高效安全的数据共享对于智能车联网的深度应用至关重要,在相互不信任的车辆之间实现可信的数据共享成为当前研究的热点. 区块链技术以其防篡改、可追溯等特点,成为支撑智能车联网数据共享流通的主要途径之一. 现有基于区块链的车联网数据共享方案,存在吞吐量小、安全性低等不足. 引入区块链分片方法,提出基于机器学习的分片算法,将地理位置相近的路侧单元（road side unit,RSU）划分到同一分片,并迭代单个分片的数据共享最优负载,降低了片内通信延迟进而提高了吞吐量,平衡了不同分片之间的数据共享负载. 为避免单个分片的贿赂攻击,提出了基于声誉的片内共识协议与监督人机制. 选举具有高声誉的RSU参与片内共识过程,并动态计算RSU的最新声誉. 设定声誉度高的RSU担任监督员,监督员可定期对不同分片产生的区块进行合法性验证. 通过性能评估和安全性分析,证明方案有助于提升智能车联网数据共享的高效性和安全性.

探究了从封闭环境到开放世界环境的转变及其对视觉感知（集中于物体识别和检测）与深度学习领域的影响. 在开放世界环境中,系统软件需适应不断变化的环境和需求,这为深度学习方法带来新挑战. 特别是,开放世界视觉感知要求系统理解和处理训练阶段未见的环境和物体,这超出了传统封闭系统的能力. 首先讨论了技术进步带来的动态、自适应系统需求,突出了开放系统相较封闭系统的优势. 接着,深入探讨了开放世界的定义和现有工作,涵盖开集学习、零样本学习、小样本学习、长尾学习、增量学习等5个开放维度. 在开放世界物体识别方面,分析了每个维度的核心挑战,并为每个任务数据集提供了量化的评价指标. 对于开放世界物体检测,讨论了检测相比识别的新增挑战,如遮挡、尺度、姿态、共生关系、背景干扰等,并强调了仿真环境在构建开放世界物体检测数据集中的重要性. 最后,强调开放世界概念为深度学习带来的新视角和机遇,是推动技术进步和深入理解世界的机会,为未来研究提供参考.