技术自动化改变了我们的工作方式和解决问题的方式。由于过去几年机器人技术和人工智能 (AI) 取得的进展，现在可以将多项任务交给机器和算法来完成。

为了突出这些进步，在 2021 年 7 月的期刊中，IEEE/CAA Journal of Automatica Sinica 刊登了六篇文章，涵盖了可以让我们的生活更轻松的 AI 创新应用。

第一篇文章由美国弗吉尼亚理工大学机械工程系 ASIM 实验室的研究人员撰写，深入探讨了一个有趣的主题组合：智能汽车、机器学习和脑电图 (EEG)。一段时间以来，自动驾驶汽车一直备受关注。那么脑电图在这张图片中是如何拟合的呢?

有时驾驶员会在不知不觉中分心或疲劳，从而增加发生交通事故的风险。幸运的是，汽车现在可以配备人工智能系统，感知和分析驾驶员的脑电图信号，以持续监控他们的状态并在必要时发出警告。本文回顾了最新的基于 EEG 的驾驶员状态估计技术。他们还提供有关最流行的 EEG 解码方法和神经网络模型的详细教程，帮助研究人员熟悉该领域。作者解释说：“通过实施这些基于 EEG 的方法，我可以更准确地估计驾驶员的状态，从而提高道路安全。”

接下来，来自中国四川大学和美国佛罗里达大学的科学家们提出了一种新的图像字幕方法，这是计算机难以完成的任务。问题是，尽管计算机现在可以恰当地识别给定图像中的对象，但仅基于这些对象来描述场景是很棘手的。

为了解决这个问题，研究人员开发了一个基于全局注意力的网络来准确估计图像中给定区域在标题中被提及的概率。这是通过分析局部视觉特征和全局标题特征之间的相似性来实现的。使用注意力模块，该模型可以更准确地关注图像中最重要的区域，以生成良好的标题。自动图像字幕是索引大型图像数据集和帮助视障人士的绝佳工具。

在第三篇文章中，巴基斯坦管理科学研究所、韩国延南大学、中国西安电子科技大学和卡拉布里亚大学那不勒斯费德里科二世大学的科学家们尝试将协作机器人技术带入俯视监控领域. 更具体地说，他们提出了一个详细的框架，其中深度学习用于顶视图计算机视觉，这与大多数关注正面图像的研究相反。该框架使用带有嵌入式视觉处理单元的智能机器人摄像头和深度学习算法，用于检测和跟踪多个对象(各种应用中的基本任务，包括预防以及人群和行为分析)。

在第四篇文章中，中国湖南大学桂林电子科技大学的研究人员提出了一种基于神经网络可以提取和使用的特征来生成超分辨率图像的新方法。他们的方法称为加权多尺度残差网络，可以利用来自不同尺度的全局和局部图像特征来重建具有最先进性能的高质量图像。作者说：“当前的成像设备肯定无法提供足够的计算资源，因此，我们设计了一种快速且轻量级的架构来缓解这个问题。”

来自澳大利亚新南威尔士大学的研究人员的第五篇文章涵盖了人类与群体合作中透明度和信任的复杂主题。这组作者认为，可解释性、可解释性和可预测性是人工智能中不同但重叠的概念，它们从属于透明度。通过借鉴文献，他们提出了一种架构，以确保人与机器群之间的可靠协作，超越通常的主从范式。研究人员总结道：“在我们开始利用这些系统所提供的机会之前，人群团队需要提高透明度。”

最后，中国电子科技大学的科学家展示了深度神经网络在计算机视觉领域的另一种用途——更具体地说，在视频异常检测中。用于自动检测视频片段中异常的现有模型尝试根据先前的输入预测或重建帧，并通过计算重建误差来确定是否有任何不合适的地方。这种方法的问题在于，异常帧有时会被很好地重建，从而导致假阴性。

科学家们通过开发一个认知记忆增强网络来解决这个问题，该网络模仿人类记忆正常样本的方式，并使用重建误差和计算出的新颖性分数来检测视频中的异常情况。凭借经过验证的最先进性能，该网络可以轻松应用于监控任务，例如事故和公共安全监控。

我们很可能很快就会见证人工智能在许多现实生活中的应用中变得至关重要。因此，请务必查看 2021 年 7 月发行的 IEEE/CAA Journal of Automatica Sinica，与时俱进!