2023年, 第36卷, 第12期　刊出日期：2023-12-25

  

• 全选
  |

面向开放环境的自适应感知研究进展
• Select
  “面向开放环境的自适应感知研究进展”专辑序言

  刘成林

  模式识别与人工智能. 2023, 36(12): 0-0.

  PDF全文 ( ) HTML ( ) 可视化 收藏
• Select
  面向开放环境的机器学习理论研究进展

  袁晓彤, 张煦尧, 刘希, 程真, 刘成林

  模式识别与人工智能. 2023, 36(12): 1059-1071. https://doi.org/10.16451/j.cnki.issn1003-6059.202312001

  PDF全文 ( ) HTML ( ) 可视化 收藏

  开放环境下机器学习面临类别集可变、非独立同分布、噪声干扰等诸多问题,容易导致传统封闭环境机器学习系统性能急剧下降.因此,面向开放环境的机器学习方法是当前人工智能研究的前沿热点之一.文中主要从泛化、优化、鲁棒性和效能度量四个方面介绍开放环境机器学习理论研究现状和重要进展.在泛化理论中,具体介绍开放类别集检测、迁移学习与元学习、稀疏学习等泛化分析成果.在优化理论中,具体介绍随机与稀疏优化、在线与持续优化、分布式与联邦优化等理论分析研究成果.在鲁棒性理论中,具体介绍对抗样本、随机噪声、噪声标签等干扰下鲁棒学习理论研究成果.在效能度量中,具体介绍面向开放环境机器学习一些重要性能评价准则.最后,展望开放环境机器学习理论的未来研究趋势.
• Select
  变化环境自适应感知与学习研究进展

  张煦尧, 袁晓彤, 刘成林

  模式识别与人工智能. 2023, 36(12): 1072-1086. https://doi.org/10.16451/j.cnki.issn1003-6059.202312002

  PDF全文 ( ) HTML ( ) 可视化 收藏

  人工智能的研究问题现已逐步从封闭环境扩展到开放环境,但开放环境中存在各种变化性因素,导致传统基于封闭世界假设和独立同分布假设的学习模型与算法性能明显下降.因此,变化环境下的自适应感知与学习成为当前人工智能研究的前沿热点,文中聚焦其中三个方面介绍相关最新研究进展.针对类别集变化,介绍开放集识别与分布外样本检测、新类别自主发现、类别增量学习等问题;针对数据分布变化,介绍领域自适应、领域泛化、测试时自适应等问题;针对数据质量变化,介绍弱监督学习和标签噪声学习等问题.最后分析未来的研究趋势.
• Select
  神经网络结构自适应研究综述

  李淑, 覃娴萍, 翟晓童, 张龙, 仲国强, 向世明

  模式识别与人工智能. 2023, 36(12): 1087-1103. https://doi.org/10.16451/j.cnki.issn1003-6059.202312003

  PDF全文 ( ) HTML ( ) 可视化 收藏

  网络结构自适应旨在根据特定学习任务和数据对神经网络结构进行自动设计和模型优化,以适应开放环境智能感知学习任务的综合需求.文中旨在全面综述网络结构自适应方法.首先,阐述并分析神经架构搜索的主要方法.然后,分别从轻量化神经架构搜索、智能感知任务、连续学习三个方面呈现网络结构自适应的研究进展.在此基础上,建立一套面向开放环境应用的深度神经网络组件与结构的自适应评价指标体系,提出一种网络结构自适应方法,通过注意力引导的微观架构自适应机制和渐进式离散策略,在优化过程中实现网络结构的自适应调整优化和逐步离散化,并与现有方法进行对比分析.最后,探讨当前方法存在的问题与挑战,展望未来的研究方向.
• Select
  属性知识引导的自适应视觉感知与结构理解研究进展

  张知诚, 杨巨峰, 程明明, 林巍峣, 汤进, 李成龙, 刘成林

  模式识别与人工智能. 2023, 36(12): 1104-1126. https://doi.org/10.16451/j.cnki.issn1003-6059.202312004

  PDF全文 ( ) HTML ( ) 可视化 收藏

  机器通过自适应感知从环境中提取人类可理解的信息,从而在开放场景中构建类人智能.因属性知识具有类别无关的特性,以其为基础构建的感知模型与算法引起广泛关注.文中首先介绍属性知识引导的自适应视觉感知与结构理解的相关任务,分析其适用场景.然后,总结四个关键方面的代表性工作.1)视觉基元属性知识提取方法,涵盖底层几何属性和高层认知属性;2)属性知识引导的弱监督视觉感知,包括数据标签受限情况下的弱监督学习与无监督学习;3)图像无监督自主学习,包括自监督对比学习和无监督共性学习;4)场景图像结构化表示和理解及其应用.最后,讨论目前研究存在的不足,分析有价值的潜在研究方向,如大规模多属性基准数据集构建、多模态属性知识提取、属性知识感知模型场景泛化、轻量级属性知识引导的模型开发、场景图像表示的实际应用等.

• Select
  知识驱动的多模态语义理解研究综述

  郑祎豪, 郭奕君, 毋立芳, 黄岩

  模式识别与人工智能. 2023, 36(12): 1127-1138. https://doi.org/10.16451/j.cnki.issn1003-6059.202312005

  PDF全文 ( ) HTML ( ) 可视化 收藏

  基于深度学习模型的多模态学习方法已在静态、可控等简单场景下取得较优的语义理解性能,但在动态、开放等复杂场景下的泛化性仍然较低.近期已有不少研究工作尝试将类人知识引入多模态语义理解方法中,并取得不错效果.为了更深入了解当前知识驱动的多模态语义理解研究进展,文中在对相关方法进行系统调研与分析的基础上,归纳总结关系型和对齐型这两类主要的多模态知识表示框架.然后选择多个代表性应用进行具体介绍,包括图文匹配、目标检测、语义分割、视觉-语言导航等.此外,文中总结当前相关方法的优缺点并展望未来可能的发展趋势.