目前已经在弱人工智能阶段，停留了很长时间了，是由于强人工智能的瓶颈无法突破导致的？？

魍魉888 2021-09-02 10:12:35

目前已经在弱人工智能阶段，停留了很长时间了，是由于强人工智能的瓶颈无法突破导致的？？

...全文

1912 1 打赏收藏转发到动态举报

写回复

1 条回复

切换为时间正序

请发表友善的回复…

发表回复

weixin_38498942 2021-09-02

打赏
举报

回复

是的，事实上，目前大多数的深度学习网络没能突破“特征检测”这个范畴。个人认为最大的限制是对脑神经科学的研究。

采用plantsimulation平台，完成规则类仿真的制作，包含6台设备的job-shop车间环境

项目简介本项目专注于KITTI数据集中的3D激光雷达点云数据，集成了传统点云处理算法（如地面去除、聚类）与深度学习分割方法（包括PointNet++和PointNetRCNN）。通过实现同一数据集下多种分割算法的效果对比与可视化分析，旨在为算法评测与三维场景理解提供一套高效、开放的基准工具。 PCL主要方法与算法地面分割基于RANSAC算法自动从原始点云中分离地面和平面区域，精准区分地面点与地物点。点云聚类（目标检测）应用PCL的连通域聚类方法，对去除地面后的点云数据进行目标聚类识别，提取出场景中的不同障碍物、车辆等物体。包围盒拟合针对每个聚类目标点云通过几何拟合自动生成最小包围盒，为目标检测、空间定位和后续跟踪分析奠定基础。可视化与结果保存支持多种方式的结果可视化（地面与目标分区域着色，检测物体带包围框显示），并可批量保存分割和检测结果，便于分析和展示。优点：检测目标全面，能够发现绝大多数场景中的实体对象（包括常规及未标注目标），不依赖标签训练。算法原理直观，易于定制、调参，适用场景广泛。易融合多种点云预处理、过滤器等增强点云质量。缺点：无法进行目标类别识别（不能区分车辆、行人、骑行者等，只能发现“物体”）。对点云密度、质量敏感，遇到遮挡和复杂场景时聚类效果受影响。检测精度、中小目标或邻接目标分割有限，存在误分割、漏检现象。无法利用点云中的高层次几何或上下文信息。编译与运行 cd Multi-Object-Tracking-PCL mkdir build cd build cmake .. make ./kitti3d_segmentation 请将PCD点云文件放入指定的数据目录（如./data/pcd/）。程序执行后可交互式浏览各帧点云的分割检测效果。

基于Python与OpenCV技术实现的人脸识别考勤系统，包含完整代码、使用手册及运行界面截图。该项目为大学三年级学生在本学期完成的综合实践任务，经过导师审核并获得高分评价，评分达98分。适用于计算机类专业学生在完成课程项目或实践训练时参考使用，可作为课程设计或期末项目案例。系统功能涵盖人脸数据采集、特征提取、比对识别及考勤记录生成，具备一定的实用性与拓展性。资源来源于网络分享，仅用于学习交流使用，请勿用于商业，如有侵权请联系我删除！

MySQL基础语法

_氧化石墨烯对混凝土的性能影响_氧化石墨烯对混凝土的性能影响-王杰.txt()-论文.docx

高通开发者论坛

5,379

社区成员

5,923

社区内容

发帖

与我相关

我的任务

人工智能物联网机器学习技术论坛（原bbs）北京·东城区

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章