清華、南大、中科院等15人獲獎！CAAI公示2019 年度優秀博士論文

【新智元導讀】中國人工智慧學會公示了2019年度優秀博士學位論文評選的最終結果。來自清華大學、中科院自動化所、南京大學等的一共15篇博士論文入選！

近日，中國人工智慧學會(CAAI)公示了2019年年度優秀博士學位論文評選的最終結果。

學會組織專家對入圍終評的20篇論文進行了評審，來自清華大學、中科院自動化所、南京大學等的一共15篇博士論文獲獎，其中10 篇論文獲優秀博士學位論文獎，5 篇論文獲優秀博士學位論文提名獎。

CAAI的公示如下：

根據《中國人工智慧學會優秀博士學位論文評選條例》的規定，學會組織 9 位國內人工智慧領域的知名專家成立優博評審委員會，由學會理事長李德毅擔任評審委員會主席，認真負責地對 2019 年度中國人工智慧學會優秀博士學位論文評選入圍終評的 20 篇論文進行了評審，經專家終審及兩輪投票，最終確定了 10 篇論文獲優秀博士學位論文獎、5 篇論文獲優秀博士學位論文提名獎。現將 2019 年度中國人工智慧學會優秀博士學位論文評選最終結果進行公示（見附表）

任何單位和個人如對公示的評審結果持有異議，請在名單公示之日起 15 日內（7 月 23 日前）向中國人工智慧學會辦公室提出，凡匿名異議不予受理。

接下來，新智元帶來其中幾篇優秀博士論文的介紹：

清華大學：基於深度神經網路的人臉關健點檢測

論文作者：劉昊

機構：清華大學

論文標題：基於深度神經網路的人臉關健點檢測

研究背景 / 選題意義 / 研究價值

人臉關鍵點用於描述人臉面部形狀輪廓的控制點和局部特徵，因此，精準高效的人臉關鍵點檢測技術是人臉分析的基礎和前提。近年來，深度神經網路通過多層非線性結構學習高層語義特徵表示，被成功應用於各類計算機視覺處理任務。基於深度模型的人臉關鍵點檢測方法在約束條件下性能表現出色，但受頭部姿態和不同表情差異以及遮擋等因素的影響，其性能在自然條件下仍不理想。

主要研究內容

對於圖像人臉關鍵點檢測，本文針對於圖像人臉關鍵點不同部位的結構相關性，提出了一種深度共享和結構化網路的方法；對於視頻人臉關鍵點檢測，本文針對於視頻人臉關鍵點在不同幀間的時序一致性，提出了一種雙流深度網路的方法；對於魯棒人臉關鍵點檢測，本文針對於人臉數據與姿態的空間相關性，提出了一種深度形狀決策網路的方法。

結構化特徵學習對人臉關鍵點的局部相關性建模表達

所提 MDN 方法在具有大姿態變化人臉數據上的檢測效果

主要創新點

1. 提出了一種深度結構化特徵學習方法，通過引入人臉各部位的結構相關性局部約束，增強了特徵表示能力，進而提高了關鍵點檢測的有效性；

2. 提出了一種基於深度雙流網路的人臉關鍵點檢測方法，通過融合視頻數據中的空間表觀特徵和時序信息的連續性特徵，設計了雙信息流的深度學習框架，在視頻人臉數據上效果提升顯著；

3. 提出了基於強化學習框架的魯棒人臉關鍵點檢測演算法，通過將人臉關鍵點檢測建模為馬爾科夫動態決策過程，獲得了基於馬爾科夫過程的收斂分布的有效策略，提升了對抗大姿態變化、劇烈表情和強遮擋方面的魯棒性。

上交大：情感腦機交互研究

論文作者：鄭偉龍

機構：上海交通大學

論文標題：情感腦機交互研究

主要內容：

情緒在日常生活人與人交流中扮演著重要角色。除了邏輯智能，情感智能也被認為是人類智能的重要組成部分。情感智能是指機器感知，理解和調控人的情緒的能力。然而，現有人機交互系統仍然缺乏情感智能。情感腦機交互研究的目的是通過構建情感計算模型來建立人與機器的情感交流通路。

在本論文中，我們探討了情感腦機交互的理論基礎，模型，演算法，實現技術，實驗驗證以及原型應用。主要工作包括以下三個方面：

1）我們利用腦電，眼電和眼動信號以及深度神經網路構建了多模態情緒識別和警覺度估計系統。

2）我們提出了利用腦電和眼動信號的多模態情緒識別框架，實現了對人的內在認知狀態和外在潛意識活動的建模。

3）我們開發了利用腦電和前額眼電構建多模態警覺度估計系統，並在實驗室模擬環境和真實駕駛環境進行了驗證。

在上述研究的過程中，我們開發了三個公開的情緒識別和警覺度估計數據集，分別是三類情緒數據集 SEED（高興、悲傷和中性），四類情緒數據集 SEED-IV（高興，悲 傷，恐懼和中性）和警覺度估計數據集 SEED-VIG，這些數據集得到了國內外近 300 多 高校和研究機構的使用。

南京大學：弱監督多標記學習

論文作者：徐淼

機構：南京大學

論文標題：弱監督多標記學習

在很多現實的機器學習任務中，一個樣本同時擁有多個標記，而整個數據集內僅有少量樣本、甚至沒有樣本擁有完整標記。對這樣的數據樣本進行學習，就是弱監督多標記學習（Weakly Supervised Multi-Label Learning，簡稱 WSML 學習）。此類問題在現實應用中廣泛存在，但以往研究較少，是機器學習領域面臨的一個新挑戰。

本文針對弱監督多標記學習開展研究，主要工作包括：

1. 有完整標記樣本的弱監督多標記學習。對數據集中僅有少量樣本擁有完整標記的情形，本文提出一種新的 CUR 矩陣分解技術，基於完整標記所對應的行信息來恢復缺失標記。通過理論分析顯示了所提出方法在現實條件下的有效性，並通過實驗進行了驗證。

2. 無完整標記樣本的弱監督多標記學習。對數據集中沒有樣本擁有完整標記的情形，本文提出一種新的矩陣補全技術，能利用樣本特徵與標記關係等輔助信息恢復缺失標記。本文通過理論分析顯示了所提出方法在現實條件下的有效性，並通過實驗進行了驗證。

3. 頂端排序的弱監督多標記學習。排序在前的標記往往比排序在後的標記更重要，為此本文設計了一種新型評價準則 PRO Loss，通過同時考慮標記的分類和重要性排序，能較好地滿足上述需求；在此基礎上，本文提出了相應的優化演算法，並通過實驗驗證了其有效性。

4. 實值輸出的弱監督多標記學習。多標記學習任務通常考慮離散輸出值，而很多實際應用涉及實值輸出。為此，本文提出了一種基於核範數最小化來利用標記關係，並通過近端梯度下降和交替方向乘子法優化求解的方法。實驗結果驗證了本文方法的有效性。

CAAI官網公示地址：

http://www.caai.cn/index.php?s=/home/article/detail/id/688.html

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！