室内场景拟人交互研究进展

人类智能是在与环境交互中进化的,因而如何实现智能体与环境的自主交互是推进智能演化的关键。环境自主交互是一项涉及计算机图形学、计算机视觉和机器人等多个学科领域的研究课题,引起广泛的关注和探究,学术界已围绕这一热点研究问题从不同视角和技术维度开展了一系列研究工作。本文着眼于室内场景拟人交互,全面梳理数字人与机器人在室内环境下学习完成特定交互任务过程中需要涉及的仿真交互平台、场景交互数据和交互生成算法 3 方面基本要素的研究进展。在仿真交互环境搭建方面,本文梳理了仿真环境涉及的仿真技术和研究进展,并对代表性的拟人交互仿真平台进行了介绍;在场景交互数据构建方面,本文从场景交互感知数据集、场景交互运动数据集以及交互数据规模的高效扩充 3 方面对国内外研究现状进行了详细介绍;在拟人交互感知与生成方面,本文介绍了以交互为导向的场景可供性分析的相关工作,并以交互生成为线索,分别梳理了数字人—场景交互生成、机器人—场景交互生成的相关工作。基于对国内外相关工作的梳理和讨论,最后从交互仿真、交互数据、交互感知和交互生成 4 个方面,总结了该领域目前仍面临的挑战,并对未来的发展趋势进行了展望。     

多尺度模态感知在文本指代实例分割中的研究与应用

文本指代实例分割(RIS)任务是解析文本描述所指代的实例,并在对应图像中分割出该实例,是计算机视觉与媒体领域中热门的研究课题。当前,大多数RIS方法基于单尺度文本/图像模态信息的融合,以感知指代实例的位置和语义信息。然而,单一尺度模态信息很难同时涵盖定位不同大小实例所需的语义和结构上下文信息,阻碍了模型对任意大小指代实例的感知,进而影响模型对不同大小指代实例的分割。对此,设计多尺度视觉-语言交互感知模块和多尺度掩膜预测模块：前者增强模型对不同尺度实例语义与文本语义之间的融合与感知;后者通过充分捕捉不同尺度实例的所需语义和结构信息提升指代实例分割的表现。由此,提出了多尺度模态感知的文本指代实例分割模型(MMPN-RIS)。实验结果表明,MMPN-RIS模型在RefCOCO,RefCOCO+和RefCOCOg3个公开数据集的oIoU指标上均达到了前沿性能;针对文本指代不同尺度实例的分割,MMPN-RIS模型有着较好的表现。     

基于负荷特征传导的配电台区全状态精准感知与数字化应用

针对低压配电网存在的状态感知水平较低、数据共享挖掘不足等典型问题,结合能源互联网示范台区项目建设内容,以能源互联网的建设理念进行"信息支撑"和"价值创造"2方面的技术突破和应用.首先利用用户负荷特征和故障特征在低压电网中的纵、横向传导特性,构建台区的变、线、户、相位、电气阻抗完整拓扑信息,极大简化采集架构,完成台区全状...     

基于生成对抗和双重语义感知的配电网量测数据缺失重构

传统的数据缺失重构技术大多依赖数理统计方法和先验知识结合机理分析构建数学模型,但是配电网量测数据具有高维、时变、非线性特征,复杂度高、表征难度大,难以保证高精度重构。文中提出一种利用无监督生成对抗训练方式自主提取数据特征并结合双重语义感知重构约束实现数据缺失重构的方法。其中,基于二维卷积的重构模型和量测数据二维灰度图像化训练增强了模型泛化能力和稳定性。该方法无需先验知识的分布假设与显式物理建模,在保证数据特征提取最大化的同时,有效提高了重构数据的精确性。最后,利用实测数据验证了该方法在重构缺失数据上的有效性。     

一种基于Shearlet变换的图像质量客观评价方法

提出一种新的图像质量评价方法,将Shearlet变换捕捉视觉感知特征的能力和人类视觉系统的感知特性相结合来描述各种失真引起的图像质量的变化。该评价方法首先对参考图像和失真图像进行Shearlet分解,再对分解得到的不同尺度下的子带系数进行对比敏感度掩膜。然后根据由参考图像子带系数确定的感知阈值来计算参考图像和失真图像的各个子带中可感知到的系数所占的比例。最后通过比较失真图像相对于参考图像可感知到的系数所占比例的变化程度,综合得到图像质量的客观评价。分别在LIVE数据库和不同失真程度的图像集上对本研究算法进行有效性和合理性实验。实验表明本研究所获得的客观质量评价结果与人类的主观质量评价具有较高的一致性,能够很好地反映人类的主观感受。     

一种自动驾驶汽车的系统构造

随着汽车保有量的增加,带来能源短缺、环境污染、交通拥堵和事故频发等社会问题,使得无人驾驶技术逐渐成为各大车企和高校研究的对象。无人驾驶汽车的发展将给行业带来前所未有的变革与机遇,本文将简述一种自动驾驶汽车的系统构造。     

基于AI视频识别技术的井下规范操作监控系统设计

彬长矿区所属的煤矿地质条件极其复杂、灾害严重,亟待创新管理方式.为实现针对生产过程的实时感知、主动预警、精准分析,推动安全管理工作由"事后处理"向"事前管控"转变,将人工智能技术与安全生产管理活动结合,设计了智能化视频监控系统对井下多个作业场景进行智能识别.通过分析系统预期目标及关键技术,明确了基于端侧接入、边侧推理、...     

Infants learn about objects from statistics and people.

In laboratory experiments, infants are sensitive to patterns of visual features that co-occur (e.g., Fiser & Aslin, 2002). Once infants learn the statistical regularities, however, what do they do with that knowledge? Moreover, which patterns do infants learn in the cluttered world outside of the laboratory? Across 4 experiments, we show that 9-month-olds use this sensitivity to make inferences about object properties. In Experiment 1, 9-month-old infants expected co-occurring visual features to remain fused (i.e., infants looked longer when co-occurring features split apart than when they stayed together). Forming such expectations can help identify integral object parts for object individuation, recognition, and categorization. In Experiment 2, we increased the task difficulty by presenting the test stimuli simultaneously with a different spatial layout from the familiarization trials to provide a more ecologically valid condition. Infants did not make similar inferences in this more distracting test condition. However, Experiment 3 showed that a social cue did allow inferences in this more difficult test condition, and Experiment 4 showed that social cues helped infants choose patterns among distractor patterns during learning as well as during test. These findings suggest that infants can use feature co-occurrence to learn about objects and that social cues shape such foundational learning in distraction-filled environments. (PsycINFO Database Record (c) 2011 APA, all rights reserved)