Automated Flow Pattern Classification in Multi-phase Systems Using AI and Capacitance Sensing Techniques
The University of Manchester（曼彻斯特大学）；King Abdulaziz City for Science and Technology（阿卜杜勒阿齐兹国王科技城）；SmartU Technologies（SmartU科技公司）
本研究提出集成电容传感器与AI（一维SENet）的流型分类平台，在实验和模式数据集上分别取得超85%和71%准确率，显著提升鲁棒性与可靠性，为实时监测提供新路径。
2025-02-23 cs.CE cs.LG
There is no data like more data -- current status of machine learning datasets in remote sensing
Munich University of Applied Sciences（慕尼黑应用科学大学）；K. N. Toosi University of Technology（KN图西理工大学）；German Aerospace Center (DLR)（德国航空航天中心）
注释数据集已成为开发和评估基于机器学习的方法的最重要的先决条件之一，这些方法旨在对遥感数据进行自动判读。在本文中，我们回顾了这类数据集的历史发展，讨论了它们的功能的基础上选择的几个例子，并解决未来发展的开放问题。
2021-06-17 cs.LG eess.IV
Autosen: improving automatic wifi human sensing through cross-modal autoencoder
Queen Mary University of London（伦敦玛丽女王大学）
AutoSen提出一种基于跨模态自编码器的自动WiFi人体感知方法，直接从无标注CSI数据中联合学习幅度与相位特征并去噪，结合少样本学习在公开基准上取得优异性能。
2024-01-08 cs.HC cs.LG eess.SP
Automated Pest Detection with DNN on the Edge for Precision Agriculture
University of Trento（特伦托大学）
人工智能已顺利渗透到多项经济活动中，特别是监测和控制应用，包括农业部门。然而，针对具有全功能机器学习（ML）的低功耗传感设备的研究工作仍然是分散的，并且在智能农业中受到限制。生物胁迫是造成作物减产的主要原因之一。随着深度学习在计算机视觉技术中的发展，通过图像自主检测虫害已经成为及时诊断农作物病害的重要研究方向。本文提出了一种嵌入式系统，增强了ML功能，确保连续检测果园内的害虫侵扰。嵌入式解决方案基于低功耗嵌入式传感系统以及神经加速器，能够在常见的基于信息素的陷阱中捕获和处理图像。已经训练和部署了三种不同的ML算法，突出了平台的功能。此外，由于集成了能量收集功能，所提出的方法保证了延长的电池寿命。结果表明，它是如何能够自动化的害虫侵扰的任务，无限制的时间，没有农民的干预。
2021-08-01 cs.CV cs.LG
Background-Foreground Segmentation for Interior Sensing in Automotive Industry
University of Wuppertal（伍珀塔尔大学）；Aptiv Services Deutschland GmbH（安波福德国服务有限公司）
为了确保自动驾驶的安全性，正确感知车内的情况与其环境同样重要。因此，座位占用检测和检测到的实例的分类在内部感测中起着重要作用。通过了解座位占用状态，例如，自动化气囊展开控制。此外，可以验证驾驶员的存在，这对于自动化级别2至4的部分自动驾驶汽车是必要的。在这项工作中，我们比较了不同的统计方法，从图像分割领域来解决基于摄像机的内部感知中的背景-前景分割问题。近年来，基于不同技术的几种方法已经被开发并应用于来自不同应用的图像或视频。给定的内部感知场景的特点是，前景实例和背景都包含静态和动态元素。在这项工作中考虑的数据，甚至相机的位置是不完全固定的。我们审查和基准三种不同的方法，即，高斯混合模型（GMM），形态蛇和深度神经网络，即掩码R-CNN。特别是，经典的方法，GMM和形态蛇，内部检测的局限性。此外，通过深度学习可以克服这些限制，例如，使用Mask R-CNN。虽然只有少量的地面真实数据可用于训练，但我们使Mask R-CNN能够通过迁移学习产生高质量的背景-前景掩码。此外，我们证明了某些增强以及预处理和后处理方法进一步提高了所研究方法的性能。
2021-09-20 cs.CV cs.LG
Deep learning assisted robust detection techniques for a chipless RFID sensor tag
Tyndall National Institute（廷德尔国家研究所）；University College Cork（科克大学学院）
该研究针对无芯片RFID传感器标签的识别与传感数据可靠读取问题，首次结合机器学习与深度学习回归模型，基于大规模实测RCS数据集训练验证，提出端到端鲁棒检测方法，1D CNN模型检测精度优于传统机器学习模型。
2023-08-26 cs.LG eess.SP physics.ins-det
MARVIN: An Open Machine Learning Corpus and Environment for Automated Machine Learning Primitive Annotation and Execution
Jet Propulsion Laboratory（喷气推进实验室）；California Institute of Technology（加州理工学院）
在这篇演示论文中，我们介绍了DARPA D3 M程序的自动机器学习（ML）和喷气推进实验室的MARVIN工具，提供了一个环境来定位，注释和执行机器学习原语用于ML管道。MARVIN是一个用Python编写的基于Web的应用程序和相关的后端接口，可以从Scikit-Learn、Keras、DL 4J和其他广泛使用的库中的数百个原语组成ML管道。MARVIN允许创建在DARPA内的Kubernetes集群上运行的Docker容器，为自动化机器学习提供执行环境。MARVIN目前包含400多个数据集和挑战问题，这些问题来自广泛的ML领域，包括常规分类和回归到高级视频/图像分类和遥感。
2018-08-11 cs.LG stat.ML
Automated Road Extraction from Satellite Imagery Integrating Dense Depthwise Dilated Separable Spatial Pyramid Pooling with DeepLabV3+
Knight Foundation School of Computing and Information Sciences（奈特基金会计算与信息科学学院）；Florida International University（佛罗里达国际大学）
本文提出用密集深度可分离空洞空间金字塔池化模块替代DeepLabV3+中的ASPP，并结合主干网络与Squeeze-and-Excitation模块，以提升卫星影像中复杂道路结构的自动提取精度。
2024-10-18 cs.CV cs.LG
AutoGeoLabel: Automated Label Generation for Geospatial Machine Learning
German Aerospace Center（德国航空航天中心）；IBM T.J. Watson Research Center（IBM T.J.沃森研究中心）
监督学习的一个关键挑战是人类标记数据的可用性。我们评估了一个大数据处理管道，以自动生成遥感数据的标签。它基于从调查（例如LiDAR测量）中提取的光栅化统计特征。使用光栅化的统计层的简单组合，它表明，可以生成多个类的精度为~0.9。作为概念验证，我们利用大地理数据平台IBM PAIRS在具有多个土地覆盖类别的密集城市地区动态生成此类标签。这里提出的一般方法是独立于平台的，它可以适用于生成其他卫星模式的标签，以使机器学习的开销图像的土地利用分类和对象检测。
2022-01-31 cs.CV cs.LG eess.IV
Benchmarking Machine Learning Methods for Distributed Acoustic Sensing
School of Physics Nanjing University Nanjing, China；School of Physics Nanjing University Nanjing, China corresponding author
该研究基准测试了经典机器学习与深度学习模型在分布式声学传感数据识别中的性能，揭示了智能传感技术的演进方向。
2025-03-26 cs.CV cs.LG cs.SD
Supervised segmentation of NO2 plumes from individual ships using TROPOMI satellite data
Leiden University（莱顿大学）；Human Environment and Transport Inspectorate (ILT)（人居与交通监察局）；Stanford University（斯坦福大学）；TNO（荷兰应用科学研究组织）
针对全球船舶NO2排放监测成本高且难以连续进行的问题，提出基于TROPOMI/S5P数据与监督机器学习的NO2烟羽自动分割方法，将平均精度提升20%以上，为全球遥感监测奠定关键基础。
2023-04-07 cs.CV cs.LG
Opportunities of Federated Learning in Connected, Cooperative and Automated Industrial Systems
Consiglio Nazionale delle Ricerche (CNR)（意大利国家研究委员会）；Politecnico di Milano（米兰理工大学）；University of Oulu（奥卢大学）
下一代自主和网络化工业系统（即，机器人、车辆、无人机）推动了超可靠、低延迟通信（URLLC）和计算的进步。这些网络化的多智能体系统需要快速、通信高效和分布式的机器学习（ML）来提供关键任务控制功能。分布式机器学习技术，包括联邦学习（FL），代表了一个新兴的多学科研究领域，交织在传感，通信和学习。FL使分布式无线系统中的连续模型训练成为可能：FL利用合作融合方法，而不是在集中式服务器上融合原始数据样本，其中通过URLLC连接的网络代理充当分布式学习者，定期交换其本地训练的模型参数。本文探讨了FL为下一代网络化工业系统带来的新机遇。开放的问题进行了讨论，重点是在连接自动驾驶汽车和协作机器人在智能制造中的合作。
2021-01-12 cs.DC cs.LG
Machine Learning-Based Classification of Oils Using Dielectric Properties and Microwave Resonant Sensing
Dept. of EEE, IIT Guwahati, Assam, India（电子工程系，印度果阿瓦提理工学院）；Dept. of ECE, NIT Silchar, Assam, India（电子与通信工程系，印度西里查尔理工学院）
本研究提出利用微波谐振传感器提取油品介电特征，结合机器学习分类器实现油品分类，经实验验证随机森林分类器准确率达99.41%，为工业场景下快速可靠的自动化油品识别提供了可行方案。
2025-06-11 cs.LG
Convolutional neural networks for mineral prospecting through alteration mapping with remote sensing data
The University of Sydney（悉尼大学）；Indian Institute of Technology Jammu（贾木纳印度理工学院）；University of New South Wales（新南威尔士大学）
本研究利用CNN结合Landsat 8、Landsat 9和ASTER遥感数据，对澳大利亚布罗肯希尔北部蚀变带进行填图，通过地面真值训练和选择性PCA方法，证明CNN在捕捉空间模式上优于传统机器学习模型，并能有效识别细微矿化相关蚀变。
2025-02-25 cs.CV cs.LG eess.IV
A Comprehensive Review of Automated Data Annotation Techniques in Human Activity Recognition
University of Stavanger（斯塔万格大学）；University of Verona（维罗纳大学）；Norwegian University of Life Sciences（挪威生命科学大学）；TU Chemnitz（开姆尼茨工业大学）
本文针对HAR中数据标注成本高、场景差异大的问题，系统梳理自动化标注方法并建立分类体系，以辅助不同场景下的技术选型。
2023-07-12 cs.HC cs.LG
Neuromorphic Processing and Sensing: Evolutionary Progression of AI to Spiking
University of Strathclyde（思克莱德大学）
随着机器学习和深度学习应用的不断增长，需要更多的计算资源来成功满足始终连接的自动化世界不断增长的需求。基于脉冲神经网络算法的神经形态技术有望通过对人脑的功能和尖峰进行建模，使用一小部分计算和功率需求来实现高级人工智能。随着帮助数据科学家和机器学习工程师开发人工和深度神经网络的最新创新的工具和平台的激增，向新范式的过渡将需要在当前完善的基础上进行构建。本文阐述了基于尖峰信号的神经形态技术的理论工作原理，并综述了硬件处理器、软件平台和神经形态传感设备的最新进展。为当前的机器学习专家铺平了一条发展道路，以更新他们的技能，以及从当前一代深度神经网络到SNN的分类或预测模型。这可以通过利用SpiNNaker和Nengo迁移工具包形式的现有专用硬件来实现。第一手，VGG-16神经网络转换为SNN的实验结果是共享的。一个前瞻性的目光到工业，医疗和商业应用，可以很容易地受益于SNN结束了这项调查到类脑计算的未来。
2020-07-10 cs.AI cs.CV cs.LG
Human Centered Non Intrusive Driver State Modeling Using Personalized Physiological Signals in Real World Automated Driving
UNED（西班牙国立远程教育大学）；UC3M（马德里卡洛斯三世大学）
研究探讨了利用非侵入式生理信号进行个性化驾驶员状态建模的可行性，通过实验展示个性化模型在驾驶员意识识别中的高准确率，揭示了通用模型在跨用户泛化中的局限性。
2026-04-13 cs.HC cs.LG cs.RO
Towards Infant Sleep-Optimized Driving: Synergizing Wearable and Vehicle Sensing in Intelligent Cruise Control
本文提出一种融合可穿戴传感与车辆数据的智能巡航控制框架，利用强化学习结合LSTM和Transformer动态优化驾驶策略，在CARLA仿真中显著提升婴儿睡眠质量并兼顾出行效率。
2025-08-17 cs.ET cs.LG cs.RO
