结合单目视觉成像和深度测量的行为检测研究

人体行为自动检测技术易受成像角度、环境因素的影响,造成检测准确性下滑,结合单目视觉和深度传感器提出了一种新的行为检测技术。首先筛选出人体行为相关的关键帧,以解决行为速度不统一的问题;结合卷积神经网络特征和幅度直方图作为行为描述符;利用对抗网络实现人体行为的域适应迁移学习,解决单目视觉成像角度偏差的问题。在公开的行为检测数据集上完成了验证实验,结果显示该技术提高了行为检测的性能,并能有效改善单目视觉成像角度差异所导致的检测性能衰减问题。     

Shadowgraph investigation of plasma shock wave evolution from AI target under 355-nm laser ablation

The propagation of a plasma shock wave generated from an Al target surface ablated by a nanosecond Nd：YAG laser operating at 355 nm in air is investigated at the different focusing positions of the laser beam by using a time-resolved shadowgraph imaging technique. The results show that in the case of a target surface set at the off-focus position, the condition of the focal point behind or in front of the target surface greatly influences the evolution of an Al plasma shock wave, and an ionization channel forms in the case of the focal point set in front of the target surface. Moreover, it is found that the shadowgraph with the evolution time around 100 ns shows that a protrusion appears at the front tip of the shock wave if the focal point is at the target surface. In addition, the calculated results of the expanding velocity of the shock wave front, the mass density, and pressure just behind the shock wave front are presented based on the shadowgraphs.     

人工智能在结构拓扑优化领域的现状与未来趋势

结构优化,特别是结构拓扑优化,受到学术界和工业界的广泛关注.通过发展不同的拓扑优化算法,实现了众多具有卓越力学、热学和声学等多学科性能的最优拓扑构型创新设计.然而传统的拓扑优化方法在处理大规模的拓扑优化问题的迭代过程中往往需要多次大规模有限元分析,面临巨大计算量的挑战.近年来,以机器学习为代表的人工智能方法的迅猛发展,成为拓扑优化最具有发展前景的新学科方向.通过将人工智能算法与拓扑优化框架结合,使得拓扑优化的效率大幅提高,同时也为实时拓扑优化的实现提供了可能.本文通过回顾近十年来基于机器学习拓扑优化方法研究的一些重要进展,对截止目前的研究现状进行了简要介绍.由于论文篇幅有限,本综述不涉及该领域的全部文献,其综述范围有限,且与作者本人的研究兴趣密切相关.     

人工智能研究的物理学途径

近年来,人工智能研究的物理学途径已越来越受到人们的关注,这一途径的实现方式主要有两种：一是把已有的物理理论和方法直接用于研究计算系统,以达到对计算系统的性质和规律的认识,另一是依据某些计算系统与物理的相似性,把计算问题转换为对应的物理问题,再用物理方法建构有效的算法加以求解,文章着重介绍运用物理学途径研究计算系统的相变和解决多自主体系统的目标满足问题所取得的进展,并指出了这一途径的优点和应该注意的问题。     

n/m/P/F_(max)问题的算法研究

排序问题具有可观的经济效益与广泛的应用领域．本文应用人工智能的搜索技术改进了排序问题ｎ／ｍ／Ｐ／Ｆ_(ｍａｘ)的算法,从而大大提高了求解效率,扩大了问题的求解规模．     

运动生物力学发展现状及挑战

狭义的运动生物力学特指人体运动中的生物力学,主要解决竞技体育领域中如何提高运动成绩和减少运动损伤的问题.随着相关学科的融合和发展,当前运动生物力学的研究已扩展到与人类运动相关的生物学、医学、力学等学科领域.近年来,智能测试、大数据分析、人工智能等技术快速发展,对运动生物力学实验、仿真方法产生了重要的影响,在不断拓展和深化着该学科的研究内容和方向的同时,也对运动生物力学发展提出了新的挑战.本文综述了近年来运动生物力学领域的研究现状,并指出了相关研究方向的关键问题及发展趋势:在理论建模和模拟仿真计算方面,肌肉本构理论及肌肉力计算准确性是重点和难点;实验测试的新技术在竞技体育运动项目中的应用研究中扮演重要角色,其中基于深度学习的人体关键点检测算法在解决竞技体育的非接触测量方面有突破性进展;对于骨、韧带、软骨、肌肉等组织的宏观损伤机制认识不断清晰,但对于其早期损伤预测以及跨尺度损伤发生机制的研究仍有待深入;智能可穿戴装备、人工智能等新技术开始应用于运动生物力学研究及实践,成为目前运动生物力学领域最具活力的研究方向之一.本文的综述表明当前运动生物力学研究越来越向智能化、个体化、定量化发展,并正在...     

面向流体力学的多范式融合研究展望

实验观测、理论研究以及数值模拟是包括流体力学在内很多学科的基本研究范式.21世纪以来,大数据驱动下的人工智能成为引领新一轮科技革命和产业变革的重要驱动力,也被称为数据密集型科学研究范式,即第四范式.同样,数据驱动的机器学习方法也成为流体力学的新兴方向,并助推智能流体力学方向的发展.然而,与面向社会依赖“互联网+大数据”的数据密集型范式相比,流体力学智能化研究有其特有的背景.例如有限工程样本中产生的海量流动数据,与流动状态、几何边界条件的高维度以及复杂流动固有的高维、跨尺度、随机、非线性特征相比,数据驱动的流体力学研究面临着大数据小样本问题.经典流体力学虽然有三大研究范式,但融合度很低,工程设计师通常只能对不同来源的数据进行拼凑使用或简单修正.多源数据融合一定程度上可缓解单一样本量来源少、建模难,以及低精度样本利用不充分等困境,但仍未能实现基本范式中的理论模型或者专家知识和经验的充分利用.因此,在人工智能技术支撑的第四范式架构下,有机融合实验、理论模型以及数值模拟三大手段,发展“数据+知识”双驱动的流体力学多范式融合方法,成为解决重大实际工程研制问题的迫切需求,也是新时代流体力学学科内涵...     

基于蒙特卡洛梯度估计的黑盒神经网络后门检测

现有的后门检测方法研究主要聚焦于白盒场景,然而现实中很难获得对模型的完全访问权限。为此,本文研究了基于蒙特卡洛梯度估计的黑盒神经网络后门检测方法。通过将黑盒场景下后门触发器的逆向视作零阶优化问题,提出了黑盒触发器逆向算法来检测黑盒神经网络是否被植入后门,利用重要性采样结合规范化判断标准和早停策略,进一步提出了快速黑盒后门检测算法以降低黑盒后门检测的开销。在3个流行图像数据集上的实验结果均表明提出的方法能准确区分正常模型与植入后门的模型,且可以得到有效的后门触发器。     

边缘智能：现状与挑战

作为一种新兴的计算范式,边缘计算将计算资源从云中心转移到网络边缘侧的服务器,为联网的终端设备提供计算支持。与此同时,以深度神经网络为代表的人工智能迅猛发展,在工业物联网、智慧城市、智能家居等领域得到了广泛地应用,为人们的生产和生活带来了极大的便利。边缘计算和人工智能彼此之间相互赋能并催生了新的研究领域——边缘智能。在边缘智能中,边缘计算和人工智能二者相互受益,边缘计算利用人工智能对边端进行智能地维护和管理,人工智能在边缘计算平台上提供智能化的服务。本文从人工智能用于边缘的维护和管理、边缘人工智能两方面对边缘智能的发展现状进行阐述,总结了边缘智能发展过程中所面临的一系列挑战,对未来的发展做出展望。     

人工智能控制湍流进展:系统、算法、成就、数据分析方法

湍流控制涉及流体力学和控制理论,对航空航天、运载工具、风力发电等众多领域具有重要的科学意义和应用价值.由于湍流的复杂性,传统控制方法在湍流控制领域面临很多瓶颈,人工智能技术的发展为突破这些瓶颈提供了工具.本文简要综述了文献报道的有模型和无模型的人工智能控制湍流的进展,总结了研究中采用的典型的人工智能控制系统、算法、在不同湍流控制应用中取得的突出成果.作者所在团队在国际上首次尝试对人工智能控制系统产生的海量数据进行分析,从而挖掘出重要的信息乃至发现控制相似律.对面临的挑战和未来的展望进行了分析.