Aviso: Esta página é uma tradução automática da página original em inglês. Por favor note uma vez que as traduções são geradas por máquinas, não tradução tudo será perfeita. Este site e suas páginas da Web destinam-se a ler em inglês. Qualquer tradução deste site e suas páginas da Web pode ser imprecisas e imprecisos no todo ou em parte. Esta tradução é fornecida como uma conveniência.

Os avanços na aprendizagem de máquina e no AI destravam a miríade das aplicações

A introdução de julho de 2021 do jornal de IEEE/CAA de Automatica Sinica caracteriza seis artigos que apresentam o potencial da aprendizagem de máquina em seus vários formulários. As aplicações descritas nos estudos variam dos sistemas do auxílio do motorista e de visão de computador avançados ao processamento de imagem e à robótica colaboradora.

Os avanços na aprendizagem de máquina e no AI destravam a miríade das aplicações

Crédito de imagem: Jornal de IEEE/CAA de Automatica Sinica

A automatização da tecnologia remodelou a maneira em que nós trabalhamos e como nós abordamos problemas. Agradecimentos ao progresso feito na robótica e na inteligência artificial (AI) ao longo dos últimos anos, é agora possível deixar diversas tarefas nas mãos às máquinas e aos algoritmos.

Para destacar estes avanços, o IEEE e a associação chinesa da automatização (CAA) decidiram juntar-se a forças, na primeira introdução do jornal de IEEE/CAA de Automatica Sinica. Este jornal está entre o 7% superior uns na inteligência artificial, na engenharia do controle/sistemas, e nos sistemas de informação (classificados por CiteScore), com papéis de alta qualidade em todas as áreas da ciência e da engenharia da automatização. Na edição de julho de 2021, o jornal caracteriza seis artigos que cobrem as aplicações inovativas do AI que podem facilitar nossas vidas.

O primeiro artigo, sido o autor por pesquisadores do laboratório do departamento de engenharia mecânica ASIM da tecnologia de Virgínia, EUA, louças de Delft em uma mistura interessante dos assuntos: carros inteligentes, aprendizagem de máquina, e electroencefalografia (EEG). Auto-conduzindo os carros estiveram no projector por um tempo. Assim como o EEG cabe nesta imagem?

Às vezes os motoristas tornam-se confundidos ou desgastados sem realizá-lo, aumentando o risco de um acidente de tráfico. Felizmente, os carros podem agora ser equipados com os sistemas do AI que detectam e analisam os sinais do EEG do motorista monitoram constantemente seu estado e emitem avisos quando julgados necessários. Este artigo revê as técnicas EEG-baseadas as mais atrasadas da avaliação de estado do motorista. Igualmente fornecem cursos detalhados nos métodos os mais populares da descodificação do EEG e os modelos de rede neural, ajudando pesquisadores tornam-se familiarizados com o campo. Os autores explicam, “executando estes métodos EEG-baseados, motoristas' estado podem mim calcularam mais exactamente, melhorando a segurança rodoviária.”

Em seguida, uma equipa de investigação da universidade de Sichuan, China, propor uma aproximação nova para a imagem que subtitula, uma tarefa que seja difícil para computadores. O problema é que mesmo que os computadores possam agora aptly reconhecer objetos em uma imagem dada, é complicado descrever a cena baseada unicamente nestes objetos. Para abordar isto, os pesquisadores desenvolveram uma rede atenção-baseada global para calcular exactamente as probabilidades de uma região dada na imagem da menção no subtítulo. Isto foi conseguido analisando as similaridades entre características visuais locais e características globais do subtítulo. Usando um módulo da atenção, o modelo pode mais exactamente atender às regiões as mais importantes na imagem para produzir um bom subtítulo. Subtitular automático da imagem é uma grande ferramenta para posicionar grandes conjunto de dados das imagens e ajudar o cego.

No terceiro artigo, cientistas da universidade de Xidian, China, tentativa de trazer a robótica colaboradora ao campo da fiscalização da parte-vista. Mais especificamente, propor uma estrutura detalhada em que profundamente aprender é usada na visão de computador da parte-vista, contrariamente à maioria de estudos que se centram sobre imagens da frontal-vista. Esta estrutura usa uma câmera esperta do robô com uma unidade de processamento visual encaixada com algoritmos deaprendizagem para a detecção e seguimento dos objetos múltiplos (tarefas essenciais em várias aplicações, incluindo a prevenção da criminalidade e a multidão e a análise do comportamento).

No quarto artigo, os pesquisadores da universidade de Guiling, China, propor uma aproximação nova para produzir as imagens da super-definição baseadas nas características que uma rede neural pode extrair e usar. Seu método, chamado a multi-escala tornada mais pesada rede residual, pode leverage características globais e locais da imagem das escalas diferentes para reconstruir as imagens de alta qualidade com desempenho avançado. Os autores dizem, “os dispositivos de imagem lactente actuais certamente não podem fornecer bastante recursos de computação, e assim, nós projectamos uma arquitetura rápida e de pouco peso abrandar este problema.”

O quinto artigo por pesquisadores da universidade de Novo Gales do Sul, Austrália, tampas o assunto complexo da transparência e da confiança em teaming do humano-enxame. De acordo com os autores, o explainability, o interpretability e a previsibilidade são os conceitos distintos contudo sobrepor na inteligência artificial que são subordinados à transparência. Seleccionando da literatura, propor uma arquitetura assegurar a colaboração de confiança entre seres humanos e enxames da máquina, indo além do paradigma usual do mestre-escravo. Os pesquisadores concluem, “Humano-enxame que as equipes exigirão níveis aumentados de transparência antes que nós possamos começar a leverage a oportunidade essa estes sistemas actuais.”

Em seguida, os cientistas da universidade da ciência eletrônica e a tecnologia de China apresentam contudo um outro uso de redes neurais profundas no campo da visão de computador mais especificamente, na detecção video da anomalia. Os modelos existentes para automaticamente detectar anomalias nas imagens de vídeo tentam prever ou reconstruir um quadro baseado na entrada precedente e, calculando o erro da reconstrução, determinar se qualquer coisa parece fora do lugar. O problema com esta aproximação é que os quadros anormais estão reconstruídos às vezes bem, conduzindo aos negativos falsos. Os cientistas abordaram este problema desenvolvendo uma rede memória-aumentada cognitiva que imitasse a maneira em que os seres humanos recordam amostras normais e usasse o erro da reconstrução e contagens calculadas da novidade para detectar anomalias nos vídeos. Com desempenho avançado verificado, a rede pode prontamente ser aplicada em tarefas da fiscalização, tais como o acidente e a monitoração da segurança pública.

Nós somos todo o muito prováveis testemunhar a inteligência artificial que torna-se giratória em muitas aplicações da real-vida logo. Assim, certifique-se prosseguir com os tempos verificando para fora a introdução de julho de 2021 do jornal de IEEE/CAA de 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.