边缘环境下的视频行为识别

边缘智能是一种新兴的智能计算模式,其将人工智能技术和边缘嵌入式设备结合,被广泛应用于物联网系统。智能摄像机是典型的边缘设备之一,它能提供低延迟的视频处理能力,适用于智能家居、智能交通、智能监控等领域。然而,由于摄像机的计算资源有限,传统的行为识别模型难以在本地完成计算任务。为解决这一问题,文中提出了一种基于边缘计算的架构,利用深度学习目标检测算法YOLO v3对视频行为进行识别。在该架构中,智能移动终端负责数据采集和压缩,边缘服务器承担大部分目标检测任务,而检测困难的目标和模型训练则由云服务器负责。为更好地适应边缘设备,本文采用轻量化的神经网络MobileNet替换YOLO v3模型的特征提取模块。经过测试,该架构能有效提取和识别视频中的静态和动态行为,为实现边缘计算环境下低成本、大规模的行为识别提供了有益的参考。     

门控递归神经网络处理不规则时间序列数据综述

随着多传感器系统的发展以及非结构化手工数据记录机制的持续使用,不规则时间序列数据越来越普遍。不规则数据和由此产生的缺失值严重限制了对数据进行分析和建模以完成分类和预测任务的能力。通常情况下,用于处理时间序列数据的传统方法会引起偏差,并对底层数据的生成过程进行强假设,这可能会导致较差的模型预测结果。传统的机器学习和深度学习方法虽仍处于数据建模的前沿,但最多只能受到不规则时间序列数据集的影响,无法对不完整时间序列的时间不规则性进行建模。门控递归神经网络(RNN),如LSTM 和GRU,在序列建模方面取得了突出的成绩,并在许多应用领域得到了应用,如自然语言处理。这些模型已成为时间序列建模的良好选择,也是处理不规则时间序列数据的重要工具。文中重点介绍了处理不规则时间序列数据的两种常用方法,即在数据预处理阶段输入缺失值以及在学习过程中修改算法从而直接处理缺失值,旨在介绍这一研究分支中出现的有效的技术,以便研究人员创造出进一步处理不规则时间序列数据的新技术。     

复杂系统拓扑结构对人工神经网络的优化综述

随着人工神经网络在不同领域的成功应用,改变网络结构以优化其性能成为近年来的研究热点。由于人工神经网络具有广泛的连通性和复杂的结构,在获得高性能的同时,设计时间、布线成本和空间成本都更低的稀释型人工神经网络备受关注。复杂系统理论主要考虑结构对网络整体行为的影响,并将其应用于人工神经网络,使其具有更高的效率和更简单的结构。研究表明,复杂随机拓扑结构在连通性较低的情况下也要优于全连接人工神经网络。但根据神经生物学的研究,具有短特征路径长度和无标度分布的高度聚集的神经元更受青睐,且连接成本更低。因此,将小世界和无标度拓扑应用于人工神经网络成了相关领域的研究热点。文中总结和讨论了小世界、无标度和混合复杂网络与传统的全连接和随机结构对人工神经网络性能的影响。