面向开放环境的自适应感知

浏览次数

6

收藏次数

0

接洽次数

0

项目摘要:模式识别和人工智能领域60多年来的研究取得了巨大进展,尤其是近年来快速发展的深度学习方法,在智能感知和认知问题上都取得了超过传统的基于人工特征和知识规则的方法的性能,甚至超过人类水平。但深度学习方法的不足也越来越明显:依赖大量标记数据训练,小样本训练时泛化性能难以保证;开放环境下对噪声数据、对抗数据的稳定性、鲁棒性差;数据分布变化、类别变化时模型自适应能力差;深度神经网络的可解释性差。本项目针对开放环境下的自适应感知面临概念(类别集)动态变化、数据分布变化、噪声干扰、多模态异步关联等挑战,面向开放环境自适应感知理论与方法,研究自适应感知的基础理论和效能度量,建立一套自适应感知学习和效能度量理论体系;研究自适应感知的知识表示框架和网络结构自适应,构建感知知识和数据的神经网络统一表示,实现感知模型、知识记忆和数据间的交互与协同;研究感知数据基元属性学习与结构理解,实现知识驱动的感知数据结构理解以及基元属性自动学习;研究变化环境下的自适应感知和学习,设计对噪声和异常数据鲁棒的深度模型,设计具有容错性、自适应性的学习算法;研究开放环境下多模态自适应感知模型和方法,针对模态不均衡、不同步、关联模式动态变化的问题,建模多模态数据的统一语义空间表示,有效感知动态关联多模态数据中的语义知识。