Attenzione: questa pagina è una traduzione automatica di questa pagina originariamente in lingua inglese. Si prega di notare in quanto le traduzioni sono generate da macchine, non tutte le traduzioni saranno perfetti. Questo sito web e le sue pagine web sono destinati ad essere letto in inglese. Ogni traduzione del sito e le sue pagine web possono essere imprecise e inesatte, in tutto o in parte. Questa traduzione è fornita per comodità.

Gli avanzamenti in apprendimento automatico e nel AI aprono la miriade delle applicazioni

L'edizione del luglio 2021 del giornale di IEEE/CAA di Automatica Sinica caratterizza sei articoli che montrano il potenziale dell'apprendimento automatico nei sui vari moduli. Le applicazioni descritte negli studi variano dai sistemi di assistenza del driver e dal dispositivo ottico del computer avanzati a trattamento di immagine ed a robotica di collaborazione.

Gli avanzamenti in apprendimento automatico e nel AI aprono la miriade delle applicazioni

Credito di immagine: Giornale di IEEE/CAA di Automatica Sinica

L'automazione della tecnologia ha rimodellato sia il modo in cui lavoriamo che come affrontiamo i problemi. Grazie ai progressi realizzati in robotica ed intelligenza artificiale (AI) nel corso degli ultimi anni, ora è possibile lasciare parecchie mansioni nelle mani ai commputer ed agli algoritmi.

Per evidenziare questi avanzamenti, lo IEEE e l'associazione cinese di automazione (CAA) hanno deciso di unire le forze, nella prima edizione del giornale di IEEE/CAA di Automatica Sinica. Questo giornale è fra il 7% principale un in intelligenza artificiale, controllo/sistemistica e sistemi di informazione (allineati da CiteScore), con i documenti di alta qualità su tutte le aree di scienza e di assistenza tecnica di automazione. Nell'emissione del luglio 2021, il giornale caratterizza sei articoli che riguardano le applicazioni innovarici di AI che possono rendere le nostre vite più facili.

Il primo articolo, creato dai ricercatori dal laboratorio di instituto ASIM dell'ingegneria meccanica di tecnologia della Virginia, U.S.A., approfondisce una miscela interessante degli argomenti: automobili, apprendimento automatico ed elettroencefalografia intelligenti (EEG). Auto-guidando le automobili sono state nel riflettore per un po'. Così come l'elettroencefalogramma va d'accordo questa maschera?

A volte i driver sono distratti o affaticati senza realizzarlo, aumentando il rischio di incidente di traffico. Fortunatamente, le automobili possono ora essere fornite dei sistemi di AI che percepiscono ed analizzano i segnali dell'elettroencefalogramma dell'autista costantemente riflettono il loro stato e pubblicano gli avvisi una volta reputate necessarie. Questo articolo esamina le ultime alle tecniche basate a elettroencefalogramma di valutazione di stato dell'autista. Egualmente forniscono le esercitazioni dettagliate sui metodi di decodifica di elettroencefalogramma più popolari ed i modelli di rete neurale, aiutanti i ricercatori sono resi familiare al campo. Gli autori spiegano, “applicando questi a metodi basati a elettroencefalogramma, lo stato degli autisti possono me hanno stimato più esattamente, migliorando la sicurezza stradale.„

Dopo, un gruppo di ricerca dall'università di Sichuan, Cina, propone un nuovo approccio per l'immagine che intitola, un compito che è difficile per i computer. Il problema è che anche se i computer possono ora riconoscere a proposito gli oggetti in un'immagine data, è complesso descrivere la scena basata solamente su questi oggetti. Per affrontare questo, i ricercatori hanno sviluppato ad una rete basata a attenzione globale per stimare esattamente le probabilità di una regione data nell'immagine di citazione nel titolo. Ciò è stata raggiunta analizzando le similarità fra le funzionalità visive locali e le funzionalità globali di titolo. Facendo uso di un modulo dell'attenzione, il modello può assistere più esattamente alle regioni più importanti nell'immagine per produrre un buon titolo. Intitolare automatico di immagine è un grande strumento per l'indicizzazione dei gruppi di dati grandi di immagini e l'aiuto del cieco.

Nel terzo articolo, scienziati dell'università di Xidian, Cina, tentativo di portare robotica di collaborazione al campo di sorveglianza di superiore visualizzazione. Più specificamente, propongono una struttura dettagliata in cui in profondità imparare è utilizzato nel dispositivo ottico del computer di superiore visualizzazione, contrariamente alla maggior parte dei studi che mettono a fuoco sulle immagini di frontale-visualizzazione. Questa struttura usa una macchina fotografica astuta del robot con un'unità di elaborazione visiva inclusa con gli algoritmi d'apprendimento per rilevazione e tenere la carreggiata degli oggetti multipli (mansioni essenziali in varie applicazioni, compreso la prevenzione di crimine e la folla e l'analisi di comportamento).

Nel quarto articolo, i ricercatori dall'università di Guiling, Cina, propongono un nuovo approccio per la produzione delle immagini di super-risoluzione basate sulle funzionalità che una rete neurale può estrarre ed usare. Il loro metodo, chiamato il multi-disgaggio pesato la rete residua, può fare leva sia le funzionalità globali che locali di immagine dai disgaggi differenti per ricostruire le immagini di alta qualità con la prestazione avanzata. Gli autori dicono, “le unità di rappresentazione correnti certamente non possono fornire abbastanza mezzi informatici e così, abbiamo progettato un'architettura veloce e leggera per attenuare questo problema.„

Il quinto articolo dai ricercatori dall'università di New South Wales, Australia, coperchi l'argomento complesso della trasparenza e della fiducia nel teaming dello umano-sciame. Secondo gli autori, il explainability, il interpretability e la prevedibilità sono concetti distinti eppure di sovrapposizioni in intelligenza artificiale che sono secondari alla trasparenza. Ricavando dalla letteratura, hanno proposto un'architettura per assicurare la collaborazione in maniera fidata fra gli uomini e gli sciami della macchina, andando oltre il paradigma parallelo usuale. I ricercatori concludono, “Umano-sciame che i gruppi richiederanno i livelli aumentati di trasparenza prima che possiamo cominciare a fare leva l'opportunità quella questi sistemi presenti.„

Dopo, gli scienziati dall'università di scienza e tecnologia elettronica della Cina montrano ancora un altro uso delle reti neurali profonde nel campo di dispositivo ottico del computer più specificamente, nella video rilevazione di anomalia. I modelli attuali per automaticamente la rilevazione delle anomalie in videoripresa provano a predire o ricostruire un fotogramma basato su input precedente e, calcolando l'errore di ricostruzione, a determinare se qualche cosa sembra fuori posto. Il problema con questo approccio è che i fotogrammi anormali a volte sono ricostruiti bene, piombo ai falsi negativi. Gli scienziati hanno affrontato questo problema sviluppando una rete memoria-aumentata conoscitiva che imita il modo in cui gli esseri umani ricordano i campioni normali ed usa sia l'errore di ricostruzione che ha calcolato i punteggi della novità per individuare le anomalie in video. Con la prestazione avanzata verificata, la rete può applicarsi prontamente nelle mansioni di sorveglianza, quali l'incidente ed il video di pubblica sicurezza.

Siamo tutto il molto probabile testimoniare l'intelligenza artificiale che diventa chiave in molte applicazioni in vivo presto. Così, assicuri continuare con i tempi verificando l'edizione del luglio 2021 del giornale di IEEE/CAA di 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.