最新研究進(jìn)展－信息科學(xué)與電子工程專輯

最新研究進(jìn)展－信息科學(xué)與電子工程專輯

智能會(huì)議系統(tǒng)：最先進(jìn)技術(shù)和開放的議題的概觀

於志文 教授 西北工業(yè)大學(xué)計(jì)算機(jī)學(xué)院

近年來，可記錄會(huì)議并以方便未來回顧為目的分析所產(chǎn)生音視頻內(nèi)容的智能會(huì)議系統(tǒng)逐漸成為相關(guān)研究領(lǐng)域的興趣熱點(diǎn)。一套成功的智能會(huì)議系統(tǒng)依賴多種技術(shù)，包括設(shè)備、算法和框架結(jié)構(gòu)等方面。在這里，我們簡要概述了智能會(huì)議系統(tǒng)架構(gòu)、會(huì)議捕捉、會(huì)議識(shí)別、語義加工和評(píng)估方法等方面已有的研究和技術(shù)。我們旨在通過對(duì)基本技術(shù)的概述來幫助理解智能會(huì)議系統(tǒng)的關(guān)鍵設(shè)計(jì)點(diǎn)。同時(shí)，本文還總結(jié)了發(fā)展現(xiàn)有智能會(huì)議系統(tǒng)的過程中可能遇到的開放問題。

——摘自《ACM COMPUT SURV》

通過局部樣條回歸方法得到的半監(jiān)督分類

向世明 研究員 中國科學(xué)院自動(dòng)化研究所

本文提出了一種用于半監(jiān)督分類的局部樣條回歸法。我們方法的核心是在Sobolev空間中引入一個(gè)展開樣條，將數(shù)據(jù)點(diǎn)直接定位到分類標(biāo)簽。樣條由多項(xiàng)式和Green函數(shù)組成，是平滑的、非線性的，可以高精度插入分散的數(shù)據(jù)點(diǎn)。尤其是在臨近區(qū)域內(nèi)通過正則化最小二乘回歸計(jì)算最佳樣條中效果更加明顯。利用該樣條，每個(gè)臨近數(shù)據(jù)點(diǎn)被定位到分類標(biāo)簽。然后，我們估算了正則損失，并進(jìn)一步制定了分類標(biāo)簽向量。最終，局部臨近數(shù)據(jù)的所有損失被累積在一起，以測定標(biāo)簽與非標(biāo)簽數(shù)據(jù)間的全局一致性。為實(shí)現(xiàn)半監(jiān)督分類的全局性，我們將局部樣條的全局損失和標(biāo)記數(shù)據(jù)分類標(biāo)簽的平方差結(jié)合在一起建立了一個(gè)目標(biāo)方程。通過這種方法，我們建立了全局最佳分類可以被最終獲得的直推式分類算法。在半監(jiān)督學(xué)習(xí)設(shè)定中，我們分析了所提出的算法，并處理成Laplacian正則化結(jié)構(gòu)。在公共數(shù)據(jù)集、應(yīng)用程序交互圖像分割和圖像摳圖比較分類實(shí)驗(yàn)均表明我們方法的有效性。

——摘自《IEEE T PATTERN ANAL》

代價(jià)敏感的人臉識(shí)別

周志華 教授 南京大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)系

大多數(shù)傳統(tǒng)人臉識(shí)別系統(tǒng)都試圖實(shí)現(xiàn)低識(shí)別錯(cuò)誤率，在此過程中隱含著假設(shè)所有錯(cuò)誤分類的損失均是相同的。在這里，我們論證了這絕不是一個(gè)合理的假定，這是因?yàn)樵诖蠖鄶?shù)人臉識(shí)別的應(yīng)用想定中不同類型的錯(cuò)誤將導(dǎo)致不同的損失。例如，如果一個(gè)基于人臉識(shí)別系統(tǒng)的門禁將家庭成員錯(cuò)誤地識(shí)別成陌生人，他/她將不被允許進(jìn)入房屋，這僅僅是個(gè)錯(cuò)誤。但是，如果將陌生人錯(cuò)誤地識(shí)別為家庭成員而被允許進(jìn)入，這將是一個(gè)很嚴(yán)重的災(zāi)難。我們提出了將人臉識(shí)別問題定為多分類代價(jià)敏感學(xué)習(xí)任務(wù)的框架，并為該任務(wù)開發(fā)出兩個(gè)理論合理的方法。實(shí)驗(yàn)結(jié)果證明了我們所提出方法的有效性和功效。

——摘自《IEEE T PATTERN ANAL》

自適應(yīng)變分法用于復(fù)原高密度脈沖噪聲的彩圖

郇中丹 教授 北京師范大學(xué)數(shù)學(xué)科學(xué)學(xué)院

我們提出了一種用于復(fù)原高密度脈沖噪聲的彩圖的全新變分框架。本項(xiàng)工作的創(chuàng)新之處在于在代價(jià)功能中引入了一個(gè)自適應(yīng)加權(quán)數(shù)據(jù)保真項(xiàng)。該保真項(xiàng)由統(tǒng)計(jì)方法推導(dǎo)出，包含兩個(gè)加權(quán)函數(shù)及若干個(gè)噪音的統(tǒng)計(jì)控制參數(shù)。該方法是基于以下事實(shí)：脈沖噪音可以被近似為概率密度函數(shù)為有限混合模型的附加噪音。Bayesian框架被用作公式，其中似然函數(shù)由混合模型給出。受到期望值最大化算法的啟發(fā)，在本研究中我們使用了兩個(gè)帶變分框架的模型。所提出模型的高級(jí)形式是：加權(quán)函數(shù)可有效探測圖像中的噪音；得到噪音信息后，所提出的算法可以通過更新加權(quán)函數(shù)和控制參數(shù)來自動(dòng)平衡恢復(fù)影像規(guī)律性和保真項(xiàng)。這兩步可以確保即使對(duì)于高比例脈沖噪音（90%以上）的退色彩圖，仍能獲得很好的恢復(fù)。此外，利用分裂算法可以非常快地得到該算法的數(shù)值實(shí)現(xiàn)。數(shù)學(xué)實(shí)驗(yàn)結(jié)果和其他方法比較證明了我們方法的效率。

——摘自《INT J COMPUT VISION》

用于3D局部形狀檢索的學(xué)習(xí)魯棒相似度測定

查紅彬 教授 北京大學(xué)信息科學(xué)技術(shù)學(xué)院

我們提出了一種新方法用于學(xué)習(xí)推土機(jī)距離的魯棒地面距離函數(shù)以使其適于定量兩個(gè)特征集的部分相似性。首先，我們定義了地面距離作為通常用作特征-特征基本距離（或相似性）度量的單調(diào)變換，因此在計(jì)算推土機(jī)距離的過程中，算法可以更好地將其核心定位至特征映射上，而不被無關(guān)映射影響。由此，所提出的方法特別適用于存在嚴(yán)重的閉塞和混亂問題的3D局部形狀檢索。我們證明當(dāng)變換滿足某些條件時(shí)，基本距離的度量屬性足以保證地面距離為米制，這可以使大型數(shù)據(jù)庫快速檢索技術(shù)上成為可能。其次，我們基于realAdaboost算法提出了差異化的學(xué)習(xí)框架以優(yōu)化變換函數(shù)。該優(yōu)化可以在無參數(shù)假設(shè)變換的分段常近似的范圍內(nèi)實(shí)現(xiàn)。最后，3D局部形狀檢索的大量實(shí)驗(yàn)強(qiáng)有力地證明了我們所提出技術(shù)的有效性。

——摘自《INT J COMPUT VISION》

通過對(duì)應(yīng)函數(shù)來避免不匹配

胡占義 研究員 中國科學(xué)院自動(dòng)化研究所

我們提出一種新方法（ICF），用對(duì)應(yīng)函數(shù)來識(shí)別點(diǎn)對(duì)應(yīng)以避免在給定的推測點(diǎn)對(duì)應(yīng)過程中的不匹配。通過分析單應(yīng)性函數(shù)的內(nèi)涵，我們引出了一個(gè)用于3D屏幕的雙影像對(duì)應(yīng)函數(shù)的新概念，可以通過將一個(gè)圖像定位到另一個(gè)圖像對(duì)應(yīng)點(diǎn)來獲得對(duì)應(yīng)點(diǎn)間的關(guān)系。因?yàn)樵诂F(xiàn)實(shí)應(yīng)用中對(duì)應(yīng)函數(shù)是未知的，所以我們還研究了如何從給出對(duì)應(yīng)點(diǎn)中計(jì)算對(duì)應(yīng)函數(shù)的方法，并提出了基于診斷技術(shù)和SVM的迭代估計(jì)通信函數(shù)。進(jìn)而，所提出的ICF方法能通過檢查是否與計(jì)算對(duì)應(yīng)函數(shù)相一致來避免不匹配。基于真實(shí)圖像的大量實(shí)驗(yàn)證明我們所提出方法的優(yōu)越性能。此外，ICF是用于避免不匹配的通用方法，還適用于剛性物體或未知變形的非剛性物體的圖像。

——摘自《INT J COMPUT VISION》

混合遺傳算法用于使無線傳感器網(wǎng)絡(luò)壽命最大化的正向編碼體系

張軍 教授 中山大學(xué)信息科學(xué)與技術(shù)學(xué)院

通過傳感器調(diào)度操作使傳感器網(wǎng)絡(luò)生命周期最大化是建設(shè)低能耗無線傳感器網(wǎng)絡(luò)的有效方法。在目標(biāo)區(qū)域內(nèi)隨機(jī)部署后，每套設(shè)備都可以完全覆蓋整個(gè)目標(biāo)區(qū)域，如何找出最大數(shù)量的傳感器不相交集是一個(gè)NP完全問題。我們提出了一種結(jié)合了遺傳算法和時(shí)間表過渡操作的混合方法（STHGA）來解決這一問題。從字面上來說，STHGA與其他方法的不同之處在于，STHGA采用正向編碼方案，并使用了帶時(shí)間表過渡操作的算法。正向編碼方案的創(chuàng)新性是每條染色體的最大基因值的增加與解決方案的質(zhì)量保持一致。通過過渡限制染色體，正向編碼方案反映出傳感器可行性計(jì)劃的結(jié)構(gòu)特點(diǎn)，并為進(jìn)一步改進(jìn)提供了指導(dǎo)。在STHGA中，遵守編碼要求、基因操作和方案過渡操作可協(xié)同將不完全覆蓋集改變?yōu)橥耆模ㄟ^數(shù)集中冗余傳感器的時(shí)間表使其他集仍保持完全覆蓋度。多個(gè)目標(biāo)點(diǎn)（點(diǎn)覆蓋面）和整個(gè)區(qū)域的感應(yīng)用于評(píng)估STHGA的效率。此外，我們還分析了傳感器的數(shù)量和感應(yīng)范圍，STHGA性能對(duì)感應(yīng)器豐度的影響。實(shí)驗(yàn)結(jié)果顯示我們所提出的算法在速度和質(zhì)量解決方案兩個(gè)方面都優(yōu)于現(xiàn)有方法。

——摘自《IEEE T EVOLUT COMPUT》

基于群體算法投資組合用于數(shù)值優(yōu)化

姚新 教授 中國科學(xué)技術(shù)大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院

我們研究了將基于群體的算法應(yīng)用于數(shù)值優(yōu)化問題，在一個(gè)給定的預(yù)算時(shí)間內(nèi)必須得到一個(gè)解。雖然進(jìn)化算法、粒子群優(yōu)化和差分進(jìn)化等多個(gè)基于群體的算法已被開發(fā)出來，并被用于數(shù)值優(yōu)化問題，但是算法的性能因問題不同而發(fā)生明顯的改變。這暗示著存在于算法選擇相關(guān)的固有風(fēng)險(xiǎn)。我們認(rèn)為作為已有算法和向其中投入總時(shí)間預(yù)算的替代，必須具備在多種不同的算法中可以更小風(fēng)險(xiǎn)的分配時(shí)間。由此，我們提出一種可以將多種算法作為其結(jié)構(gòu)算法的的新方法，命名為基于群體算法投資組合（PAP）。PAP運(yùn)行每個(gè)帶有給定時(shí)間預(yù)算的結(jié)構(gòu)算法，通過遷移方案來刺激結(jié)構(gòu)算法的相互作用。作為通用框架而不是特殊算法，PAP很容易實(shí)施，并能適應(yīng)已有的任何基于群體的搜索算法。此外，我們還提出了一個(gè)在問題集中比較任意兩種算法風(fēng)險(xiǎn)的度量方法。通過研究11個(gè)實(shí)例和27個(gè)Benchmark函數(shù)，我們?nèi)嬖u(píng)價(jià)了PAP。實(shí)際結(jié)果表明，PAP在解的質(zhì)量方面優(yōu)于它所包含的結(jié)構(gòu)算法。

——摘自《IEEE T EVOLUT COMPUT》