的神经网络输出智能网联汽车环境自动感知结果。在不同道路环境、光线强度及噪声强度下验证基于多任务网络的智能网联汽车环境自动感知性能。结果表明:该方法在不同道路环境下可实现智能网联汽车环境自动感知,不同光线条件下的目标检测效果较好,网络实用性与语义分割精度较高,能够满足实际智能网联汽车环境自动感知需求。

基于YOLOv5s和注意力机制的车辆检测改进算法

文中针对道路光线条件复杂、被遮挡目标物体特征不完整等问题,以YOLOv5s为车辆检测的基础模型,提出了一种融合FunelCBAM注意力机制的检测模型FCBAMYOLOv5s。针对交通场景中车辆检测种类多、多尺度目标混杂、小目标易漏检等问题,文中还提出了一种融合加权双向跨尺度特征金字塔BiFPN与KLLoss损失函数的车辆检测方法。该方法可融合多尺度图像问题的特征,提高检测图像的鲁棒性,强化了网络对小物体的检测性能;然后在检测损失函数中融合KLLoss,有效提高了模型的检测精度。实验结果表明,该方法的精度与实时性符合实际应用。

基于环视相机的无人驾驶汽车实例分割方法

针对环视鱼眼图像中目标几何畸变大导致建模难的问题,提出一种基于可变形卷积网络的实例分割方法,主要是在Mask R-CNN框架的基础上引入可变形卷积和可变形RoI Pooling(候选区域池化)来提升网络对几何畸变的建模能力.针对深度神经网络训练数据缺乏、易过拟合的问题,提出了基于多任务学习的训练方法.首先将现有的大规模普通图像数据集转换为鱼眼数据集来弥补训练数据不足的问题,然后采用多任务学习的训练方法将转换的图像和真实图像放在同一个框架中训练以提高网络的泛化能力.用该方法在真实的环视鱼眼图像上做测试,结果表明:相对于原始Mask R-CNN的方法平均精度提升了3.1%,证明了该方法在真实交通环境中的有效性.