欧美激情视频精品一区二区 ,日韩欧美亚洲国产三级黄色片,亚洲国产日韩欧美在线a乱码日本中文字幕高清

英特爾攜手滴滴出行全方位升級(jí)云計(jì)算和自動(dòng)駕駛服務(wù)

　　近日，英特爾與滴滴出行（以下簡(jiǎn)稱“滴滴”）簽署戰(zhàn)略合作協(xié)議，旨在依托英特爾和滴滴各自的優(yōu)勢(shì)資源，在云計(jì)算和自動(dòng)駕駛兩大領(lǐng)域開展深入合作，并圍繞計(jì)算、存儲(chǔ)平臺(tái)、網(wǎng)絡(luò)和軟件四個(gè)維度進(jìn)行優(yōu)化和探索，從而推動(dòng)技術(shù)進(jìn)步，為生態(tài)發(fā)展和產(chǎn)業(yè)創(chuàng)新注入新動(dòng)力。英特爾公司市場(chǎng)營(yíng)銷集團(tuán)副總裁、中國(guó)區(qū)行業(yè)解決方案部總經(jīng)理梁雅莉，滴滴出行高級(jí)副總裁章文嵩出席本次簽約儀式。

發(fā)表于：12/19/2020

艾邁斯半導(dǎo)體攜手Senova啟動(dòng)COVID-19（SARS-CoV-2）抗體數(shù)字快速檢測(cè)套件生產(chǎn)線

近日，軟銀發(fā)布消息稱，與斯巴魯共同研發(fā)的“世界首個(gè)”5G 自動(dòng)駕駛用例 -- 匝道并入高速公路的測(cè)試成功完成。

發(fā)表于：12/19/2020

2020年要過(guò)去了，這些新技術(shù)帶來(lái)的問(wèn)題還在

　2020 年是 AI 逐漸深入生活，倒逼各行業(yè)數(shù)字化轉(zhuǎn)型的一年。與此同時(shí)，隨著新技術(shù)的產(chǎn)生，也開始帶來(lái)不少麻煩與問(wèn)題。如何正確理解新技術(shù)，并像解題一樣，解決與之相伴的新問(wèn)題，成為一項(xiàng)考驗(yàn)。

發(fā)表于：12/18/2020

基于深度學(xué)習(xí)的魚類識(shí)別與檢測(cè)的算法研究

魚類分類識(shí)別在漁業(yè)資源研究、魚類知識(shí)的科學(xué)推廣、水產(chǎn)養(yǎng)殖加工、稀有物種保護(hù)等領(lǐng)域具有廣泛的應(yīng)用前景。針對(duì)大菱鲆、黃鰭鯛、金錢魚、鯔魚這四種魚類，利用PyTorch框架為基礎(chǔ)，通過(guò)ResNet50網(wǎng)絡(luò)模型，用不同的算法對(duì)其進(jìn)行分類識(shí)別，不斷對(duì)模型進(jìn)行優(yōu)化，對(duì)四種魚類訓(xùn)練學(xué)習(xí)，通過(guò)測(cè)試其準(zhǔn)確率達(dá)到96%以上。同時(shí)用PyQt5開發(fā)了GUI可視化界面，通過(guò)界面圖片的選擇和預(yù)測(cè)功能按鈕的操作，測(cè)試結(jié)果實(shí)際類別與預(yù)測(cè)類別一致，用DSOD框架做了水下目標(biāo)實(shí)時(shí)跟蹤檢測(cè)，提高了對(duì)小目標(biāo)的檢測(cè)率，同時(shí)保持了模型的檢測(cè)速度，檢測(cè)結(jié)果達(dá)到期望。

發(fā)表于：12/17/2020

安全類文章的多文本分類系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)

目前安全類網(wǎng)站信息的分類標(biāo)簽各不相同，沒(méi)有統(tǒng)一分類標(biāo)準(zhǔn)，使安全類網(wǎng)站無(wú)法準(zhǔn)確地向用戶展示特定類別的安全信息。面對(duì)大量的安全類網(wǎng)站的技術(shù)類文章信息，用戶需要花費(fèi)大量的時(shí)間來(lái)識(shí)別文本類別。因此，設(shè)計(jì)一個(gè)多文本分類系統(tǒng)對(duì)于提高安全類網(wǎng)站的用戶體驗(yàn)和使用效率具有重要意義。開發(fā)了一套基于CNN和LSTM混合模型的安全類文章多文本分類系統(tǒng)，本系統(tǒng)采用基于Scrapy框架的網(wǎng)絡(luò)爬蟲，該網(wǎng)絡(luò)爬蟲支持定制化配置提取不同布局的頁(yè)面數(shù)據(jù)，支持?jǐn)?shù)據(jù)持久化存儲(chǔ)。并在 CNN和 LSTM混合模型基礎(chǔ)上設(shè)計(jì)實(shí)現(xiàn)了多文本自動(dòng)標(biāo)注模塊，實(shí)現(xiàn)了網(wǎng)站安全類信息的自動(dòng)分類，相對(duì)傳統(tǒng)的CNN和LSTM模型分類準(zhǔn)確率分別提升1.79%和1.54%，F(xiàn)1值分別提升1.02%和0.32%。

發(fā)表于：12/17/2020

基于Android的PDR改進(jìn)算法研究

基于Android開發(fā)實(shí)現(xiàn)了一款室內(nèi)定位軟件，采用PDR（Pedestrian Dead Reckoning）算法作為室內(nèi)定位算法，利用智能手機(jī)內(nèi)置加速度傳感器、磁場(chǎng)傳感器來(lái)實(shí)現(xiàn)步數(shù)、步長(zhǎng)和航向的檢測(cè)。同時(shí)，在基本的PDR算法的基礎(chǔ)上做了改進(jìn)，即采用卡爾曼濾波平滑處理步長(zhǎng)、粒子濾波優(yōu)化結(jié)果。最后對(duì)改進(jìn)的算法進(jìn)行實(shí)際測(cè)試，直線為主的軌跡中采用直線判定后誤差為0.64 m；曲線為主的軌跡中采用兩種濾波方法優(yōu)化后誤差為1.08 m。

發(fā)表于：12/17/2020

基于深度學(xué)習(xí)的視頻火焰識(shí)別方法

針對(duì)傳統(tǒng)視頻火災(zāi)檢測(cè)方法依靠人工經(jīng)驗(yàn)提取火焰特征，誤報(bào)率高、魯棒性差的特點(diǎn)，提出一種基于深度學(xué)習(xí)的視頻火焰識(shí)別方法。該方法充分利用火焰的運(yùn)動(dòng)特征和顏色信息，先使用改進(jìn)的五幀差法和自適應(yīng)混合高斯建模法進(jìn)行運(yùn)動(dòng)目標(biāo)提取；再采用RGB-HSV混合顏色空間模型篩選出圖像中可能的火焰像素區(qū)域；最后將以上兩個(gè)步驟結(jié)合起來(lái)進(jìn)行疑似火焰區(qū)域提取，并將疑似火焰區(qū)域圖像傳入預(yù)訓(xùn)練的AlexNet卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行火與非火的精確識(shí)別。通過(guò)對(duì)多種場(chǎng)景下火焰視頻的測(cè)試結(jié)果表明，提出的方法具有較高的召回率、準(zhǔn)確率和較低的誤報(bào)率。

發(fā)表于：12/17/2020

基于深度回歸的指針儀表讀數(shù)識(shí)別方法

現(xiàn)有儀表讀數(shù)識(shí)別方法通過(guò)檢測(cè)指針和刻度獲取讀數(shù)，對(duì)輸入的儀表圖像質(zhì)量要求較高，為此提出一種新的基于深度回歸的指針儀表讀數(shù)識(shí)別方法。該方法首先由儀表圖像獲取圖像特征，然后通過(guò)方向回歸模塊預(yù)測(cè)指針?lè)较颍詈蟾鶕?jù)指針角度計(jì)算儀表讀數(shù)。相比于其他方法，該方法采用端到端的回歸方式進(jìn)行直接學(xué)習(xí)，具有更強(qiáng)的識(shí)別能力。在較大規(guī)模變電站儀表圖像數(shù)據(jù)集上，該方法取得了97.2%的讀數(shù)精度，相比于基于Mask R-CNN的儀表讀數(shù)識(shí)別方法提高了7.4%。定性分析和定量分析結(jié)果表明，相比于現(xiàn)有的儀表讀數(shù)識(shí)別方法，該方法對(duì)表盤圖像干擾具有更強(qiáng)的魯棒性。

發(fā)表于：12/17/2020

基于立體視覺的無(wú)人機(jī)動(dòng)態(tài)目標(biāo)實(shí)時(shí)跟蹤

針對(duì)小型四旋翼飛行器的動(dòng)態(tài)目標(biāo)跟蹤問(wèn)題，提出了連續(xù)自適應(yīng)橢圓檢測(cè)(Continuously Adaptive Ellipse Detector，CAED)算法的飛行器目標(biāo)定位以及一種基于立體視覺的跟蹤控制算法。首先，雙目相機(jī)拍攝的圖像通過(guò)CAED算法得到目標(biāo)的像素中心點(diǎn)，利用三角測(cè)量原理，實(shí)現(xiàn)了對(duì)目標(biāo)位置的有效估計(jì)。其次，針對(duì)運(yùn)動(dòng)目標(biāo)跟蹤任務(wù)，設(shè)計(jì)并實(shí)現(xiàn)了兩個(gè)級(jí)聯(lián)串級(jí)PID的四旋翼位置姿態(tài)控制律。最后，在四旋翼上將圖像處理算法與四旋翼控制相結(jié)合，進(jìn)行了測(cè)試實(shí)驗(yàn)，驗(yàn)證了本文所提出的檢測(cè)和控制方法。

發(fā)表于：12/17/2020

基于Anchor-free架構(gòu)的行人檢測(cè)方法

使用無(wú)預(yù)選框(Anchor-free)的檢測(cè)框架，設(shè)計(jì)了一種行人檢測(cè)算法。將深度殘差網(wǎng)絡(luò)(ResNet)作為特征提取網(wǎng)絡(luò)，與特征金字塔網(wǎng)絡(luò)(FPN)結(jié)構(gòu)相結(jié)合，使用了多尺度預(yù)測(cè)的方式進(jìn)行預(yù)測(cè)。把目標(biāo)中心點(diǎn)和尺寸作為一種高級(jí)的語(yǔ)義特征，將含有更多細(xì)節(jié)信息的淺層特征圖和含有更多語(yǔ)義信息的深層特征圖進(jìn)行融合。在Citypersons數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)驗(yàn)證，相較現(xiàn)有行人檢測(cè)算法，提出的算法在輕微遮擋、一般遮擋和嚴(yán)重遮擋情況下漏檢率分別提升了1.11%~3.01%，0.15%~6.55%和0.59%~6.39%，檢測(cè)效果更好。

發(fā)表于：12/17/2020

基于改進(jìn)LeNet-5的形狀類似物體識(shí)別方法

針對(duì)深度學(xué)習(xí)在對(duì)外形類似物體的識(shí)別上存在著識(shí)別精度低、耗時(shí)長(zhǎng)等問(wèn)題，提出基于改進(jìn)的LeNet-5的識(shí)別方法。在傳統(tǒng)LeNet-5網(wǎng)絡(luò)基礎(chǔ)上，將卷積層變?yōu)殡p層非對(duì)稱卷積使網(wǎng)絡(luò)有更好的特征提取能力；通過(guò)批量歸一化提高網(wǎng)絡(luò)泛化能力；采用全局平均池化替代原Flatten層，用于克服傳統(tǒng)全連接層參數(shù)多、耗時(shí)長(zhǎng)的缺點(diǎn)；通過(guò)對(duì)訓(xùn)練集進(jìn)行增廣增加訓(xùn)練樣本。實(shí)驗(yàn)結(jié)果表明，改進(jìn)LeNet-5網(wǎng)絡(luò)的訓(xùn)練精度達(dá)到91%，識(shí)別形狀類似物體的精度為87%，且能在較少迭代次數(shù)內(nèi)收斂，這些指標(biāo)均顯著優(yōu)于原網(wǎng)絡(luò)。

發(fā)表于：12/16/2020

飛機(jī)舵機(jī)電液伺服系統(tǒng)智能PID控制方法研究

針對(duì)飛機(jī)舵機(jī)電液伺服系統(tǒng)中PID控制器參數(shù)難以整定的問(wèn)題，引入一種智能PID控制方法。該方法結(jié)合了粒子群算法和PID控制器的優(yōu)點(diǎn)，并利用蜂群算法的選擇策略對(duì)粒子群算法進(jìn)行優(yōu)化，適應(yīng)了飛機(jī)舵機(jī)電液伺服系統(tǒng)非線性動(dòng)態(tài)控制環(huán)境的要求。實(shí)驗(yàn)結(jié)果表明，飛機(jī)舵機(jī)電液伺服系統(tǒng)智能PID控制方法能夠達(dá)到系統(tǒng)控制性能指標(biāo)要求，相較于傳統(tǒng)PID控制器具有更良好的跟蹤效果。

發(fā)表于：12/16/2020

基于卷積神經(jīng)網(wǎng)絡(luò)的織物瑕疵檢測(cè)方法研究

織物瑕疵檢測(cè)是控制織物產(chǎn)品質(zhì)量的重要步驟，傳統(tǒng)的織物瑕疵檢測(cè)方法檢測(cè)效率低，勞動(dòng)強(qiáng)度大。因此，針對(duì)傳統(tǒng)檢測(cè)方法存在的問(wèn)題，提出一種基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的分類算法用于實(shí)現(xiàn)織物瑕疵檢測(cè)。網(wǎng)絡(luò)是在VGG16的基礎(chǔ)上進(jìn)行減枝，通過(guò)優(yōu)化網(wǎng)絡(luò)參數(shù)實(shí)現(xiàn)最優(yōu)結(jié)果。首先，由于織物瑕疵大小差別較大，提出將瑕疵邊緣作為檢測(cè)的目標(biāo)，這樣就可以將大尺度圖片分割為64×64的小尺度圖片用于網(wǎng)絡(luò)訓(xùn)練，既提高了網(wǎng)絡(luò)的分類準(zhǔn)確率，又解決了織物瑕疵圖像搜集困難的問(wèn)題。其次，在測(cè)試過(guò)程中，提出對(duì)大尺度圖片進(jìn)行有重疊的分割，然后對(duì)分割后的圖片進(jìn)行分類，根據(jù)每張圖片的輸出標(biāo)簽和位置來(lái)實(shí)現(xiàn)大尺度圖片的瑕疵檢測(cè)。實(shí)驗(yàn)結(jié)果表明，本文所提出的網(wǎng)絡(luò)結(jié)構(gòu)相比于傳統(tǒng)的VGG16和LeNet網(wǎng)絡(luò)結(jié)構(gòu), 具有檢測(cè)速度快、檢測(cè)精度高等優(yōu)勢(shì)。

發(fā)表于：12/16/2020

人工智能基礎(chǔ)軟硬件架構(gòu)的關(guān)鍵技術(shù)研究

針對(duì)當(dāng)前人工智能技術(shù)在軍用領(lǐng)域的應(yīng)用問(wèn)題和難點(diǎn)，研究基于深度學(xué)習(xí)技術(shù)的軍用軟硬件架構(gòu)設(shè)計(jì)方法，并且結(jié)合業(yè)內(nèi)主流的軟硬件基礎(chǔ)架構(gòu)，分析在軍事應(yīng)用中涉及的關(guān)鍵技術(shù)和解決思路。通過(guò)對(duì)深度學(xué)習(xí)模型壓縮轉(zhuǎn)化、數(shù)據(jù)增強(qiáng)和分布式訓(xùn)練等軟硬件架構(gòu)的關(guān)鍵技術(shù)研究，設(shè)計(jì)構(gòu)建了一站式人工智能開發(fā)平臺(tái)、嵌入式邊緣智能計(jì)算平臺(tái)，對(duì)軍用人工智能提供端到端的訓(xùn)練、部署和測(cè)試支撐。該研究可為未來(lái)智能無(wú)人作戰(zhàn)系統(tǒng)提供軟硬協(xié)同的智能計(jì)算解決方案。

發(fā)表于：12/16/2020

基于改進(jìn)P-Unet模型的巖屑顆粒識(shí)別

提出了一種基于改進(jìn)P-Unet模型的巖屑顆粒識(shí)別方法。該方法基于Unet模型結(jié)構(gòu)，運(yùn)用金字塔池化模塊聚合不同區(qū)域的上下文特征信息，以充分利用全局信息。改進(jìn)P-Unet模型采用了殘差網(wǎng)絡(luò)ResNeXt101，在提高巖屑顆粒識(shí)別準(zhǔn)確率前提下，減少了超參數(shù)數(shù)量。該模型采用了焦點(diǎn)損失函數(shù)，在一定程度上解決巖屑顆粒類別不平衡的問(wèn)題，同時(shí)運(yùn)用深度可分離卷積代替?zhèn)鹘y(tǒng)卷積，較大程度減少了網(wǎng)絡(luò)的參數(shù)以及預(yù)測(cè)的時(shí)間。實(shí)驗(yàn)結(jié)果表明，改進(jìn)P-Unet模型得到的識(shí)別準(zhǔn)確率對(duì)比同類先進(jìn)算法有一定的提升，對(duì)巖屑顆粒識(shí)別的結(jié)果更加準(zhǔn)確。

發(fā)表于：12/16/2020