态势感知(SA)是通过感知、理解与预测环境要素的连续过程,构成复杂系统的重要组件。环境信息接收具有持续性与多模态特性,人工智能技术通过将SA目标拆解为数据融合、表征、分类及预测等任务,提供更高效稳健的支撑。本文系统综述应用于各类环境与场景中构建、增强及评估SA的AI与多模态方法,重点聚焦感知完整性与持续性提升。研究表明人工智能与多模态方法的融合显著增强了复杂系统的感知与理解能力,但在未来态势预测与多模态信息有效融合方面仍存研究缺口。本文总结AI与多模态技术实现SA的应用案例与实践经验,并提出未来展望与挑战,包括更全面的预测能力、更强的可解释性及更先进的视觉信息处理技术。

图1所示。基于人工智能和多模态技术的态势感知系统概述。

成为VIP会员查看完整内容
2

相关内容

人工智能在军事中可用于多项任务,例如目标识别、大数据处理、作战系统、网络安全、后勤运输、战争医疗、威胁和安全监测以及战斗模拟和训练。
多模态移动智能体的基础与最新趋势:综述
专知会员服务
36+阅读 · 2024年11月6日
大模型+遥感?最新《遥感中的人工智能基础模型》综述
专知会员服务
58+阅读 · 2024年8月10日
《大型语言模型加速生成技术》最新综述
专知会员服务
48+阅读 · 2024年5月25日
大型语言模型与智能机器人集成的综述
专知会员服务
69+阅读 · 2024年4月22日
【2022新书】深度学习归一化技术,117页pdf
专知
28+阅读 · 2022年11月25日
「知识增强预训练语言模型」最新研究综述
专知
18+阅读 · 2022年11月18日
基于深度学习的数据融合方法研究综述
专知
33+阅读 · 2020年12月10日
事件知识图谱构建技术与应用综述
专知
25+阅读 · 2020年8月6日
深度多模态表示学习综述论文,22页pdf
专知
33+阅读 · 2020年6月21日
国家自然科学基金
8+阅读 · 2015年12月31日
国家自然科学基金
17+阅读 · 2015年12月31日
国家自然科学基金
11+阅读 · 2015年12月31日
国家自然科学基金
6+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
Arxiv
171+阅读 · 2023年4月20日
A Survey of Large Language Models
Arxiv
472+阅读 · 2023年3月31日
Arxiv
78+阅读 · 2023年3月26日
Arxiv
171+阅读 · 2023年3月24日
Arxiv
24+阅读 · 2023年3月17日
VIP会员
相关基金
国家自然科学基金
8+阅读 · 2015年12月31日
国家自然科学基金
17+阅读 · 2015年12月31日
国家自然科学基金
11+阅读 · 2015年12月31日
国家自然科学基金
6+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
微信扫码咨询专知VIP会员