受人脑中记忆机制启发的增量目标检测方法

增量学习是缩小当前人工智能和人类智能间差距的关键技术，指智能体像人类一样从不稳定数据流中顺序学习多个任务，且不发生遗忘。目标检测是计算机视觉领域的核心任务之一，是计算机理解图像的基石。因此，增量目标检测问题具有重要的研究意义和实际意义。尽管增量学习在图像分类中取得了不错的成果，但基于目标检测的增量学习研究还处于初级阶段。这是因为目标检测相比图像分类更加复杂，它需要同时解决分类和边框回归的问题。不少研究者为解决此问题做了很多努力，但大多数工作都只关注如何保留已学习任务的性能，忽略了模型对新任务的快速适应能力，而这正是增量学习的关键要求。基于大脑的记忆机制，人类可以在学习中不断地提取知识以更好更快地学习新任务，不发生遗忘。受此启发，提出了一种融合编解码记忆重放机制的增量元学习方法。该方法对已学习样本的特征向量进行编码存储和解码重放，从而将不稳定数据流近似为动态稳定数据集，缓解了遗忘问题。同时，设计了一个双循环在线元学习策略，模型在内循环分别基于多批次新旧混合数据进行随机梯度更新，最后在外循环进行元学习，从而获得多任务间的共同结构，使模型具有良好的泛化性能，能够快速适应学习中遇到的新任务。在...     

基于车辆关键部位特征的再识别算法

图像识别任务中，要想得到更具辨识度的特征的前提是精准定位到关键位置，汽车的车顶、车窗、前脸为车辆最关键的3个部位。将一种PCB-LS方法用于车辆再识别，基于提取局部特征的思想，使用ResNet50的主干网络提取特征图，然后将特征图平均划分为3个部分，对于3个部位分别训练分类器；对于模型在训练集中出现的过拟合现象，采用标签平滑的正则化方法降低模型对训练集样本的信任度，提高模型在测试集上的准确率；使用VeRi776数据集进行训练和测试，使用PCB-LS方法在测试集上能达到准确率Rank@1、Rank@5、Rank@10分别为93.62%、96.72%、97.74%,mAP为76.17%。PCB-LS方法不仅能获得辨识度高的特征，还有很好的泛化能力。     

大倾角层状采动煤岩体重力-倾角效应与岩层控制

大倾角煤层开采过程中，重力-倾角效应是导致细观层状煤岩体单元体主应力偏转和层间接触面应力非均衡传递，介观层状采动模型优势破裂面方向偏移，宏观层状关键层区域迁移、岩体结构异化的主要因素。研究表明，在倾角35°以上煤层采场中重力-倾角效应影响尤为明显：(1)煤岩组合界面倾角35°～60°时，非均衡传力特性逐渐凸显，界面附近煤岩体内应力传递方向发生偏转，且偏转量随倾角增加逐渐增大；煤体破坏由压剪破坏转化为近平行于界面的滑移剪切破坏，煤岩体的强度和弹性模量也随之减小。(2)改变了采场围岩采动应力路径演变规律，在采动应力驱动下顶板的损伤变形与破坏运动存在明显的区域性和时序性。(3)诱发了大倾角采场顶板结构跨层迁移转化、底板非对称破坏滑移、区段煤柱或煤壁局部-整体破坏，以上围岩失稳存在多尺度链式时空关联性，特别是引发围岩灾变的采场关键岩块位置多变，形成采场围岩承载结构异化和泛化特征。理论与实践表明，重力-倾角效应作用下大倾角煤层岩层控制具有显著的多维度和多尺度特点，突破传统开采方法与技术瓶颈，研发全新型成套装备是实现该类煤层安全高效开采的有效途径。     

基于历史趋势和预测误差的时序序列预测方法研究

针对时间序列预测方法训练复杂、迁移预测能力差等问题，提出一种自适应预测方法。先根据预测误差和当前值确定下一时刻预测值的范围，再结合短期历史趋势确定最终预测值。得到的当前预测值代入下一轮循环中继续预测，通过不断“预测-校正-预测”循环实现对数据预测。最后利用金融、风力等时序数据，LSTM、SVM、ARIMA、MA等经典时间序列预测算法在预测精度、迁移预测能力、运算速度等方面做了对比。     

跨失真表征的特征聚合无参考图像质量评价

针对现有的基于深度学习的无参考图像质量评价模型容易过拟合，并且对真实失真场景中的未知失真类型难辨识问题，提出一个跨失真表征的特征聚合无参考图像质量评价框架。采用与模型无关的元学习优化算法，学习跨不同失真类型的特征表达，缓解模型过拟合影响；将元学习算法与注意力机制、图神经网络相结合，设计特征聚合模块学习每种失真类型的显著性特征；设计图表示模块学习每种失真类型共有的失真信息，削弱图像内容变化对质量预测的影响。实验结果表明，所提算法在预测真实失真图像质量时能够充分挖掘失真图像的高级语义信息，有效解决真实失真场景下失真图像内容变化、未知失真类型复杂的问题，具有较强的推理和泛化能力。     

基于SVM的多传感器信息融合算法

支持向量机(Support Vector machine,简称SVM)是一种基于结构风险最小化原理,具有很高泛化性能的学习算法。针对工业多传感器测控系统中,被测系数与相关参数之间存在有较大的非线性和模糊关系,提出了一种基于支持SVM的多传感器信息融合模型及算法。为小样本、非线性、高维数一类多传感器信息融合问题的建模提供了一种有效的途径。通过对“纸张水份在线测量系统”应用表明,基于SVM的多传感器信息融合模型及算法在测量精度和推广性能上都具有一定的优越性。     

正则化与ELM结合用于光伏发电功率预测

能源与环境问题日益严重,太阳能作为绿色清洁的可再生能源得到人们的重视.然而,光伏发电受到天气的制约,这给光伏并网带来了许多问题.提出一种正则化优化极限学习机(extreme learning machine,ELM)的光伏预测方法,通过正则化项提高ELM的泛化能力,改善用于求解的数据的精度,使其避免过拟合,提高光伏预测...     

基于元学习和神经架构搜索的半监督医学图像分割方法

多数医学图像分割方法主要在相同或者相似医疗数据领域进行训练和评估，意味其需要大量像素级别的标注。但这些模型在领域分布外的数据集上面临挑战，被称为“域偏移”问题。通常使用固定的U形分割架构解决该问题，导致其无法更好地适应特定分割任务。文中提出了一种基于梯度的元学习与神经架构搜索方法，可以根据特定任务调整分割网络以实现良好的性能并且拥有良好的泛化能力。该方法主要使用特定任务进行架构搜索模块来进一步提升分割效果，再使用基于梯度的元学习训练算法提升泛化能力。在公共数据集M&Ms上，在5%标签数据下，其Dice和Hausdorff distance分别为79.62%、15.38%。在2%标签数据下，其Dice和Hausdorff distance分别为74.03%、17.05%。与其他主流方法相比，文中所提方法拥有更好的泛化能力。     

基于模型的移动应用功能场景自动标注方法

对于程序功能场景的识别一直是程序理解方面的难点之一，现有的方法主要还是依靠人工标注。针对该难点，对移动应用的执行过程进行研究，提出一种基于模型的功能场景自动化标注方法 AFSLM。基于交互流建模语言IFML国际标准构造刻画移动应用执行特征的应用执行路径ARP动态模型，用于直接对应移动应用的测试脚本，设计用于度量功能场景相似度的模型匹配算法，提出基于模型的功能场景自动化标注方法 AFSLM，实现将人工测试模型的功能场景标签泛化到自动化工具探索模型上，实现高效的功能场景自动化标注。通过实例研究和实验评估，展示方法的有效性。     

基于自监督预训练和有监督微调的伪造语音检测方法

随着深度学习技术的发展，合成语音的质量和听感与真实自然语音越来越难以区分，这严重威胁了基于声纹识别相关应用的可靠性和安全性。现有研究从特征提取和后端二分类器两个维度上提出了各种方法用于伪造语音检测，取得了优异的效果。然而，当模型面对未知的伪造类型数据时，模型检测准确率急剧下降，特别是对于跨数据集评估测试场景。受到自监督学习框架在多种语音识别下游任务成功经验的启发，提出一种基于预训练和微调结合的伪造语音检测框架。预训练使用无标签数据学习通用的语音表征，之后利用有标签的真实伪造语音数据集来微调整个网络参数，达到区分真实自然音和伪造语音的目的。该方法在ASVspoof 2019逻辑攻击数据集上的联合检测代价函数值为0.006 1，等错误率（EER）值为0.19%，同时在ASVspoof 2015和Fake or Real跨数据集评测上也展现了良好的泛化能力。