-
题名“大模型技术及应用”专栏序言
- 1
-
-
作者
高新波
孙宏滨
-
机构
不详
重庆邮电大学党委
重庆市科协
第十四届全国政协
中国科协第十届全国委员会
西安交通大学人工智能学院
西安交通大学人机混合增强智能全国重点实验室
西安交通大学视觉信息与应用国家工程研究中心
-
出处
《数据采集与处理》
CSCD
北大核心
2024年第3期501-501,共1页
-
文摘
生成式AI与具身智能正在成为新一轮人工智能发展的热潮,其背后的核心技术就是大模型。自2022年11月美国OpenAI公司发布聊天机器人应用程序ChatGPT以来,其强大的自然语言生成能力与广泛适用性引起了全世界范围的关注。随后,大模型在场景分析、视频生成、常识推理、行为决策等方面也有突出表现。国内也相继发布了文心一言、ChatGLM、百川、千问等大模型产品。学术界和产业界都在探索利用大模型解决更多、更具挑战性的问题与潜在应用。2023年,美国科技公司Palantir推出的军事人工智能平台(AIP)和Scale AI公司推出的“多诺万(Donovan)”军事决策辅助系统等也对大模型军事应用进行了初步探索。
-
关键词
自然语言生成
人工智能
聊天机器人
常识推理
应用程序
场景分析
决策辅助系统
OPEN
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于实例对比学习的遥感建筑物变化检测域适应算法
- 2
-
-
作者
张奇
路遥
王飞
张雪涛
郑南宁
-
机构
西安交通大学人机混合增强智能全国重点实验室
西安交通大学视觉信息与应用国家工程研究中心
北京市遥感信息研究所
西安交通大学人工智能与机器人研究所
-
出处
《遥感学报》
EI
CSCD
北大核心
2024年第7期1771-1788,共18页
-
基金
卫星信息智能处理与应用重点实验室基金。
-
文摘
建筑物变化检测是遥感影像智能解译中的重要研究方向。针对建筑物变化检测的跨域变化检测算法中存在的像素级对比学习噪声过大和目标域样本利用不充分等问题,本文提出了实例级对比学习域适应变化检测算法ICDA-CD。首先,使用区域级域混合替代实例级域混合,以实现源域和目标域图像的有效混合;然后,利用实例级对比学习,降低伪标签噪声的影响。具体来说,在编码器中,拉开变化实例区域双时相特征距离,并在解码器中,拉近各个变化实例特征之间的距离,这可以显著提升模型对源域和目标域特征表示的一致性;最后,在损失计算部分使用伪标签质量估计,使得低置信度区域的像素也可以参与训练,提高了目标域样本的利用率。将本文方法与DACS、DAFormer、和HRDA等3种目前先进的算法进行实验对比。结果表明本文所提出来的方法在LEVIR-CD域迁移至S2Looking以及S2Looking域迁移至LEVIR-CD时F1分数分别达到了43.91%和74.75%,优于几种先进的算法。
-
关键词
遥感图像
建筑物变化检测
对比学习
域适应
深度学习
伪标签
-
Keywords
remote sensing images
building change detection
contrast learning
domain adaptation
deep learning
pseudo label
-
分类号
P237
[天文地球—摄影测量与遥感]
P2
[天文地球—测绘科学与技术]
-
-
题名基于脉冲神经网络微调方法的遥感图像目标检测
- 3
-
-
作者
郭柏麟
黄立威
路遥
张雪涛
马永强
-
机构
西安交通大学人机混合增强智能全国重点实验室
北京市遥感信息研究所
西安交通大学视觉信息与应用国家工程研究中心
西安交通大学人工智能与机器人研究所
-
出处
《遥感学报》
EI
CSCD
北大核心
2024年第7期1702-1712,共11页
-
基金
卫星信息智能处理与应用重点实验室基金
国家重点研发计划(编号:2022ZD0208801)。
-
文摘
遥感影像目标检测问题是视觉图像识别任务的重要研究内容之一,但是在船舶遥感图像中,船舶目标小且分布稀疏,使用传统的人工神经网络(ANN)进行目标检测往往会浪费大量的计算资源。脉冲神经网络(SNN)的事件驱动与低功耗特性可以极大地节省能量消耗同时解放更多的计算资源。然而SNN神经元由于其复杂动态与不可微调的脉冲操作,难以正常进行训练。作为替代,将训练好的ANN转换为SNN可以有效规避这一问题。对于转换后的深层SNN,需要大量时间步长(time steps)来维持其性能。这一过程需要大量的计算资源并对产生较大的延迟,与低功耗的研究初衷相违背。本文研究了转换后SNN需要大量time steps维持模型性能的原因,并提出了新的转换方法,基于微调的逐层转换方法;考虑硬件部署的合理性,提出了泊松群编码,相比泊松编码,泊松群编码输出的脉冲序列噪声更小,对模型性能的影响更小。实验表明,微调转换方法在SAR舰船检测数据集(SSDD、AIR-SARShip)上取得与转换前模型(97.9%、79.6%)相近的性能(96.9%、70.3%),在PASCAL VOC数据集上也获得了较好的检测性能(49.2%),而且对于泊松群编码,time steps相同的条件下神经元数目越多,对模型性能的影响越小,时间步长较少的条件下即可获得与输入模拟频率近似的性能。本文的研究可以提升转换后SNN的性能,减少转换后SNN对time steps的需求,并为SNN的硬件部署提供了一个切实有效的输入编码方法。
-
关键词
脉冲神经网络
目标检测
船舶遥感图像
ANN-SNN转换
泊松群编码
-
Keywords
Spiking Neural Network(SNN)
object detection
ship remote sensing images
convert ANN to SNN
Poisson group coding
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
P2
[天文地球—测绘科学与技术]
-
