浅析目标检测算法及其在自动驾驶场景中的应用

基于深度学习的目标检测算法在自动驾驶领域的比重日益上升。文章首先介绍了基于深度学习的卷积神经网络和目标检测算法的发展过程,其中简要介绍了几种经典卷积神经网络模型的结构特点;然后详细介绍了以R-CNN系列为代表的基于候选框的two-stage算法和以YOLO系列为代表的基于回归的one-stage算法,简要介绍了这两大类算法各自的结构和优缺点,最后总结了目标检测算法在自动驾驶场景中应用时比较常用的几种优化方法和研究趋势。     

基于双向特征融合的交通标志识别

为了进一步提高交通标志识别的检测精度,文章提出了一种改进的YOLO深度学习网络。其采用双向特征融合网络,引入较少的参数来实现更多的特征融合,并基于中国交通标志数据集计算瞄点框。通过与基准网络进行对比,结果显示,深度学习网络的检测性能更优,从而验证了改进网络的有效性。     

针对铁路信息系统的APT恶意流量预警系统研究

为了更准确和高效地检测针对铁路信息系统的高级持续性威胁（APT,Advanced Persistent Threat）攻击,研究并设计了基于堆叠式长短期记忆（LSTM,Long Short-Term Memory）模型的APT恶意流量预警系统。将UNSW-NB15数据集改造为适用于APT恶意流量预警系统中模型训练的数据集;提出利用APT攻击阶段性的特性进行预警结果再计算的方法,引入置信度的概念,从而更准确地判定流量类型。在Kaggle云平台上对APT恶意流量预警系统进行了实验,其准确率、精确率和召回率等指标均优于其他方法。实验结果表明,所设计的系统具有更好的性能表现,能够有效提高APT恶意流量预警的准确率,降低误报率和漏报率。     

深度迁移学习下的船舶焊接表面缺陷智能检测系统

为提升船舶焊接表面缺陷检测的智能化水平、更好地适应智能制造需求,设计船舶焊接表面缺陷智能检测系统.通过采集船舶焊接表面图像,对图像进行预处理,结合深度迁移学习方法,根据缺陷特征对船舶焊接表面缺陷进行分析,建立检测模型,对图像进行缺陷目标检测,从而得到一种船舶焊接表面缺陷智能检测的高效手段,为船舶制造智能化水平和先进性的...     

车联网环境下连续信号交叉口协同控制模型

智能交通信号控制技术是缓解交通拥堵的重要手段.为解决传统强化学习算法应用到连续多交叉口的局限性问题,提出了1种基于上下层神经网络的连续交叉口交通信号控制模型.控制模型由下层神经网络选择当前状态下可能的最优控制策略,再由上层神经网络根据各路口车均延误进行二次调整,将最终控制策略应用到多交叉口的相位配时中.以典型连续3个交...     

泛在学习视域下高职公共英语翻转课堂教学模式的构建与实践研究

本研究针对高职院校公共英语教学存在的共性问题,通过对泛在学习与翻转课堂的关联性探讨,构建了高职公共英语课程的翻转课堂教学模式,并进行实践研究与教学效果分析。实践表明,在泛在学习环境下,翻转课堂教学模式能弥补公共英语课程因课时减少带来的不足,并能提高高职公共英语课程的教学效果和教学质量。     

大型建设工程项目团队内部个人知识学习策略研究

探讨大型建设工程项目团队内部个人知识学习策略对学习效果的影响,为团队内部学习机制设计和知识管理提供理论支撑及有效指导。基于复杂自适应系统的刺激-反应理论,从大型建设工程项目团队内部个人学习视角,把团队成员个人学习过程内嵌于工程项目团队任务的背景下,构建大型建设工程项目团队内部知识学习多主体仿真模型。通过仿真实验分析发现动态条件下,团队任务绩效、团队知识水平与团队各层级成员的个人学习策略相关,得到大型建设工程项目团队各层级成员个人学习的最优策略,使各层级成员之间形成良性互动,提高团队学习效率。研究结果表明：团队高层成员初期应减少与团队建设任务相关的内部学习,以营造团队宽容的学习氛围为主,随着项目建设任务逐渐完成,高层成员应及时采取均衡学习策略提高自身知识水平,同时示范带动其他成员学习,促进知识在团队内的留存和传播;中层成员应较积极地向高层成员学习并在团队内分享知识;基层成员应从便捷、高效的角度出发,较积极地向其他经验丰富、知识范围广的基层成员和中层成员学习。     

基于深度强化学习的车车通信智能频谱共享

在城市轨道交通列车通信系统中,车车(Train-to-Train,T2T)通信是以列车为中心的新一代列控系统通信模式。与传统的以地面控制设备为中心的车地(Train-to-Ground,T2G)通信模式相比,T2T能降低系统的复杂度以及通信时延,提升列车运行效率。但为保障列车运行的安全性,当前的城市轨道交通列车通信系统中,车车通信与车地通信是并存的。为解决车车通信与车地通信并存场景下,通信链路资源复用引起的干扰问题,论文基于深度强化学习算法,提出了一种智能频谱共享方法。该方法以车车通信链路作为智能体,将频谱共享建模为多智能体深度强化学习(Multi-Agent Deep Reinforcement Learning,MADRL)模型。同时,由于传统深度强化学习对经验池的依赖,为提高经验池的稳定性,引入了能表征智能体行动轨迹的低维指纹信息。在该方法中,多个智能体采用分布式协作的方式与列车所处的通信环境进行交互,以此来迭代优化神经网络参数,使智能体获得的累计奖励不断提升直至收敛。最后,利用训练好的深度强化学习模型,智能体能够联合选择最佳的通信频谱和传输功率。在Python环境下的仿真结果表...     

基于机器视觉和卷积神经网络的轨道表面缺陷检测方法

为提高轨道表面缺陷查准率、召回率和检测效率,采用形态学滤波与概率霍夫变换算法剔除原始图像噪声,实现对轨道表面缺陷的快速准确识别;顺次应用阈值法和离散法得到轨道的真正边缘定位,解决Canny算子在提取轨道边缘时产生大量伪边缘的问题;构建能兼顾召回率和查准率的改进交叉熵损失函数,基于卷积神经网络进行特征提取,建立高效的轨道...