基于非专家策略强化学习改进无人机视觉受限环境下的避障能力研究 近年来，无人机（Unmanned Aerial Vehicle，UAV）凭借其卓越的机动性和多样化的功能，广泛应用于包裹递送、风险评估和紧急救援等民用领域。然而，随着无人机执行任务的复杂性、范围和时长的增加，其自主导航的难度也显著上升，尤其是在拥挤且高度不确定的环境中实现避障。然而，传统的全球导航方法通常依赖全局信息，难以处理视觉受限条件下的障碍场景。本研究的目的是解决这些场景中的避障问题，提升无人机的实时导航能力。 此外，尽管基于深度强化学习（Deep Reinforcement Learning，DRL）的避障算法通过端到端处理方式表现出色，能够减小计算复杂度并提升适应性和可扩展性，但它们的采样效率偏低，需要大量的样本迭代以实...

自适应超球神经网络分类器：ASNN研究综述 引言与研究背景 近年来，随着人工智能和深度学习的发展，神经网络（Neural Networks, NNs）被广泛应用于分类任务中。这类任务的本质是通过神经网络建立决策边界，将样本分类到其所属类别。然而，在传统的神经网络分类方法中，嵌入空间（Embedding Space）的扩展性以及样本之间正负对配对（Positive/Negative Pairing）效率不足，一直是妨碍神经网络性能进一步提升的重要问题。具体来说，现有基于对比约束（Pair-wise Constraint-Based, PWCB）的方法主要通过设计对比损失函数（三重损失Triplet Loss、对比损失Contrastive Loss等）和固定的嵌入空间来引导神经网络学习样本的判...

知识概率化在集成蒸馏中的应用研究 学术背景：研究的意义与问题的提出 近年来，深度神经网络（Deep Neural Networks, DNN）因其卓越的预测能力，在自动驾驶、医疗诊断、气候预测等安全关键领域得到了广泛应用。然而，这些领域对模型的需求不止于高预测精度，更要求模型能够提供可靠的不确定性量化（Uncertainty Quantification）。尤其是在诸如自动驾驶车辆面对雪天等复杂环境时，模型的过高自信可能导致不安全的决策；因此，增强不确定性量化已成为深度学习应用的重要课题之一。 深度集成学习（Deep Ensemble）因其在提升预测精度和不确定性量化能力方面的显著效果，成为近年来的重要研究方向。然而，集成模型由于需要大规模的计算与存储资源，在实际应用中，尤其是资源有限的环境...

RNN高效激活函数实现：CORDIC算法与FPGA硬件加速的突破 背景与研究意义 近年来，随着深度学习技术的迅猛发展，循环神经网络（Recurrent Neural Networks, RNNs）尤其是长短时记忆网络（Long Short-Term Memory, LSTM），在时间序列任务中展现出了强大的能力，例如在自然语言处理（Natural Language Processing, NLP）、语音识别和医学诊断等领域取得了广泛应用。然而，与卷积神经网络（Convolutional Neural Networks, CNNs）相比，RNN模型因其复杂性和大量非线性激活函数需求，导致计算代价显著增加。特别是在资源有限的边缘设备（Edge Devices）中部署RNN模型时，激活函数的实现成...

提升小样本语义分割的新方法——基于先验的边缘特征增强网络 在人工智能领域，语义分割（semantic segmentation）是计算机视觉中的一项核心技术，其目的是为图像中的每个像素赋予语义类别标签。然而，传统的语义分割方法依赖大量的标注数据进行训练，这在实际应用中局限于标注样本数据不足的场景。例如，医学影像分析和自动驾驶中，需要对少数数据类别进行分割，获取精确的分割结果。在此背景下，小样本语义分割（Few-Shot Semantic Segmentation, 简称FSS）作为一种新兴技术得到了研究者的广泛关注，旨在在少量标注样本的条件下实现高质量的语义分割。 然而，与普通语义分割模型相比，小样本语义分割在目标边界预测的准确性上仍然表现不足。原因在于，当样本极其有限时，模型从查询（que...

部分多标签学习的前沿研究：一种基于标签特异性特征校正的新方法 近年来，部分多标签学习（Partial Multi-Label Learning，PML）逐渐成为机器学习领域的研究热点。随着众包平台的普及，数据标注成本得到显著降低，但随之而来的问题是标注质量的下降——即候选标签集中不可避免地存在一些无关的标签。这些标签噪声不仅增加了学习任务的难度，还可能对模型性能产生误导性影响。因此，研究如何从含噪数据中有效学习，成为目前学术界亟待解决的重要课题。本篇学术报道将聚焦一项在未来学术领域具有重要参考意义的研究，该研究提出了一种名为PASE（Partial Multi-Label Learning via Label-Specific Feature Corrections，基于标签特异性特征校正的...