Advertencia: Esta página es una traducción de esta página originalmente en inglés. Tenga en cuenta ya que las traducciones son generadas por máquinas, no que todos traducción será perfecto. Este sitio Web y sus páginas están destinadas a leerse en inglés. Cualquier traducción de este sitio Web y su páginas Web puede ser imprecisa e inexacta en su totalidad o en parte. Esta traducción se proporciona como una conveniencia.

Los avances en el aprendizaje de máquina y el AI abren la miríada de usos

La aplicación de julio de 2021 el gorrón de IEEE/CAA de Automatica Sinica ofrece seis artículos que muestren el potencial del aprendizaje de máquina en sus diversas formas. Los usos descritos en los estudios colocan de sistemas de la ayuda del impulsor y de la visión de computador avanzados al tratamiento de la imagen y a la robótica colaborativa.

Los avances en el aprendizaje de máquina y el AI abren la miríada de usos

Haber de imagen: Gorrón de IEEE/CAA de Automatica Sinica

La automatización de la tecnología ha restructurado la manera de la cual trabajamos y cómo abordamos problemas. Los gracias al progreso hecho en robótica e inteligencia artificial (AI) en los últimos años, es posible ahora dejar varias tareas en las manos a las máquinas y a los algoritmos.

Para destacar estos avances, el IEEE y la asociación china de la automatización (CAA) decidían a ensamblar fuerzas, en la primera aplicación el gorrón de IEEE/CAA de Automatica Sinica. Este gorrón es entre el 7% superior unos en inteligencia artificial, la ingeniería del mando/de sistemas, y sistemas de información (alineados por CiteScore), con los papeles de alta calidad en todas las áreas de la ciencia y de la ingeniería de la automatización. En la entrega de julio de 2021, el gorrón ofrece seis artículos que revisten los usos innovadores del AI que pueden hacer nuestras vidas más fáciles.

El primer artículo, sido autor por los investigadores del laboratorio del departamento ASIM de la ingeniería industrial de la tecnología de Virginia, los E.E.U.U., cava en una mezcla interesante de temas: vehículos inteligentes, aprendizaje de máquina, y electroencefalografía (EEG). Uno mismo-impulsando los vehículos han estado en el proyector orientable durante algún tiempo. ¿Tan cómo EEG ajusta en este retrato?

Los impulsores a veces se distraen o se fatigan sin realizarlo, aumentando el riesgo de un accidente de tráfico. Afortunadamente, los vehículos se pueden ahora equipar de los sistemas del AI que detectan y analizan las señales del EEG del impulsor vigilan constante su estado y publican cuidados cuando están juzgados necesarios. Este artículo revisa las últimas técnicas EEG-basadas de la apreciación de estado del impulsor. También ofrecen guías detalladas en los métodos más populares el decodificar de EEG y los modelos de red neuronal, ayudando a investigadores se familiarizan con el campo. Los autores explican, “ejecutando éstos los métodos EEG-basados, impulsores' estado pueden yo estimaban más exacto, perfeccionando seguridad en carretera.”

Después, un equipo de investigación de la universidad de Sichuan, China, propone una nueva aproximación para la imagen que subtitula, una tarea que sea difícil para las computadores. El problema es que aunque las computadores pueden ahora reconocer conveniente objetos en una imagen dada, es difícil describir la escena basada solamente en estos objetos. Para abordar esto, los investigadores desarrollaron una red atención-basada global para estimar exacto las probabilidades de una región dada en la imagen de ser mencionado en el encabezamiento. Esto fue lograda analizando las semejanzas entre las características visuales locales y las características globales del encabezamiento. Usando un módulo de la atención, el modelo puede asistir más exacto a las regiones más importantes de la imagen para producir un buen encabezamiento. El subtitular automático de la imagen es una gran herramienta para dividir grupos de datos grandes de las imágenes y ayudar a la persona con deficiencias visuales.

En el tercer artículo, científicos de la universidad de Xidian, China, tentativa de traer la robótica colaborativa al campo de la vigilancia de la capota-vista. Más concretamente, proponen un marco detallado en el cual profundamente el aprendizaje se utilice en la visión de computador de la capota-vista, contrariamente a la mayoría de los estudios que se centren en imágenes de la frontal-vista. Este marco utiliza una cámara elegante del robot con una unidad central visual embutida con los algoritmos de profundo-aprendizaje para la detección y rastrear de los objetos múltiples (tareas esenciales en diversos usos, incluyendo la prevención de la delincuencia y la muchedumbre y el análisis del comportamiento).

En el cuarto artículo, los investigadores de la universidad de Guiling, China, proponen una nueva aproximación para producir las imágenes de la estupendo-resolución basadas en las características que una red neuronal puede extraer y utilizar. Su método, llamado la multi-escala cargada red residual, puede leverage características globales y locales de la imagen de diversas escalas para reconstruir las imágenes de alta calidad con funcionamiento avanzado. Los autores dicen, los “dispositivos de proyección de imagen actuales no pueden ofrecer ciertamente suficiente recursos que calculan, y así, diseñamos una configuración rápida y ligera para atenuar este problema.”

El quinto artículo de los investigadores de la universidad de Nuevo Gales del Sur, Australia, tapas el tema complejo de la diapositiva y de la confianza en combinar del humano-enjambre. Según los autores, el explainability, el interpretability y la previsibilidad son los conceptos distintos con todo que recubren en inteligencia artificial que son subalternos a la diapositiva. Extrayendo de la literatura, propusieron una configuración para asegurar la colaboración digna de confianza entre los hombres y los enjambres de la máquina, yendo más allá del paradigma amo-esclavo usual. Los investigadores concluyen, “Humano-enjambre que las personas requerirán niveles crecientes de diapositiva antes de que poder comenzar a leverage la oportunidad esa estos sistemas presentes.”

Después, los científicos de la universidad de la ciencia electrónica y la tecnología de China muestran otro uso de redes neuronales profundas en el campo de la visión de computador más concretamente, en la detección video de la anomalía. Los modelos existentes para automáticamente descubrir anomalías en imágenes de vídeo intentan predecir o reconstruir un marco basado en entrada anterior y, calculando el desvío de la reconstrucción, determinar si cualquier cosa parece fuera de lugar. El problema con esta aproximación es que los marcos anormales están reconstruidos a veces bien, llevando a los falsos negativos. Los científicos abordaron este problema desarrollando una red memoria-aumentada cognoscitiva que imita la manera de la cual los seres humanos recuerdan muestras normales y utiliza desvío de la reconstrucción y calculaba muescas de la novedad para descubrir anomalías en vídeos. Con funcionamiento avanzado verificado, la red se puede aplicar fácilmente en tareas de la vigilancia, tales como accidente y supervisión del seguro público.

Somos todo el muy probables atestiguar la inteligencia artificial que llega a ser giratoria en muchos usos de la vida real pronto. ¡Así pues, asegúrese de continuar con los tiempos verificando fuera la aplicación de julio de 2021 el gorrón 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.