|
|
| |
智能感知基础理论主要探索产生智能的潜在机制、模拟智能的学习方法、计算智能的基础理论以及多传感器的人机交互。针对感知数据中隐含的学习问题，从底层传感到高层认知、从数学理论到实际应用等多个方面开展基础理论和应用方法研究。该方向出版学术专著一部，承担了国家重点研发计划、基金委优秀青年科学基金、基金委面上项目等科研任务。视觉智能基础理论研究主要包括：1) 基于认知机理和信息理论，探索产生智能的潜在机制，分析不同形态知识的通用表达形式，研究面向感知问题的机器学习理论和优化方法，主要包括定序度量理论、半二次优化理论、多模态感知、信息理论学习、稀疏表示学习、和深度学习。2)感知信息的智能采集、处理、分析和模拟。基于计算摄像学，研究全光视觉信息的高效采集和处理方法以及和其它传感信息的交互和协同；进而研究大规模数据的模式分析和机器学习方法，以及符合人类视觉认知的视觉数据生成和模拟方法，包括对抗生成网络和变分自编码机等。
|
| |
|
|
| |
生物启发的智能计算方向尝试充分模拟和借鉴人及灵长类高等生物的神经结构、认知机制、自主学习和智能进化，研究具有高度鲁棒性、适应性、可解释性的新型人工智能理论与方法，并在多源信息融合与理解、多传感器视觉测量、开放环境场景感知与行为理解、人机共生混合智能等应用问题上开展验证。本方向的研究重点包括三个部分：1）生物启发的自主学习理论，尝试将发展人工智能和发现人类智能协同研究，从启发建模、机制理解两个方向研究类人自主学习新理论与新方法；2）开放环境感知与理解，针对开放环境“小样本、弱标注、广类别、变分布”等特点，研究多自由度信息融合与理解、多源异构信息的视觉测量、场景鲁棒感知与行为理解等技术；3）智能自主进化，模拟生物智能进化轨迹，以“人-机-物”三元博弈为基础，研究智能自主进化技术，突破困扰当前人工智能发展的小数据、无监督、不可解释等问题。本方向近年来在国际权威期刊和高水平会议上发表论文100篇以上，在包括CCF-A类期刊和会议上发表文章20篇以上；荣获国内外多个颇具影响的奖项（包括BICS2016的最佳论文奖等）；承担包括国家重点研发计划、自然科学基金重点项目等在内的多个研究项目。本方向未来将面向变革性人工智能技术开展持续和深入的研究，并为工业制造、日常生活提供先进的人工智能解决方案。
|
| |
|
|
| |
生物识别与安全研究方向面向国家公共安全、“互联网+”行动、新一代人工智能战略重大需求以及生物特征识别、信息取证的学科发展前沿，把握泛在信息网络（移动互联网、物联网等）为生物特征数据分析和视觉大数据安全取证提供的发展机遇，主要研究生物特征的多模态感知（虹膜、人脸等）与多维度计算（身份、性别、年龄、种族、表情、姿态等）、图像和视音频内容的安全取证。其中生物识别研究目标是通过成像技术和识别算法的协同创新，增强面部多模态生物特征识别系统对用户和环境的自适应能力，实现虹膜和人脸识别应用范围从受控场景到复杂场景的重大跨越；安全取证研究目标是采用智能统计学习与模式识别等技术手段对视听内容的真实性、完整性和原始性进行取证分析。本研究方向承担过国家重点研发计划、国家973计划、国家863计划、国家科技支撑计划、国家重大科研仪器研制项目、基金委面上项目等科研任务，获得国家技术发明二等奖，建设了多模态生物特征数据库和图像篡改取证数据库并向170个国家和地区的3万多个科研团队推广应用，本方向孵化了中科虹霸、中科虹星、中科博宏三个高科技企业，研究成果在金融、交通、煤矿、智能手机等领域推广应用。
|
| |
|
|
| |
多模态智能计算方向针对文本、图像、视频等大规模多模态数据，开展模式识别、视觉计算、机器学习、数据挖掘等方向的理论及应用研究。本方向研究主要包括：（1）基于深度学习的多模态数据智能分析技术。研究基于深度学习的图像、文本、语音的多模态数据融合、跨模态数据检索、跨模态数据生成等方法与应用。（2）基于深度学习的大规模视觉计算方法和应用。研究如何在前馈深度网络中有效地融合自上而下的反馈响应机制、如何在前馈和反馈深度网络中融合主动视觉机制，从而解决大规模视觉数据分析中的一系列视觉任务，如目标识别、目标检测、视频分割、视频理解等。（3）面向安全的视觉智能监控技术。面向大数据环境的海量监控视频的智能分析需求，研究大范围复杂监控场景中的目标检测、运动跟踪、属性识别、跨场景目标再识别、动作-行为-事件识别等关键技术，建立视频大数据解析平台，解决国家公共安全中急需的海量目标检索、异常行为检测等点问题。（4）面向安全和商业智能的网络大数据智能处理技术。面向安全和企业应用的实际需求，研究大数据的时序预测、情境建模、用户画像等核心问题，突破大规模网络数据智能分析和处理关键技术，服务企业商业智能的需求。
|
| |
|
|
研究方向