雷達信號處理重點實驗室陳渤團隊研究成果被NeurIPS和IJCV錄用

（通訊員 魯瑞穎）多年來,雷達信號處理國家級重點實驗室陳渤教授團隊針對智能感知識別、深度學習、概率建模、信息壓縮等方向中的挑戰問題，開展了認知概率深度網絡，序列數據壓縮重構等相關研究，并于近日在機器學習與模式識別領域頂級會議以及頂級期刊發表相關工作。

其中，陳渤教授指導的碩士生段志斌和博士生徐逸石合作完成的工作，《TopicNet: Semantic Graph-Guided Topic Discovery》，被第35屆 Conference on Neural Information Processing Systems（簡稱NeurIPS）錄用。作為當前全球最負盛名的人工智能學術會議，本屆NeurIPS總計收到9122篇有效論文投稿，接收率26%。本篇論文延續了團隊在概率深度網絡方面的系列工作。眾所周知，深度神經網絡在各種基于感知的任務（如檢測與識別）中甚至已經達到了超越人類的水平，但是其邏輯推理能力卻遠遠落后于人類。其中很重要的一點原因就是神經網絡缺乏常識，常識雖然很常見，但它往往難以公式化。因此，如何將常識嵌入神經網絡是一項富有挑戰性的任務。該論文針對現有概率深度網絡缺乏融入先驗知識的靈活性問題，探索性地提出將常識（概念之間的包含關系）編碼為一種層次結構的先驗知識，通過建立概念與網絡參數之間的對應關系，可以將常識作為網絡學習過程中的有效正則。此外，為了使常識更好地輔助模型，該論文還開發了一種方法從大規模通用知識圖譜中提取出有效的常識與任務數據進行適配，并與該團隊在ICML2021提出的鋸齒形網絡結構進行巧妙結合，被應用于概率深度模型中，取得了良好的實驗效果。

鋸齒形網絡結構能夠將多層的網絡參數投影至同一嵌入空間中，語義相似的參數在嵌入空間中也會距離較近。該論文在此基礎上將每個參數都用一個分布來表示，這使得概念之間的包含關系可以被自然地表達，即覆蓋范圍大的參數（對應于更抽象的概念）可以包含覆蓋范圍小的參數（對應于更具體的概念），如圖2展示了模型學習到的單詞在嵌入空間中的分布表示。

陳渤教授指導的博士生魯瑞穎撰寫的論文《Dual-view Snapshot Compressive Imaging via Optical Flow Aided Recurrent Neural Network》也被計算機視覺CCF A類期刊International Journal of Computer Vision (IJCV)錄用。該論文延續了團隊在快照壓縮成像方面的系列工作，旨在從多個視場（FOV）捕獲視頻并使用2D傳感器壓縮于單幀快照中，實現多視場壓縮感知，享有低帶寬、低功耗和低成本的優勢，在高速攝影和傳輸帶寬受限的場景下具有巨大的應用潛力。然而，基于迭代優化的傳統方法難以在性能和效率上取得平衡，尤其是對于大場景數據重構時間過長且計算量過大，很難應用于現實場景。

圖3 雙視場視頻快照壓縮重構框架

該論文針對上述多視場視頻快照壓縮重構問題，提出一種深度學習方法,能夠在數秒內重構出多視野的高質量視頻。首先，為了增加不同場景的辨識區別度，該論文基于多視場視頻壓縮原理提出了一種差異放大機制。隨后，構造雙分支深度網絡從單幀壓縮快照中初步重構出不同場景的視頻。最后，為了對視頻中的動態變化特征進行顯式建模，該論文將動態的雙向光流信息巧妙地融入遞歸神經網絡，從而完成對雙場景視頻的精細化重構。該方法在仿真測試數據能夠快速完整地重構出雙視場的多幀視頻，并在真實快照壓縮成像系統上驗證了其優越性及實用性。該論文構建了針對多視場視頻快照壓縮成像的高效重構深度網絡，促進了實驗室對該領域最新技術的研究與發展。

兩篇論文的發表是國際學術領域對實驗室及學院科研工作的認可，一方面擴大了學校的學術影響力，另一方面也促進了實驗室與領域內頂尖學者的交流以及對該領域最新研究進展的了解。今后實驗室與學院將繼續鼓勵師生積極探究前沿科技，提升綜合素質。

相關論文鏈接：

NeurIPS2021：https://neurips.cc/

IJCV：https://link.springer.com/article/10.1007/s11263-021-01532-1