一级黄色片免费播放|中国黄色视频播放片|日本三级a|可以直接考播黄片影视免费一级毛片

AI質(zhì)檢是智能制造的重要環(huán)節(jié)，其設(shè)備在進(jìn)行產(chǎn)品質(zhì)量檢測(cè)時(shí)會(huì)產(chǎn)生大量計(jì)算密集型和時(shí)延敏感型任務(wù)。由于設(shè)備計(jì)算能力不足，執(zhí)行檢測(cè)任務(wù)時(shí)延較大，極大影響生產(chǎn)效率。多接入邊緣計(jì)算(MEC)通過將任務(wù)卸載至邊緣服務(wù)器為設(shè)備提供就近算力，提升任務(wù)執(zhí)行效率。然而，系統(tǒng)中存在信道變化和任 務(wù)隨機(jī)到達(dá)等動(dòng)態(tài)因素，極大影響卸載效率，給任務(wù)調(diào)度帶來了挑戰(zhàn)。該文面向多接入邊緣計(jì)算賦能的AI質(zhì)檢任務(wù)調(diào)度系統(tǒng)，研究了聯(lián)合任務(wù)調(diào)度與資源分配的長(zhǎng)期時(shí)延最小化問題。由于該問題狀態(tài)空間大、動(dòng)作空間包含連續(xù)變量，該文提出運(yùn)用深度確定性策略梯度(DDPG)進(jìn)行實(shí)時(shí)任務(wù)調(diào)度算法設(shè)計(jì)。所設(shè)計(jì)算法可基于系統(tǒng)實(shí)時(shí)狀態(tài)信息給出最優(yōu)決策。仿真結(jié)果表明，與基準(zhǔn)算法相比，該文所提算法具有更好的性能表現(xiàn)和更小的任務(wù)執(zhí)行時(shí)延。

該文提出了機(jī)載超寬帶天線罩口徑積分-表面積分-自適應(yīng)網(wǎng)格(AI-SI-AG)分析方法。給出了用AI-SI-AG的計(jì)算和實(shí)測(cè)結(jié)果。理論分析和實(shí)驗(yàn)結(jié)果表明，該算法能夠高效地預(yù)測(cè)定向和全向天線的帶罩方向圖，理論計(jì)算與實(shí)際測(cè)試符合較好，在工程應(yīng)用中有較大的實(shí)用價(jià)值。

通過對(duì)Xu(2004)和Zhang(2004)提出的兩種環(huán)簽名方案進(jìn)行分析，指出了這兩種環(huán)簽名方案都容易受到群成員改變攻擊(group-changing attack)，并給出了攻擊方法；另外，Zhang的方案還容易受到多已知簽名存在偽造(multiple-known-signature existential forgery)攻擊。為防范這兩種攻擊，對(duì)這兩種環(huán)簽名方案進(jìn)行了改進(jìn)，改進(jìn)后的方案在最強(qiáng)的安全模型(Joseph, 2004提出)中仍是安全的。

針對(duì)目前圖像隱寫檢測(cè)模型中線性卷積層對(duì)高階特征表達(dá)能力有限，以及各通道特征圖沒有區(qū)分的問題，該文構(gòu)建了一個(gè)基于多層感知卷積和通道加權(quán)的卷積神經(jīng)網(wǎng)絡(luò)(CNN)隱寫檢測(cè)模型。該模型使用多層感知卷積(Mlpconv)代替?zhèn)鹘y(tǒng)的線性卷積，增強(qiáng)隱寫檢測(cè)模型對(duì)高階特征的表達(dá)能力；同時(shí)引入通道加權(quán)模塊，實(shí)現(xiàn)根據(jù)全局信息對(duì)每個(gè)卷積通道賦予不同的權(quán)重，增強(qiáng)有用特征并抑制無用特征，增強(qiáng)模型提取檢測(cè)特征的質(zhì)量。實(shí)驗(yàn)結(jié)果表明，該檢測(cè)模型針對(duì)不同典型隱寫算法及不同嵌入率，相比Xu-Net, Yedroudj-Net, Zhang-Net均有更高的檢測(cè)準(zhǔn)確率，與最優(yōu)的Zhu-Net相比，準(zhǔn)確率提高1.95%～6.15%。

針對(duì)在速度拖引干擾和雜波背景下脈沖多普勒(PD)雷達(dá)無法精確跟蹤目標(biāo)的問題，該文提出基于雙模型(DM)和幅度信息(AI)的目標(biāo)跟蹤算法。分別建立基于位置、幅度量測(cè)的跟蹤模型和基于位置、速度、幅度量測(cè)的跟蹤模型。兩個(gè)模型均使用基于幅度信息的概率數(shù)據(jù)互聯(lián)(AI-PDA)盡可能地降低雜波的影響，然后使用常規(guī)方法進(jìn)行濾波估計(jì)。若沒有速度拖引干擾，則兩個(gè)模型估計(jì)具有位置和速度上的相關(guān)性；若存在干擾，由于速度量測(cè)是虛假的，則兩個(gè)模型估計(jì)不具有相關(guān)性。據(jù)此，進(jìn)行卡方檢驗(yàn)(chi-square test)，分析影響檢驗(yàn)結(jié)果的因素，進(jìn)而確定最終的估計(jì)結(jié)果。仿真驗(yàn)證了該算法的有效性。

針對(duì)空天地一體化接入網(wǎng)絡(luò)，該文在總結(jié)相關(guān)研究的基礎(chǔ)上，闡述了未來空天地一體化接入架構(gòu)的關(guān)鍵技術(shù)，分析了空口技術(shù)、多址技術(shù)、干擾分析、計(jì)算技術(shù)和人工智能(AI)技術(shù)等幾個(gè)重點(diǎn)方向的研究進(jìn)展，提出了多種接入形式并存的靈活性網(wǎng)絡(luò)架構(gòu)。針對(duì)6G全域融合網(wǎng)絡(luò)接入的重點(diǎn)研究問題，結(jié)合用戶的服務(wù)質(zhì)量需求，構(gòu)建了一體化AI賦能架構(gòu)，提出了大規(guī)?；旌隙嘀方尤爰皬椥再Y源適配策略?；诰W(wǎng)絡(luò)架構(gòu)立體化、網(wǎng)絡(luò)協(xié)同傳輸、一體化網(wǎng)絡(luò)資源管理、未來空天地接入技術(shù)以及網(wǎng)絡(luò)協(xié)同計(jì)算等未來重點(diǎn)研究方向進(jìn)行了討論和展望。

隨著物聯(lián)網(wǎng)(IoT)的快速發(fā)展，人工智能(AI)與邊緣計(jì)算(EC)的深度融合形成了邊緣智能(Edge AI)。但由于IoT設(shè)備計(jì)算與通信資源有限，并且這些設(shè)備通常具有隱私保護(hù)的需求，那么在保護(hù)隱私的同時(shí)，如何加速Edge AI仍然是一個(gè)挑戰(zhàn)。聯(lián)邦學(xué)習(xí)(FL)作為一種新興的分布式學(xué)習(xí)范式，在隱私保護(hù)和提升模型性能等方面，具有巨大的潛力，但是通信及本地訓(xùn)練效率低。為了解決上述難題，該文提出一種FL加速框架AccFed。首先，根據(jù)網(wǎng)絡(luò)狀態(tài)的不同，提出一種基于模型分割的端邊云協(xié)同訓(xùn)練算法，加速FL本地訓(xùn)練；然后，設(shè)計(jì)一種多輪迭代再聚合的模型聚合算法，加速FL聚合；最后實(shí)驗(yàn)結(jié)果表明，AccFed在訓(xùn)練精度、收斂速度、訓(xùn)練時(shí)間等方面均優(yōu)于對(duì)照組。

由于傳統(tǒng)編碼方式對(duì)屏幕圖像的編碼效果不佳，該文根據(jù)屏幕圖像包含大量非連續(xù)色調(diào)內(nèi)容的特點(diǎn)，在HEVC(High Efficiency Video Coding)基礎(chǔ)上，提出一種新的幀內(nèi)編碼模式稱為幀內(nèi)串匹配(Intra String Copy, ISC)?；舅枷胧窃贖EVC的編碼單元(Coding Unit, CU)級(jí)別上，引入字典編碼工具：編碼時(shí)，在一定長(zhǎng)度的字典窗口內(nèi)，利用散列表，對(duì)當(dāng)前CU內(nèi)的像素，進(jìn)行串搜索和匹配；解碼時(shí)，根據(jù)像素串匹配的距離和匹配長(zhǎng)度，在重建緩存內(nèi)復(fù)制相應(yīng)位置像素重建當(dāng)前CU像素。實(shí)驗(yàn)結(jié)果表明，在編碼復(fù)雜度增加很少的情況下，對(duì)于典型的屏幕圖像測(cè)試序列，在全幀內(nèi)(All Intra, AI)，隨機(jī)接入(Random Access, RA)，低延遲(Low-delay B, LB)3種配置下，有損編碼模式比HEVC分別節(jié)省碼率15.1%, 12.0%, 8.3%，無損編碼模式分別節(jié)省碼率23.3%, 14.9%, 11.6%。

移動(dòng)云計(jì)算、人工智能(AI)、5G等新興技術(shù)應(yīng)用促使彈性光網(wǎng)絡(luò)(EON)在骨干傳輸網(wǎng)中發(fā)揮更重要的角色，降級(jí)服務(wù)(DS)技術(shù)為降低EON的業(yè)務(wù)阻塞率、提高頻譜利用率提供了新途徑。該文首先對(duì)現(xiàn)有DS算法的資源分配不公、忽略低等級(jí)業(yè)務(wù)的體驗(yàn)質(zhì)量(QoE)等問題，建立了以最小化降級(jí)頻次、降級(jí)等級(jí)與傳輸時(shí)延損失(TDL)為聯(lián)合優(yōu)化目標(biāo)的混合整數(shù)線性規(guī)劃(MILP)模型，并提出一種時(shí)延感知的降級(jí)恢復(fù)路由與頻譜分配(DDR-RSA)算法。為提高降級(jí)業(yè)務(wù)的QoE和運(yùn)營商收益，在算法的最優(yōu)DS窗口選擇階段中融入降級(jí)恢復(fù)策略，在保障傳輸數(shù)據(jù)量不變的前提下，將降級(jí)業(yè)務(wù)向空閑頻域復(fù)原，從而提高頻譜效率、減小降級(jí)業(yè)務(wù)TDL和最大化網(wǎng)絡(luò)收益。最后，通過仿真證明了所提算法在業(yè)務(wù)阻塞率、網(wǎng)絡(luò)收益和降級(jí)業(yè)務(wù)成功率等方面的優(yōu)勢(shì)。

AI+熱成像人體溫度監(jiān)測(cè)系統(tǒng)被廣泛用于人群密集的人體實(shí)時(shí)溫度測(cè)量。此類系統(tǒng)檢測(cè)人的頭部區(qū)域進(jìn)行溫度測(cè)量，由于各類遮擋，溫度測(cè)量區(qū)域可能太小而無法正確測(cè)量。為了解決這個(gè)問題，該文提出一種融合紅外注意力提升機(jī)制的無錨點(diǎn)實(shí)例分割網(wǎng)絡(luò)，用于實(shí)時(shí)紅外熱成像溫度測(cè)量區(qū)域?qū)嵗指?。該文所提出的?shí)例分割網(wǎng)絡(luò)在檢測(cè)階段和分割階段融合紅外空間注意力模塊(ISAM)，旨在準(zhǔn)確分割紅外圖像中的頭部裸露區(qū)域，以進(jìn)行準(zhǔn)確實(shí)時(shí)的溫度測(cè)量。結(jié)合公共熱成像面部數(shù)據(jù)集和采集的紅外熱成像數(shù)據(jù)集，制作了“熱成像溫度測(cè)量區(qū)域分割數(shù)據(jù)集”用于網(wǎng)絡(luò)訓(xùn)練。實(shí)驗(yàn)結(jié)果表明：該方法對(duì)紅外熱成像圖像中頭部裸露測(cè)溫區(qū)域的平均檢測(cè)精度達(dá)到88.6%，平均分割精度達(dá)到86.5%，平均處理速度達(dá)到33.5 fps，在評(píng)價(jià)指標(biāo)上優(yōu)于大多數(shù)先進(jìn)的實(shí)例分割方法。