检索范围:
排序: 展示方式:
论智能起源中的简约与自洽原则 Position Paper
马毅1,曹颖2,沈向洋3
《信息与电子工程前沿(英文)》 2022年 第23卷 第9期 页码 1298-1323 doi: 10.1631/FITEE.2200297
深度三维重建:方法、数据和挑战 Review Article
刘彩霞1,孔德慧1,王少帆1,王志勇2,李敬华1,尹宝才1
《信息与电子工程前沿(英文)》 2021年 第22卷 第5期 页码 615-766 doi: 10.1631/FITEE.2000068
基于双向深度生成模型和功能磁共振成像数据的大脑编码和解码 Review
杜长德, 李劲鹏, 黄利皆, 何晖光
《工程(英文)》 2019年 第5卷 第5期 页码 948-953 doi: 10.1016/j.eng.2019.03.010
通过功能磁共振成像(fMRI)进行大脑编码和解码是视觉神经科学的两个重要方面。尽管以前的研究人员在大脑编码和解码模型方面取得了显著进步,但是现有方法仍需要使用先进的机器学习技术进行改进。例如,传统方法通常会分别构建编码和解码模型,并且容易对小型数据集过度拟合。实际上,有效地统一编码和解码过程可以进行更准确的预测。在本文中,我们首先回顾了现有的编码和解码方法,并讨论了“双向”建模策略的潜在优势。接下来,在体系结构和计算规则方面,我们证明了深度神经网络和人类视觉通路之间存在的对应关系。此外,深度生成模型[如变分自编码器(VAE)和生成对抗网络(GAN)]在大脑编码和解码研究中产生了可喜的成果。最后,我们提出了最初为机器翻译任务设计的对偶学习方法,该方法通过利用大规模未配对数据提高了编码和解码模型的效果。
基于深度学习紧致二进制编码的指纹索引 None
Chao-chao BAI, Wei-qiang WANG, Tong ZHAO, Ru-xin WANG, Ming-qiang LI
《信息与电子工程前沿(英文)》 2018年 第19卷 第9期 页码 1112-1123 doi: 10.1631/FITEE.1700420
基于改进立体网络的深度估计 Research Article
徐万朋1,邹玲3,吴玲达1,齐越2,钱昭勇1
《信息与电子工程前沿(英文)》 2022年 第23卷 第5期 页码 777-789 doi: 10.1631/FITEE.2000676
关键词: 单目深度估计;自监督;图像重建
迈向下一代视网膜神经假体——基于脉冲的视觉计算方法 Review
余肇飞, 刘健, 贾杉杉, 张祎晨, 郑雅菁, 田永鸿, 黄铁军
《工程(英文)》 2020年 第6卷 第4期 页码 449-461 doi: 10.1016/j.eng.2020.02.004
神经假体是一种精准医疗设备,旨在以闭环的方式操纵大脑神经信号,接受来自外界环境刺激的同时,控制人脑或人体的某些部分。外界输入的信息可以在大脑中的神经元细胞中以毫秒量级处理运算。神经假体中的闭环计算包括两个阶段:将刺激信息编码为神经元信号和将神经元信号重新解码为刺激信息。为了更好地理解视网膜中神经网络的计算原理,我们认为,有必要对视网膜构建一个超级网络环路,在此环路中,那些皮层神经网络所揭示的不同功能的网络模块,都可以应用于视网膜网络中。视网膜的不同组成部分,包括多种细胞类型和突触连接——化学突触和电突触(缝隙连接),使视网膜成为一个理想的神经网络,其能够适应人工智能中发展起来的计算技术,对视觉场景的编码和解码进行建模
蒸汽裂解建模中的人工智能——详细流出物预测深度学习算法 Article
Pieter P. Plehiers, Steffen H. Symoens, Ismaël Amghizar, Guy B. Marin, Christian V. Stevens, Kevin M. Van Geem
《工程(英文)》 2019年 第5卷 第6期 页码 1027-1040 doi: 10.1016/j.eng.2019.02.013
面向网络编码的无证书多重签名方法 Research Article
俞惠芳,亓哲伟
《信息与电子工程前沿(英文)》 2022年 第23卷 第9期 页码 1369-1377 doi: 10.1631/FITEE.2200271
基于Wasserstein GAN的新一代人工智能小样本数据增强方法——以生物领域癌症分期数据为例 Article
刘宇飞, 周源, 刘欣, 董放, 王畅, 王子鸿
《工程(英文)》 2019年 第5卷 第1期 页码 156-163 doi: 10.1016/j.eng.2018.11.018
以大数据为基础的深度学习算法在推动新一代人工智能快速发展中意义重大。然而深度学习的有效利用对标注样本数量的高度依赖,使得深度学习在小样本数据环境下的应用受到制约。本研究提出了一种基于生成对抗网络(generative adversarial network,GAN)和深度神经网络(deep neural network,DNN)分类器的方法。同时,该方法是一次将基于原始样本的经典统计机器学习分类方法转变为基于数据增强的深度学习分类方法的尝试。本研究有助于探索以深度学习为代表的新一代人工智能技术在应用范围与应用效果方面的潜力。这将对各领域全面推进新一代人工智能的发展具有重要意义。
人工智能算法在网络空间安全中的应用:技术与现状综述 Review
陈捷1,2,武丹丹2,谢瑞云2
《信息与电子工程前沿(英文)》 2023年 第24卷 第8期 页码 1117-1142 doi: 10.1631/FITEE.2200314
基于多智能体深度强化学习的工业无线网络端边协同资源分配 Research Article
刘晓宇1,2,3,4,许驰1,2,3,于海斌1,2,3,曾鹏1,2,3
《信息与电子工程前沿(英文)》 2022年 第23卷 第1期 页码 47-60 doi: 10.1631/FITEE.2100331
一种端到端语音合成中的高效解码自注意力网络 Research Article
赵伟1,2,许力1,2
《信息与电子工程前沿(英文)》 2022年 第23卷 第7期 页码 1127-1138 doi: 10.1631/FITEE.2100501
关键词: 高效解码;端到端;自注意力网络;语音合成
5G最小代价多播网络中的次优编码子图算法 None
Feng WEI, Wei-xia ZOU
《信息与电子工程前沿(英文)》 2018年 第19卷 第5期 页码 662-673 doi: 10.1631/FITEE.1700020
标题 作者 时间 类型 操作
蒸汽裂解建模中的人工智能——详细流出物预测深度学习算法
Pieter P. Plehiers, Steffen H. Symoens, Ismaël Amghizar, Guy B. Marin, Christian V. Stevens, Kevin M. Van Geem
期刊论文