摘要：机器人手术系统凭借微创、精细、灵活、无震颤等优势,在多个外科领域不断得到普及应用.然而,现有的机器人手术系统尚未充分发挥人和机器各自的优势,在智能化交互方面的表现有待提高.因此,文中首先从系统科学的角度分析机器人手术系统中交互关系的发展,并从多方面提出当前人机交互的不足.然后,构建面向机器人手术系统的“人-机-环”信息流框架,以机器人辅助乳内动脉获取手术场景为例,梳理“人-机-环”各部分之间的复杂交互.最后,基于“人-机结合”理论,结合构建的“人-机-环”信息流框架,提出以“人机融合智能共进”为目标的新一代机器人手术系统的设计思路,为实现更安全高效的机器人微创外科手术目标提供借鉴.

摘要：随着遥感技术的不断发展,遥感数据呈现出海量增多的趋势,如何提供精准及时的遥感信息推荐服务成为亟待解决的问题。现有的遥感图像推荐算法大多针对用户画像进行设计,忽视了图像内容的语义信息对推荐结果的影响。针对上述问题,提出一种基于内容解译的遥感图像推荐方法。首先,通过基于YOLOv3的目标检测模块对遥感图像进行目标提取;然后,整合关键目标的位置分布向量作为图像内容信息;同时,构建多元素的用户兴趣画像,并根据用户主动搜索历史进行动态调整,以提高推荐结果的个性化程度;最后,将图像内容信息与图像自带属性信息、用户画像模型进行匹配,实现遥感数据的精准智能推荐。在真实订单数据上与较新的仅基于图像属性信息的推荐方法进行对比实验,实验结果表明,所提方法在实验数据上取得的正负样本区分度比考虑用户画像的推荐方法提高了70%;在耗时基本相近的情况下,在使用10%训练数据时,推荐错误率与对比方法相比下降了4.0~5.6个百分点,而在使用100%训练数据时推荐错误率则下降了0.6~1.0个百分点,验证了所提方法的可行性与有效性。

摘要：三维壳单元较二维梁单元能更精细地模拟管片结构受土体作用下的力学行为。为了推广三维壳单元隧道结构计算模型在大直径盾构隧道结构计算中的应用,提出基于壳单元的参数化隧道结构建模方法(Shell element-based Parametric Tunnel Structure Modeling,SPTSM)。SPTSM基于隧道中轴线及截面半径参数,能自动生成由壳单元所组成的隧道模型。在模型中,相邻环之间的壳单元公共边被定义成线性铰,以此模拟管片环缝间的接头刚度;管片纵缝间的接头刚度通过均质圆环法引入折减系数进行替代;壳单元节点被施加荷载压力、地层弹簧及约束支座,以模拟管片结构与围岩之间的力学行为。SPTSM提供了结构自动建模算法和壳单元节点荷载的自动计算算法,并通过调用Karamba3D有限元结构计算内核,实现盾构隧道结构的建模−计算一体化。将SPTSM应用于杭州某大直径盾构隧道工程76 m区间段,对比结构变形的计算和实际检测结果,验证SPTSM的合理性。SPTSM能自动建立精细的三维壳单元盾构隧道结构模型,并同时完成荷载压力、地层弹簧、线性−铰刚度以及约束支座的布置和设定。对比点云扫描的结构位移检测结果和SPTSM计算出的结构变形结果,SPTSM输出的结构变形云图属于合理范围,结合SPTSM输出的内力云图和荷载分布云图,SPTSM可以近似反映隧道结构局部位置的变形或位移趋势。综上,SPTSM可为盾构隧道的智能化结构设计提供有力支撑。

摘要：针对当前PDDL开发存在的编辑复杂和文本可读性差等问题,设计一个图形化PDDL在线编辑工具和相应的编译系统Graph Compiler。Graph Compiler结合领域专用编译技术和ChatGPT模型,实现从自然语言到图形化PDDL的自动化生成。系统支持编译不同版本的PDDL语言,提供相应版本的语法分析,将PDDL规划结果转换为ROS的话题消息,为机器人行动提供具体的动作指令。实验结果表明,Graph Compiler在多届IPC的多版本PDDL测试用例上,编译成功率达到100%;也可以应用在ROS项目中,通过具体的动作序列指导机器人行动。

摘要：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.

摘要：为了更好地建模食物不同内容信息之间的关系,提出一种基于跨模态多视角自监督异构图网络的个性化食物推荐模型.首先,基于用户､食物以及食材,构建异构图;其次,基于信息传递,学习建模信息之间的复杂层级关系;再次,利用食物节点特征､食物食材特征以及食物图像特征,构建跨模态多视角对比自监督学习任务增强食物节点的表示;最后,利用用户表示以及基于注意力模块融合得到的食物综合表示完成食物推荐.在大规模食物推荐数据集上的实验结果表明,该方法比最优的基线方法在AUC,NDCG@10和Recall@10这3个指标上分别提升6.35%,8.13%和11.7%,从而证明了该方法的有效性.

摘要：近年来,不断发射的空基观测台持续传送回海量日面图像及日地间气象数据,为采用人工智能技术对太阳活动进行预报预警提供了数据基础。但是,极端天气爆发少,样本量较少;中等程度爆发稍多,样本量较多;常规无爆发天气常见,样本较为集中,样本不均衡状况严重影响机器学习方法在空间天气领域的广泛应用。本文面向多源多通道多尺度日面图像信息,构建了来自SOHO和SDO的1996-2015年日面活动区图像数据集;针对数据分布的不平衡,对太阳活动区图像作耀斑分级与预报。在对比分析元学习算法的基础上,设计了结合分类头设计和卷积核初始化的生成式模型;在使网络轻量化的基础上,能够将M和X级耀斑预报的检测率指标相较于普通的深度学习模型和无监督度量式模型分别提升10%和7%。

摘要：图像异常检测是计算机视觉领域的一个热门研究课题,其目标是在不使用真实异常样本的情况下,利用现有的正常样本构建模型以检测可能出现的各种异常图像,在工业外观缺陷检测、医学图像分析、高光谱图像处理等领域有较高的研究意义和应用价值.本文首先介绍了异常的定义以及常见的异常类型.然后,本文根据在模型构建过程中有无神经网络的参与,将图像异常检测方法分为基于传统方法和基于深度学习两大类型,并分别对相应的检测方法的设计思路、优点和局限性进行了综述与分析.其次,梳理了图像异常检测任务中面临的主要挑战.最后,对该领域未来可能的研究方向进行了展望.

摘要：一些文献中报道,即使深度网络的权重参数随机赋值,对应的深度网络仍有一定的分类能力.以AlexNet为模式网络,从3个侧面分析探讨了随机深度网络是否具有图像物体分类能力.首先,将AlexNet的权重随机赋值;然后,对多类不同的图像物体刺激下的神经元响应的表达不相似矩阵(RDM)与原AlexNet的RDM进行了相关性分析,发现这2类RDM具有显著相关性;鉴于深度卷积网络每层的卷积操作为加权求和,且根据中心极限定理,大量随机变量的和近似服从正态分布,进一步分别拟合了在同一输入图像下原AlexNet神经元响应的分布和随机AlexNet神经元响应的分布与高斯分布的拟合优度,并对上述2种优度进行了相关性分析.大量模拟实验表明,对于来自真实世界的样本,对应高斯拟合优度呈现显著相关性.最后,直接利用赋以随机权重的AlexNet输出的高层响应进行K近邻分类,发现其分类精度高于直接对原始彩色图像进行K近邻分类的精度.因此,与文献报道相似,实验结果再次表明随机深度网络的确具备一定的物体分类的能力.

摘要：自然场景文本擦除技术可应用在图像通信中的隐私保护、图像编辑等领域,然而现阶段的场景文本擦除在面对背景复杂、文本尺度变化较大的场景图像时,难以提取鲁棒的文本特征,出现文本检测不全、背景修复不完整等问题.针对上述问题,文中提出基于多尺度注意力机制的场景文本擦除框架.该框架主要由背景修复网络和文本检测网络共同组成,它们共享一个主干网络.在背景修复网络中,设计纹理自适应模块,从原始特征的通道和空间两个维度进行特征编码,自适应地集成局部特征与全局特征,有效修复因重构文本区域而导致的阴影部分.在文本检测网络中,设计上下文感知模块,学习图像中文本区域和非文本区域之间的判别关系,有效区分文本区域和非文本区域,提升文本检测的效果.此外,为了增强网络的感受野,改进不同尺度文本的擦除效果,提出多尺度特征损失函数,同时优化背景修复网络和文本检测网络.SCUT-SYN、SCUT-EnsText数据集上的实验表明,文中框架可取得较优的文本擦除性能.