Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

Les avances dans l'apprentissage automatique et l'AI débloquent la myriade d'applications

L'édition de juillet 2021 du tourillon d'IEEE/CAA d'Automatica Sinica comporte six articles qui présentent le potentiel de l'apprentissage automatique sous ses formes variées. Les applications décrites dans les études s'échelonnent des systèmes d'aide de gestionnaire et de la visibilité d'ordinateur avancés à la robotique à traitement d'images et de collaboration.

Les avances dans l

Crédit d'image : Tourillon d'IEEE/CAA d'Automatica Sinica

L'automatisation de la technologie a restructuré la voie dont nous travaillons et comment nous abordons des problèmes. Grâce au progrès accompli dans la robotique et l'artificial intelligence (AI) au cours des dernières années, il est maintenant possible de laisser plusieurs tâches dans les mains aux machines et aux algorithmes.

Pour mettre en valeur ces avances, l'IEEE et l'association chinoise de l'automatisation (CAA) ont décidé de joindre des forces, dans le premier numéro du tourillon d'IEEE/CAA d'Automatica Sinica. Ce tourillon est parmi le 7% principal ceux dans l'artificial intelligence, l'ingénierie des systèmes de contrôle/, et des systèmes d'information (classés par CiteScore), avec les papiers de haute qualité sur tous les domaines de scientifique et technique d'automatisation. Dans l'édition de juillet 2021, le tourillon comporte six articles couvrant les applications novatrices de l'AI qui peuvent faciliter nos durées.

Le premier article, écrit par des chercheurs de laboratoire du service d'industrie mécanique de tech de la Virginie ASIM, les Etats-Unis, fouille dans un mélange intéressant des sujets : véhicules, apprentissage automatique, et électroencéphalographie intelligents (EEG). Auto-pilotant les véhicules ont été dans le projecteur pendant un moment. Ainsi comment l'EEG s'adapte-t-il dans cette illustration ?

Parfois les gestionnaires deviennent distraits ou fatigués sans le réaliser, augmentant le risque d'un accident de la route. Heureusement, des véhicules peuvent maintenant être équipés des systèmes d'AI qui détectent et analysent les signes de l'EEG du gestionnaire surveillent continuellement leur condition et publient des alertes une fois considérés nécessaires. Cet article observe les dernières techniques basées sur EEG d'évaluation de condition de gestionnaire. Elles fournissent également des cours détaillés sur les méthodes de se traduire d'EEG les plus populaires et les modèles de réseau neuronal, aidant des chercheurs deviennent familiarisés avec l'inducteur. Les auteurs expliquent, « en appliquant ces méthodes basées sur EEG, la condition des gestionnaires peuvent j'ont estimé plus exactement, améliorant la sécurité routière. »

Ensuite, une équipe de recherche d'université de Sichuan, Chine, proposent une approche neuve pour l'image attribuant un libelle, une tâche qui est difficile pour des ordinateurs. Le problème est que quoique les ordinateurs puissent maintenant convenablement identifier des objectifs dans une image donnée, il est délicat pour décrire la scène seulement basée sur ces objectifs. Pour aborder ceci, les chercheurs ont développé un réseau basé sur attention global pour estimer exactement les probabilités d'une région donnée dans l'image d'être mentionné dans la légende. Ceci a été réalisé en analysant les similitudes entre les caractéristiques visuelles locales et les caractéristiques globales de légende. Utilisant un module d'attention, le modèle peut plus exactement assister les régions les plus importantes dans l'image pour produire une bonne légende. Le libelle automatique d'image est un outil grand pour répertorier de grands ensembles de données d'images et aider le malvoyant.

Dans le troisième article, scientifiques d'université de Xidian, Chine, tentative de porter la robotique de collaboration à l'inducteur du contrôle de haut-vue. Plus particulièrement, ils proposent un cadre détaillé dans lequel apprendre profondément est employé dans la visibilité d'ordinateur de haut-vue, contrairement à la plupart des études qui se concentrent sur des images de face-vue. Ce cadre emploie un appareil-photo sec de robot avec un visual processing unit inclus avec des algorithmes profond-apprenants pour le dépistage et le rail des objectifs multiples (tâches essentielles dans applications variées, y compris la lutte contre le crime et la foule et l'analyse de comportement).

Dans le quatrième article, les chercheurs de l'université de Guiling, Chine, proposent une approche neuve pour produire des images de superbe-définition basées sur les caractéristiques qu'un réseau neuronal peut extraire et employer. Leur méthode, réseau résiduel pesé appelé de multi-écaille, peut influencer les caractéristiques globales et locales d'image de différentes écailles pour reconstruire les images de haute qualité avec le rendement de pointe. Les auteurs disent, « les dispositifs imageurs actuels certainement ne peuvent pas fournir assez de moyens calculants, et ainsi, nous avons conçu une architecture rapide et légère pour atténuer ce problème. »

Le cinquième article par des chercheurs de l'université de la Nouvelle-Galles du Sud, Australie, panneaux le sujet complexe de la transparence et de la confiance dans teaming de humain-essaim. Selon les auteurs, l'explainability, l'interpretability et la prévisibilité sont des concepts distincts pourtant superposants dans l'artificial intelligence qui sont subalternes à la transparence. En tirant de la littérature, ils proposés une architecture pour assurer la collaboration digne de confiance entre les hommes et machine grouille, allant au delà du paradigme maître-esclave habituel. Les chercheurs concluent, « Humain-essaim que les équipes exigeront les plus grands niveaux de la transparence avant que nous puissions commencer à influencer l'opportunité cette ces systèmes actuels. »

Ensuite, les scientifiques de l'université de la science et technologie électronique de la Chine présentent encore une autre utilisation des réseaux neuronaux profonds dans le domaine de la visibilité d'ordinateur plus particulièrement, dans le dépistage visuel d'anomalie. Les modèles existants pour trouver automatiquement des anomalies dans l'enregistrement vidéo essayent de prévoir ou reconstruire un bâti basé sur l'entrée précédente et, en prévoyant l'erreur de reconstruction, de déterminer si quelque chose semble hors de la place. Le problème avec cette approche est que des bâtis anormaux sont parfois reconstruits bien, menant aux faux négatifs. Les scientifiques ont abordé ce problème en développant un réseau mémoire-augmenté cognitif qui imite la voie dont les êtres humains rappellent les échantillons normaux et emploie l'erreur de reconstruction et a prévu des rayures de nouveauté pour trouver des anomalies dans des vidéos. Avec le rendement de pointe vérifié, le réseau peut être promptement appliqué dans des tâches de contrôle, telles que l'accident et la surveillance de sécurité publique.

Nous sommes tout le très pour être témoin de l'artificial intelligence devenant pivotalement dans beaucoup de vraies applications bientôt. Ainsi, veillez à suivre les temps en vérifiant l'édition de juillet 2021 du tourillon d'IEEE/CAA d'Automatica Sinica !

Source:
Journal references:
  • Zhang, C & Eskandarian, A., (2021) A Survey and Tutorial of EEG-Based Brain Monitoring for Driver State Analysis. IEEE/CAA Journal of Automatica Sinica. doi.org/10.1109/JAS.2020.1003450.
  • Liu, P., et al. (2021) Global-Attention-Based Neural Networks for Vision Language Intelligence. IEEE/CAA Journal of Automatica Sinica. doi.org/10.1109/JAS.2020.1003402.
  • Ahmed, I., et al. (2021) Towards Collaborative Robotics in Top View Surveillance: A Framework for Multiple Object Tracking by Detection Using Deep Learning. IEEE/CAA Journal of Automatica Sinica. doi.org/10.1109/JAS.2020.1003453.
  • Sun, L., et al. (2021) Lightweight Image Super-Resolution via Weighted Multi-Scale Residual Network. IEEE/CAA Journal of Automatica Sinica. doi.org/10.1109/JAS.2021.1004009.
  • Hepworth, A.J., et al. (2021) Human-Swarm-Teaming Transparency and Trust Architecture. IEEE/CAA Journal of Automatica Sinica. doi.org/10.1109/JAS.2020.1003545.
  • Xu, X., et al. (2021) A Cognitive Memory-Augmented Network for Visual Anomaly Detection. IEEE/CAA Journal of Automatica Sinica. doi.org/10.1109/JAS.2021.1004045.