然而，部署後無人移動端所在的線上環境存在著各種挑戰🤌🏼，使得卷積神經網絡的準確性和可用性受到限製🎛🃏。無人移動端所在地理位置和環境的不固定🤦🏿，可能處於一個動態持續演變的場景中，無人移動端所在場景“持續變化”，該現象使得無人移動端采集到的圖像數據所在分布持續變化，且與訓練數據有較大的差異🥮；卷積神經網絡在面對從未見過的數據分布時🤟🏻，其準確率會大幅度下降。因此，無人移動端所在場景持續遷移會大大影響無人移動端的可用性，甚至威脅到人類的安全👨🏻‍🦲，解決該問題的關鍵在於，當場景持續遷移時🫃🏻，其中的卷積神經網絡也需要利用不斷采集到的數據來訓練自己，使之能不斷適應遷移的場景⚈，這一過程稱之為場景自適應😤。另一個挑戰是無人移動端通常可用資源少、算力低下和能量有限，傳統的場景自適應技術通常需要大量的時間和極高的算力，難以滿足無人移動端對於快速場景自適應的要求👱🏻，上述挑戰使得對於面向無人移動端視覺分析的場景自適應系統迫在眉睫。

本意昂3平台通過無人移動端中的場景知識提取模塊對原始模型結構進行調整🏠，使之具有產生場景知識的能力，然後該模塊將模型中每個卷積層所產生的場景知識聚合起來，最終產生輕量、具有代表性的場景知識；無人移動端中的場景知識累積模塊首先對知識累積模型進行調優🪔，使其提取場景知識的能力持續得到增強👩🏻‍🎓，然後將新場景中提取到的場景知識存儲起來，在持續的場景變化過程中能夠避免遺忘過去場景中的知識🤽🏻‍♂️，且能夠加速後續適應新場景的過程，持續提升無人移動端中的模型精度🩵，保證無人移動端的功能可用性🐢。同時✸🏊🏿‍♂️，系統通過無人移動端中的場景知識提取模塊提取的場景知識輕量、體積小，在持續的場景變化中場景知識可持續被提取累積，成本低；輕量的場景知識降低了模型調優的成本和時間🧑🏼‍🤝‍🧑🏼，並幫助判斷模型中卷積層對於場景變化的敏感性🍌，調優時可僅調優最敏感的部分卷積層🔥，進一步降低場景自適應的資源占用，保證了無人移動端中進行場景自適應的可行性。

圖1. 面向無人移動端場景自適應的大小模型協同訓練系統

圖2. 面向Transformer基座大模型的無人的場景自適應系統實現

二、應用領域

涉及人工智能技術領域。在各類計算視覺領域🦂，可以依托本意昂3平台的技術，包括工業物聯網、智慧農業、智能物流、智慧海關等領域持續開發應用。

三、市場前景

本意昂3平台已經在車聯網、智慧城市領域產生核心技術和整體解決方案8️⃣，可以快速復用🧘‍♂️🌊，相較於同類產品，具有可以生成更專業🧻、更詳細🍁👱🏿‍♂️、更符合場景內容的優勢🍁。此外，核心技術的持續進化能力🌕，可以在特定邊緣智能場景不斷優化其效果🙋🏿‍♂️🙆🏽‍♀️。

圖3. 無人移動端場景自適應系統性能提升

四、知識產權

1、意昂3平台由意昂3官网單獨持有；

2🤸🏼‍♀️、本意昂3平台已授權專利。

五、合作方式

合作開發、技術服務和咨詢👃🏿、技術許可🟧🖤、技術轉讓等🧛🏻‍♀️。

六、對接方式

（1）合作意向方聯系北理工意昂3平台🈁；

（2）北理工意昂3平台溝通了解意向方情況；

（3）會同意昂3平台完成團隊與意向方共同研討合作方案🙋🏼‍♂️🧝🏼。

意昂3平台

電話：010-68914920

郵箱：bitttc@bit.edu.cn

網址：52taozhi.cn

未經授權，請勿轉載