人工智能
合作伙伴 – 悉尼大学
该项目旨在开发一个基于人工智能的考拉计数系统。无人机上的摄像头将用于拍摄RGB+红外图像和视频。图像处理和人工智能被开发用来理解用于定位和计数考拉的 RGB+红外图像。
交付系统由以下组件组成：
- 1) 无人机，用于飞越已确定的考拉栖息地。
- 2) 每架无人机上的 RGB+红外摄像头，用于捕捉考拉图像。
- 3) 安装在每架无人机上的人工智能计算设备。
- 4) 一种用于定位和计数考拉的 AI 算法。 AI算法以摄像头的视觉数据为输入，使用计算设备进行计算。定位和统计的考拉数据实时传输。
为了自动找到相机捕捉到的考拉，智能图像处理和识别是本方案的关键组成部分。
深度学习是一种新兴的智能图像处理机器学习方法。更具体地说，深度学习模型以相机的多模态数据为输入，将RGB+红外相机的多模态数据作为输入，输出每只考拉在相机拍摄的图像中的位置。识别出考拉的所有位置后，深度模型将使用它们来计算考拉的数量。
在这个项目中，我们建议使用安装在无人机上的轻量级相机开发多模态深度学习技术和相应的实时实现。为了部署考拉计数系统，准确性和速度是设计中的关键问题。
准确性用于衡量系统在计算新南威尔士州考拉种群数量方面的准确性。多模态数据提供了有助于提高准确性的补充信息。
我们由欧阳博士领导的研究团队带领 CUImage 团队
赢得了 ImageNet 大规模视觉识别挑战赛
目标检测以定位 200 个对象类别，包括考拉、大象、斑马和其他动物。
我们提出的解决方案将使用可以轻松达到 1920 x 1080 的 RGB 成像。众所周知，在计算机视觉任务中，如计数等，分辨率越高，精度越高。此外，RGB成像的高分辨率有助于拉大无人机与考拉之间的距离。
RGB 图像有助于区分考拉和其他动物。热数据仅提供热信息，这使得很难区分不同的动物。相比之下，我们的解决方案中使用的 RGB 成像可以显着提高区分考拉与树上其他动物的准确性。
我们的解决方案将采用欧阳博士在 ImageNet 和 COCO 目标检测挑战中获胜的新目标检测方法，性能远优于市场上现有的解决方案。
该项目旨在开发新颖的基于深度学习的机器学习算法，以了解下一代教育课堂场景的活动。
该项目的预期成果包括在人体姿态估计、物体检测和跟踪以及课堂中的人体动作识别方面的理论进展。
该项目将使教职员工的培训更有效，支持教职员工通过分析证据提高教学绩效，并最终重塑教学程序的工作流程，为教学质量带来不可估量的收益以及澳大利亚和世界各地的教育费用。
该项目将开发第一个智能课堂场景理解系统，利用隐私保护摄像头捕获的多视图视频。
该项目通过收获计算机视觉和人工智能技术的最新突破性成功，开辟了一个新的机会，可通过数据驱动和证据丰富的见解来加强课堂教学和学习。这对于通过人工智能增强教育部门的能力至关重要，以提高互动教室的安全性，并在澳大利亚 9,500 多所学校和世界上更多学校的潜在市场中创新 STEM 教学实践，因为基于视频的课堂观察是最重要的衡量教学质量的信息方法。
推进知识库。该项目的成果将推进计算机视觉和教育学的知识库。对于计算机视觉，该项目旨在解决一个新的具有挑战性的问题，即理解复杂的课堂场景。对于教学法，该项目中基于人工智能的视觉系统为课堂观察提供了一种新的、不显眼的、客观而有效的方式，这对于衡量教学质量、监控学生的参与度以及更新和丰富学生的知识非常重要。课堂教学。
该项目将人工智能研究人员、教育机构和教师聚集在一起，进一步推进现代教育。它的成功将展示人工智能在教育领域的巨大潜力，并鼓励其他领域采用人工智能。特别是，自动理解课堂场景的技术可以在其他领域进一步探索，如健康和交通。