摘要：随着深度学习技术在工业领域的大量部署,应用于运输、装卸、包装、分拣等环节的自动化系统成为仓储物流行业的研究热点。针对机器人箱体拆垛场景提出一个点云中心预测-聚类网络(center prediction-clustering network,CPCN),对箱体垛进行实例分割,并计算每个箱体的上表面中心坐标。CPCN在传统的语义-实例联合分割结构的基础上,为实例分割分支设计了中心预测模块和中心强化模块。中心预测模块帮助定位实例中心以避免中心点分割错误,中心强化模块令属于同一实例的点在特征空间中向中心聚集,二者有效增强了实例特征的辨识能力。在实例特征处理部分设计的中心-实例聚类方法直接对实例特征进行距离度量来计算实例标签,大幅减少了计算时间。在箱体数据集上进行的实验表明,与现有方法相比CPCN在实例分割任务中的平均精确率最低提高了0.7个百分点,最高提高了17.2个百分点,预测实例中心的准确率达到94.4%,中心偏移量低至13.70 mm,且推理速度快于同类型的联合分割网络,对于箱体拆垛任务更有针对性,具有良好的应用价值。

摘要：列车前方铁路轨道区域的检测是列车主动防撞技术的关键环节,现有的铁路区域分割方法多用于简单情景下的轨道检测,难以应对实际运行中的铁路道岔等复杂场景。该文提出了一种面向铁路道岔情景下的列车轨道区域检测方法,解决了现有技术在铁路道岔下难以检测列车实际运行区域的问题。首先,设计了一种基于信息融合的铁路轨道区域分割模型,针对铁路左右钢轨之间难以匹配的问题,对铁路区域和钢轨进行分割并利用其分割结果进行钢轨匹配。其次,设计了一种基于反向透视变换的铁路区域重建方法,通过保留钢轨的关键点来重建铁路区域,同时使用基于分组卷积的铁路道岔分类模型对道岔方向进行识别。实验结果表明,提出的方法在复杂环境下可达到较高的精度,像素准确率可达98.67%,平均交并比可达98.12%,具有在列车上应用的潜力。

摘要：现有高效识别异常引用的算法存在无法充分利用已知的标签信息或伪标签导致训练过程恶化等问题。为此提出一种融合深度强化学习和图神经网络技术的异常检测方法RACD。异常检测智能体可有效提取作者节点的异常引用特征;异常感知环境建模驱动智能体充分学习已标注数据中的异常特点,发现未标注数据中的潜在异常。通过智能体与环境的不断交互,获得最优的引用异常检测策略。在真实数据集上进行实验,其结果表明,该方法可有效检测异常学术引用。

摘要：针对目前中文垃圾邮件识别方法中的深度学习检测方法词向量表示不足和特征提取丰富度欠缺的问题,提出融合ERNIE3.0预训练模型的胶囊神经网络改进识别模型——ERNIE3.0-CapsNet.对于中文垃圾邮件内容文本,利用ERNIE3.0生成对于知识具备优异记忆和推理能力且语义丰富的词向量矩阵,再使用胶囊神经网络进行特征提取及分类,对于胶囊神经网络,改进了结构并使用GELU作为其动态路由的激活函数,设计了5组同类模型和4组激活函数的对比实验.在开源的TREC06C中文邮件数据集上,提出的ERNIE3.0-CapsNet模型效果在总体上表现突出,其准确率达到99.45%.实验结果表明,ERNIE3.0-CapsNet优于ERNIE3.0-TextCNN,ERNIE3.0-RNN等方法,证明了该模型在中文垃圾邮件识别效果的有效性和优异性.

摘要：公交客流预测是公共交通规划和管理中的重要问题。虽然时空图卷积在地铁客流预测任务中获得了很好的预测效果,但是面对公交更复杂的线路、大规模的节点数据,现有的基于图卷积的空间建模方法将带来巨大的空间内存消耗。同时,公交客流量短时间范围内更可能受到瞬时交通状况的影响。为了解决这些挑战,提出了一种多尺度融合和动态自适应图的公交客流预测模型(MFDAG)。该模型融合客流、时刻和周信息以增加数据的特征维度,用动态自适应图的方法来学习不同站点之间的关系。进一步提出了一种多尺度融合传播的方法来表示复杂的空间依赖关系,同时设计了一种多尺度卷积传播的方法来学习不同尺度的时间依赖关系。在两个真实的客流数据集上进行了实验,并与其他交通预测方法进行了比较。实验结果表明,所提出的多尺度融合和动态自适应图的公交客流预测方法具有更高的预测准确度。

摘要：可见水印是一种常用的数字图像版权保护手段。分析可见水印去除结果可以验证图像上水印的有效性,并为水印设计者提供设计或添加水印的参考和启发。目前,大多数的水印去除方法都是基于自然图像的研究,而文档图像在生活中也被广泛使用,但由于缺乏公开的文档图像去水印数据集,相关文档图像的水印去除研究较少。为了探究水印去除方法在文档图像上的水印去除效果,构建了一个文档图像水印去除数据集(SDIWRD)。在对文档图像可见水印去除的研究中发现,使用已有的水印去除方法得到的水印去除结果中容易留下水印主体伪影或者轮廓伪影。为了解决这个问题,提出了一种基于全局与局部特征的二阶段文档图像可见水印去除模型(RWRNet),该模型采用由粗到细的二阶段的半实例归一化编解码器架构。在粗略阶段,使用全局与局部特征提取模块增强对全局空间特征的捕捉能力,同时保留对局部细节信息的提取能力,从而帮助进行水印去除;在细化阶段,细化网络共享粗略阶段权重,并构建循环特征融合模块来充分挖掘粗略阶段编解码器的重要特征,为细化阶段提供丰富的上下文信息,帮助进行细致的水印去除。此外,还结合了结构相似性损失来帮助获取更好的视觉质量。所提方法在SDIWRD数据集上进行了实验,实验结果显示PSNR达到了41.21 dB,SSIM达到了99.07%,RMSE降低至3.64,优于现有水印去除方法。另外也在公开的CLWD彩色水印去除数据集进行了实验,实验结果显示PNSR达到了39.31dB,SSIM达到98.81%,RMSE降低至3.50,也优于现有水印去除方法。实验结果证明了所提方法具有良好的泛化性和去水印的能力,能有效减轻水印伪影。最后还提出了一些防止水印去除的建议,在相关网站1)可公开访问所提出的方法和数据集。

摘要：针对自动国际疾病分类(ICD)编码中医学电子健康记录(EHR)的结构多样性以及编码间复杂的关联关系等特点,提出一种融合异构信息的自动ICD编码方法AIC-HI(Automatic ICD Coding integrating Heterogeneous Information)。首先,针对编码任务中结构化编码、半结构化描述、非结构化医学文本这3种异构数据的不同特性设计了多种特征提取器;其次,构建编码知识图谱拟合编码的层次结构关系,将不同分支间关联关系转化为包含头尾编码的三元组;再次,运用表征学习融合编码和描述信息计算标签特征;最后,通过注意力机制提取在非结构化文档中与编码标签最为相关的特征表示。实验结果表明,与次优的基线模型MARN(Multitask bAlanced and Recalibrated Network)相比,AIC-HI在真实临床数据集MIMIC-Ⅲ上所有编码的微观F1值提升了4.3个百分点。

摘要：针对实验环境搭建复杂、实验数据量大以及算法实现难度高等人工智能实验教学中的现实问题,设计并实现了基于Serverless架构的人工智能实验平台。通过整合容器构建、工作负载管理以及事件触发这三者来完成Serverless架构的设计与搭建;平台使用Docker image作为实验容器镜像,镜像中集成scikit-learn算法库与大量公用数据集完成海量人工智能基础算法的迁移;实验教学管理员以提交实验代码包的形式新增实验,学生可以使用实验容器中大量公用算法完成实验,提高了平台的可扩展性和易用性;同时,平台基于Serverless架构实现实验容器的动态扩缩容,增加了平台的多用户并发能力。

摘要：检测输电线路缺陷并及时维修可以确保电网的安全稳定,具有重大的实际意义。但输电线路图像背景复杂、元件尺寸小,导致现有的目标检测模型不能取得很好的效果,因此文中提出了基于双分支串行混合注意力的输电线路缺陷检测深度神经网络模型。该模型设计了DBSA(Dual-branch Serial Attention)双分支串行混合注意力,从而将更多的权重放在缺陷上,并提出了WCFPN(Well-connected Feature Pyramid Network)特征金字塔,让经DBSA提取的特征充分融合,从而增强模型检测小目标的能力。DBSA将特征图沿高度和宽度两个分支压缩并用一维卷积提取注意力,WCFPN设计了一种包含跨尺度融合和跳层连接的新型融合路径,让经DBSA提取的高层语义信息和低层空间信息进行更充分的交互。最后在绝缘子自爆、防振锤损坏、鸟巢异物、水泥杆破损和输电线路缺陷5个数据集上进行实验,结果显示所提模型取得了最佳的检测效果,在5个数据集上的平均AP50和AP分别为84.3%和46.1%,相比目前最先进的模型YOLOv7分别提升了3.7%和3%。

摘要：[目的]围绕打击链的时敏性、重构性和覆盖性等,建模分析其核心逻辑,为提升对抗条件下的海战场作战资源动态管理能力提供模型方法支撑。[方法]首先,将海战场跨域协同作战相关的驱护舰艇、无人机、无人艇等典型的作战平台和要素抽象为探测、处理、决策、打击这4类资源节点,采用有向网络对打击链过程进行建模描述;然后,以最短时延为目标,考虑海战场作战空间广、节点间传输速率低、通信距离受限等约束,建立打击链动态集成优化数学模型,设计防空典型场景,演示打击链的最短时延分析,以及在节点缺失或被袭击时的抗毁重构分析,并定量描述在对抗条件下重组后打击链的最短时延、覆盖扇面指标变化情况;最后,针对乌克兰无人机集群袭击黑海舰队的典型战例,基于打击链模型分析黑海舰队抵抗乌克兰无人机集群袭击的能力。[结果]仿真结果表明,基于模型可生成多条时延最短的打击链,优化每条打击链的责任区域划分,从而形成针对多目标的海上杀伤网;打击链的抗毁重构往往需要付出时延增加、覆盖扇面减小等代价;也可以用于测试不同阵型下的抗饱和攻击能力等。[结论]所做研究验证了采用基于打击链模型分析海战体系的可行性,能够为后续面向杀伤网的未来海上联合作战体系设计等提供理论模型支撑。