基于重建的工业图像异常检测通常假设模型能很好重建正常区域,而不能很好重建异常区域。但由于深度神经网络存在过度泛化问题,使得异常区域也能被较好重建,导致异常区域漏检。为解决上述问题,提出一种基于多记忆增强模块及图像轮廓重建...基于重建的工业图像异常检测通常假设模型能很好重建正常区域,而不能很好重建异常区域。但由于深度神经网络存在过度泛化问题,使得异常区域也能被较好重建,导致异常区域漏检。为解决上述问题,提出一种基于多记忆增强模块及图像轮廓重建的工业表面异常检测网络(industrial surface anomaly detection based on recon-struction with multiple memory enhancement modules and image edge,MMAERec)。具体来说,在带有跳跃连接的U-Net类型去噪自编码器上引入多记忆增强模块和图像轮廓提取模块。多记忆增强模块得到的记忆特征有利于很好地重建正常区域;而提取到的图像轮廓特征则有利于很好重建图像轮廓。将这两种不同特征的融合经注意力机制处理并用于重建能很好地提高重建图像质量。所提方法可以强制网络学习正常的低频和高频信息,防止模型直接复制异常区域,有效缓解过度泛化问题。在MVTec AD和BTAD两个工业数据集上的实验结果也展现了所提方法良好的检测和定位性能。展开更多
最后一公里配送是指将包裹从仓库送至客户手中,是物流服务的关键一步。在最后一公里配送中进行路线和时间预测(route and time prediction,RTP),有利于提升物流系统效率并改善客户的体验。然而,实现准确的路线和时间预测面临巨大的挑战...最后一公里配送是指将包裹从仓库送至客户手中,是物流服务的关键一步。在最后一公里配送中进行路线和时间预测(route and time prediction,RTP),有利于提升物流系统效率并改善客户的体验。然而,实现准确的路线和时间预测面临巨大的挑战。快递员的配送路线和到达时间受到多源异质特征的影响,如快递员的个性化偏好、订单所在位置及下单时间、订单所在区域的类型及订单量等;当前很多研究先预测配送路线再预测配送时间,但不准确的路线预测结果往往会对时间预测造成误差累积。针对上述挑战,提出了一种基于多关系图神经网络的路线与时间并行预测方法(multi-relational graph model for route and time parallel prediction,MRG4RTPP)。构建包裹在位置和区域这两个层次上的时间、空间和转移模式多关系图,并设计双层次多关系图编码器提取多源异质特征,对包裹间的复杂时空关系进行建模。创新性地提出基于状态转移的路线与时间并行解码方式,用于缓解误差累计问题,在每步解码中,基于快递员当前状态并行预测下一配送包裹及其到达时间,并基于预测结果更新快递员状态。在三个城市的真实物流配送数据集上进行了实验,结果表明MRG4RTPP在路线预测和时间预测任务上均达到了当前最优效果。展开更多
针对智能交通系统中行程时间估计的不确定性量化的难题,提出一种全局-局部不确定性感知行程时间估计方法(global and local uncertainty-aware travel time estimation,GLUTTE)。首先,通过多任务学习策略建模整体路线与各局部路段的行...针对智能交通系统中行程时间估计的不确定性量化的难题,提出一种全局-局部不确定性感知行程时间估计方法(global and local uncertainty-aware travel time estimation,GLUTTE)。首先,通过多任务学习策略建模整体路线与各局部路段的行程时间关系及其不确定性。其次,采用多粒度分位数回归方法,综合考虑全局和局部特征,提供准确的置信区间估计。实验结果表明,所提方法能够有效量化不确定性,同时保证准确性并提供可靠的置信区间,从而提升结果的可用性和可信度。展开更多
文摘基于重建的工业图像异常检测通常假设模型能很好重建正常区域,而不能很好重建异常区域。但由于深度神经网络存在过度泛化问题,使得异常区域也能被较好重建,导致异常区域漏检。为解决上述问题,提出一种基于多记忆增强模块及图像轮廓重建的工业表面异常检测网络(industrial surface anomaly detection based on recon-struction with multiple memory enhancement modules and image edge,MMAERec)。具体来说,在带有跳跃连接的U-Net类型去噪自编码器上引入多记忆增强模块和图像轮廓提取模块。多记忆增强模块得到的记忆特征有利于很好地重建正常区域;而提取到的图像轮廓特征则有利于很好重建图像轮廓。将这两种不同特征的融合经注意力机制处理并用于重建能很好地提高重建图像质量。所提方法可以强制网络学习正常的低频和高频信息,防止模型直接复制异常区域,有效缓解过度泛化问题。在MVTec AD和BTAD两个工业数据集上的实验结果也展现了所提方法良好的检测和定位性能。
文摘最后一公里配送是指将包裹从仓库送至客户手中,是物流服务的关键一步。在最后一公里配送中进行路线和时间预测(route and time prediction,RTP),有利于提升物流系统效率并改善客户的体验。然而,实现准确的路线和时间预测面临巨大的挑战。快递员的配送路线和到达时间受到多源异质特征的影响,如快递员的个性化偏好、订单所在位置及下单时间、订单所在区域的类型及订单量等;当前很多研究先预测配送路线再预测配送时间,但不准确的路线预测结果往往会对时间预测造成误差累积。针对上述挑战,提出了一种基于多关系图神经网络的路线与时间并行预测方法(multi-relational graph model for route and time parallel prediction,MRG4RTPP)。构建包裹在位置和区域这两个层次上的时间、空间和转移模式多关系图,并设计双层次多关系图编码器提取多源异质特征,对包裹间的复杂时空关系进行建模。创新性地提出基于状态转移的路线与时间并行解码方式,用于缓解误差累计问题,在每步解码中,基于快递员当前状态并行预测下一配送包裹及其到达时间,并基于预测结果更新快递员状态。在三个城市的真实物流配送数据集上进行了实验,结果表明MRG4RTPP在路线预测和时间预测任务上均达到了当前最优效果。
文摘针对智能交通系统中行程时间估计的不确定性量化的难题,提出一种全局-局部不确定性感知行程时间估计方法(global and local uncertainty-aware travel time estimation,GLUTTE)。首先,通过多任务学习策略建模整体路线与各局部路段的行程时间关系及其不确定性。其次,采用多粒度分位数回归方法,综合考虑全局和局部特征,提供准确的置信区间估计。实验结果表明,所提方法能够有效量化不确定性,同时保证准确性并提供可靠的置信区间,从而提升结果的可用性和可信度。
