导航菜单

清华、南大、中科院等15人获奖!CAAI公示2019 年度优秀博士论文

fg电子游戏官方网站

e85062f7a3d1424e9ad418a1ecdbcd2b

[新致远指南]中国人工智能学会公布了2019年优秀博士论文选拔的最终成果。共有15篇来自清华大学,中国科学院自然科学研究院,南京大学等的博士论文被选中!

最近,中国人工智能学会(CAAI)公布了2019年优秀博士论文的最终成果。

该组织组织专家审查了20篇入围论文。共有15个博士论文奖,分别来自清华大学,中国科学院自然科学研究院,南京大学等,10篇论文获得优秀博士论文奖,5篇论文优秀。博士论文提名奖。

CAAI的宣传如下:

根据《中国人工智能学会优秀博士学位论文评选条例》的规定,该协会组织了9位人工智能领域的知名专家,成立了优步评审委员会。公会主席李德义担任评审委员会主席,负责2019年中国人工智能学会优秀博士论文的选拔工作。审议了最终评审的最终论文。经过最终审核和两轮投票,入围者确定了10篇优秀博士论文奖和5篇优秀博士论文提名论文。 2019年中国人工智能学会优秀博士论文选拔的最终结果将予以公布(见附表)

任何不同意公告结果的单位和个人,应当自公布名单之日起15日内(7月23日前)报送中国人工智能学会办公室。任何匿名异议都不会被接受。

5718374a224d4d5498954c4717282635

b2130485e1ec4d75bb1d5d290c1e024b

接下来,辛之源介绍了几篇优秀的博士论文:

清华大学:基于深度神经网络的人脸检测

作者:刘浩

组织:清华大学

论文题目:基于深度神经网络的人脸检测

研究背景/主题意义/研究价值

面部关键点用于描述面部轮廓的控制点和局部特征。因此,准确有效的面部关键点检测技术是人脸分析的基础和前提。近年来,通过多层非线性结构学习高级语义特征,深度神经网络已成功应用于各种计算机视觉处理任务。基于深度模型的人脸关键点检测方法在约束条件下表现良好,但由于头部姿势,表情差异和遮挡等因素的影响,其在自然条件下的表现仍不理想。

主要研究内容

对于图像关键点检测,本文提出了一种深度共享和结构化网络的方法,用于图像面部关键点不同部分的结构关联。对于视频面部关键点检测,本文用于视频人脸检测。针对关键点的时间一致性,提出了一种双流深度网络方法。针对鲁棒人脸检测,本文提出了一种基于人脸数据与姿态空间相关性的深度形状决策方法。网络的方法。

4cf6f27286074a8d85070a1d5e3f60eb

结构特征学习中面部关键点局部相关的建模与表达

1fa916cc65494b20b21fadb57f945dd6

提出的MDN方法对具有较大姿态变化的人脸数据的检测效果

重大创新

提出了一种深层结构的特征学习方法。通过引入人脸各部位的结构相关局部约束,增强了特征表示能力,提高了关键点检测的有效性。

提出了一种基于深度双流网络的人脸密钥检测方法。通过结合视频数据中时间序列信息的空间外观特征和连续性特征,设计了双信息流的深度学习框架。对数据的影响显着改善;

提出了一种基于强化学习框架的鲁棒人脸密钥检测算法。通过将人脸密钥检测建模到马尔可夫动态决策过程中,得到了一种基于马尔可夫过程收敛分布的有效策略。对抗大态度变化,强烈表情和强烈遮挡的强大能力。

上海交通大学:情绪脑 - 计算机交互研究

作者:郑伟龙

组织:上海交通大学

论文题目:情绪脑 - 计算机交互研究

主要内容:

情感在日常生活中人与人之间的交流中起着重要作用。除了逻辑智能,情商也被认为是人类智能的重要组成部分。情绪智力是指机器感知,理解和调节人们情绪的能力。然而,现有的人机交互系统仍缺乏情商。情感脑 - 计算机交互研究的目的是通过构建情感计算模型来建立人与机器之间的情感交流路径。

cf5f7a76ca344a8e99cf59826e5effd1

在本文中,我们探讨了情感脑 - 计算机交互的理论基础,模型,算法,实现技术,实验验证和原型应用。主要工作包括以下三个方面:

1)利用脑电图,脑电图和眼球运动信号以及深度神经网络构建了多模态情绪识别和警觉性评估系统。

2)我们提出了一种多模态情感识别框架,利用脑电图和眼球运动信号来模拟人类的内在认知状态和外部潜意识活动。

3)我们利用脑电图和前额视力开发了多模态警报估计系统,并在实验室模拟环境和真实驾驶环境中进行了验证。

03efd58280aa4debbbdac93ec0f09a84

在上述研究过程中,我们开发了三种公开的情绪识别和警觉性估计,即三种情绪数据集SEED(快乐,悲伤和中性),以及四种情绪数据集SEED-IV(快乐,悲伤) ,恐惧和中立)以及警报数据集SEED-VIG,已被国内外近300所大学和研究机构使用。

南京大学:弱监督多标签学习

作者:徐淼

单位:南京大学

论文题目:弱监督多标签学习

在许多现实的机器学习任务中,样本同时具有多个标签,并且只有少量样本,甚至没有样本,在整个数据集中具有完整的标签。学习此类数据样本是弱监督多标签学习(WSML Learning)。这些问题在实际应用中很普遍,但过去很少有研究是机器学习领域的新挑战。

23ac843fcdab4f2c9b751650dee3b18f

本文对弱监督多标签学习进行了研究。主要工作包括:

1.使用完全标记的样本进行弱监督的多标签学习。对于数据集中只有少量样本具有完整标记的情况,本文提出了一种新的CUR矩阵分解技术,用于根据与完整标记对应的行信息恢复缺失标记。理论分析表明了该方法在实际条件下的有效性,并通过实验验证。

2.在没有完整标签样本的情况下,弱监督多标签学习。在数据集中没有完整标签的情况下,本文提出了一种新的矩阵完成技术,该技术可以通过使用样本特征和标签关系等辅助信息来恢复缺失的标记。理论分析表明了该方法在实际条件下的有效性,并通过实验验证。

3.顶级监督的弱监督多标签学习。分类标记通常比分类标记更重要。因此,设计了新的评估标准PRO Loss。通过考虑商标的分类和重要性排序,可以更好地满足上述要求。本文提出了相应的优化算法,并通过实验验证。

4.弱监督实值输出的多标签学习。多标签学习任务通常考虑离散输出值,许多实际应用涉及实值输出。为此,本文提出了一种基于核规范最小化的方法,利用标记关系,通过近端梯度下降和交替方向乘法方法优化解。实验结果验证了该方法的有效性。

CAAI官方网站公开地址: