深度学习在目标检测的研究综述

现如今计算机视觉领域的研究热点之一是目标检测,其根本是对图像中指定目标的识别。而深度学习是目前发展快速,应用广泛的一种技术,其具备的学习能力可以在目标检测中对目标进行图像识别、特征提取以及分类识别等操作。通过介绍深度学习的研究进展、分析了各种网络模型的特点。最后总结了深度学习在目标检测领域的应用发展,结合当前问题和挑战,分析了以后的研究发展。     

单机架炉卷轧机张力控制模型辨识及仿真

以某炉卷轧机为对象,设计瞬态响应实验,采集炉卷轧机的张力瞬态输入输出数据,用Matlab2007b数据处理工具箱对这些数据进行处理后,应用Matlab2007b的系统辨识工具箱,辨识出可用于单机架炉卷轧机张力控制器设计的线性时不变传递函数模型,并对这些辨识模型进行仿真研究和分析,为进一步研究炉卷轧机控制奠定了基础.图11,参10.     

基于改进TD3的自动驾驶车道保持决策方法

本文提出基于改进TD3算法的车道保持端到端决策新方案.首先,构建多数据融合TD3算法框架,感知自主车辆运动学数据信息和视觉图像信息来提升算法的稳定性.并且结合注意力机制思想细化图像特征,使得算法关注重要道路信息,以此增强算法可解释性.其次,综合考虑驾驶的安全性、舒适性和效率性因素设计了指导型奖励函数,以引导智能体学到更加类人的驾驶策略.最后,采用分类与高价值优先级经验回放方法 ,以提高样本利用率和加快算法收敛速度.借助TORCS仿真平台,设计了多组对比实验,以验证所提方法的有效性和可行性;并且通过多个场景的仿真测试,验证了改进TD3算法的整体性能优于TD3算法.