年度Top10论文 | 人工智能&计算机视觉&大数据领域
集结IJAC近两年发表的高质量论文，涉及人工智能、人机交互、情感识别、语音识别、大数据、精准农业等诸多热门领域，作者包括英国皇家学会院士、英国爱丁堡大学樊文飞教授，英国拉夫堡大学陈文华教授，中科院自动化所陶建华研究员，北京大学王立威教授，中科院计算所程学旗研究员，中国科技大学陈恩红教授、重庆大学张磊教授等。
TOP人机交互&计算机视觉年度好文
01
中科院自动化所陶建华研究员团队基于半监督梯形网络构建语音情感识别模型，联合优化监督损失和辅助无监督损失函数，对模型进行训练。同时，模型加入了无监督辅助任务不仅可提取具有区分性的情感特征，同样还可视为主要情感监督任务的正则化。该研究还对比了梯形网络与其他经典的自编码结构，最后的实验结果表明：较其他方法而言，本研究所提方法在标记数据更少的情况，也能取得较优的性能。
Semi-supervised Ladder Networks for Speech Emotion Recognition
Jian-Hua Tao, Jian Huang, Ya Li, Zheng Lian, Ming-Yue Niu
全文下载
https://link.springer.com/article/10.1007/s11633-019-1175-x
▲▲
02
聊天对话系统是一项极具发展前景的自然语言处理技术，可帮助计算机与人进行自然对话。微软小冰凭借这一技术，成为科技界新晋"网红"，并不断迭代更新。本文来自港科大-微众AI杨强教授团队的最新研究成果，该研究提出一种全新的基于迁移学习的注意力机制，并构建了一套新的生成对话框架：迁移分层注意力网络。实验结果表明THAN模型性能略优于当前最前沿的模型，并能生成逻辑连续且语义信息明确的话语。
Transfer Hierarchical Attention Network for Generative Dialog System
Xiang Zhang, Qiang Yang
全文下载
https://link.springer.com/article/10.1007/s11633-019-1200-0
▲▲
03
来自重庆大学张磊教授团队成果---DiscoStyle: 可用于个性化人脸风格偏好推断的多层逻辑排序模型，DiscoStyle可通过极少数锚点对特定用户的面部偏好进行推断和计算，完成自动偏好预测及推荐。本研究基于预训练人脸表征深度网络，提出一种深度迁移学习范式，可用于表征人脸偏好相关的特征，并首次构建了大规模人脸风格数据集(即StyleFace)。
DiscoStyle: Multi-level Logistic Ranking for Personalized Image Style Preference Inference
Zhen-Wei He, Lei Zhang, Fang-Yi Liu
全文下载
https://link.springer.com/article/10.1007/s11633-020-1244-1
▲▲
04
面对海量信息，如何快速高效准确地对数据进行标记、使之为科研所用？帝国理工学院Björn Schuller教授团队提出一种基于"众包"的在线游戏化数据收集、标注与分析台 iHEARu-PLAY 及与之整合的基于网页的新型语音分类工具及声音分析应用 VoiLA ，可很好地应用于语言及语音处理，能够在保证质量的前提下，以更低的成本，快速高效地收集大量数据标签，以游戏化的方式吸引广大参与者为科学研究贡献有效数据。未来，本研究还将融入迁移学习的概念，旨在将现有任务中的知识最大化迁移至新任务中，并获取与新任务相关的新知识。
Large-scale Data Collection and Analysis via a Gamified Intelligent Crowdsourcing Platform
Simone Hantke, Tobias Olenyi, Christoph Hausner, Tobias Appel, Björn Schuller
全文下载
http://link.springer.com/article/10.1007/s11633-019-1180-0
▲▲
05
计算机如果能够像人类那样具有理解和表达情感的能力，将从根本上改变人与计算机之间的关系，使计算机能够更好地为人类服务。表情识别是计算机理解人们情感的一种方式，也是人们探索和理解智能的有效途径。由于面部表情的多样性和复杂性，并且涉及生理学及心理学等相关知识，表情识别具有较大难度。中科院自动化所陶建华研究员团队基于真实场景，将人脸分为六个区域，可真实有效地完成面部表情分析。
Expression Analysis Based on Face Regions in Real-world Conditions
Zheng Lian, Ya Li, Jian-Hua Tao, Jian Huang, Ming-Yue Niu
全文下载
https://link.springer.com/article/10.1007/s11633-019-1176-9
▲▲
06
在计算机视觉领域中，细粒度图像分类（Fine-grained image classification）是一个非常受欢迎但极具挑战的研究方向。在训练数据受限的情况下，如何高效且经济地完成细粒度图像识别任务？北京大学王立威教授团队提出一种新型零样本细粒度图像分析模型，其性能优于当前最前沿的零样本学习模型。
Zero-shot Fine-grained Classification by Deep Feature Learning with Semantics
Ao-Xue Li, Ke-Xin Zhang, Li-Wei Wang
全文下载
https://link.springer.com/article/10.1007/s11633-019-1177-8
▲▲
年度好文
01
大数据分析通常代价高昂，而且被认为是拥有大型集群计算机的大公司的特权。2019年CNCC大会上，英国皇家学会院士樊文飞教授做了题为"把大数据做小"的主旨报告，基于有界计算理论和一个数据驱动近似方案，他提出一种新的有限资源式查询处理范式，可为小公司提供即时查询大数据的能力。今年8月，樊文飞教授在IJAC发表最新研究成果"有界计算理论：在有限资源下查询大数据"，将大数据的查询简化为对小数据的计算，从而使在有限资源下查询大数据成为可能。
Bounded Evaluation: Querying Big Data with Bounded Resources
Yang Cao, Wen-Fei Fan, Teng-Fei Yuan
全文下载
https://link.springer.com/article/10.1007/s11633-020-1236-1
▲▲
02
在线社交网络是日常信息传播的关键渠道，理解社交网络的传播机制有助于更好地认识人类行为、开发商业价值。面对超过注意力限度的海量信息，人们往往只能阅读其中很小的一部分，这就使得信息之间事实上在激烈竞争用户有限的注意力。那么，信息在传播过程中如何相互竞争？真实环境中，一条消息又是如何在社交网络中扩散？中科院计算所程学旗研究员团队与中国科技大学陈恩红教授团队合作带来最新研究---社交网络的传播背景：模拟与建模，初步研究了信息在社交网络中的传播模式。
The Propagation Background in Social Networks: Simulating and Modeling
Kai Li, Tong Xu, Shuai Feng, Li-Sheng Qiao, Hua-Wei Shen, Tian-Yang Lv, Xue-Qi Cheng, En-Hong Chen
全文下载
https://link.springer.com/article/10.1007/s11633-020-1227-2
▲▲
年度好文
01
英国拉夫堡大学陈文华教授团队研究成果：精准农业中分类问题的卫星遥感光谱特征选取研究，通过比较分析针对精准农业分类问题的四种光谱特征选取方法，文章提出了最优方案。
Potential Bands of Sentinel-2A Satellite for Classification Problems in Precision Agriculture
Tian-Xiang Zhang, Jin-Ya Su, Cun-Jia Liu, Wen-Hua Chen
全文下载
https://link.springer.com/article/10.1007/s11633-018-1143-x
▲▲
02
手势识别研究吸引了世界上越来越多学者的关注。除了应用于日常生活中，手势识别也开始进入虚拟现实、医疗系统、教育、通信系统、游戏、移动设备、汽车等领域。IJAC发表了来自美国蒙莫斯大学青年学者Hu Bin和终身教授Wang Jiacun的最新研究成果：基于深度学习的手势识别及无人机控制。该研究尝试将深度学习方法应用于动态手势识别中，旨在控制无人机。相较以往研究，本研究是首个将Leap Motion控制器作为输入设备应用于基于深度学习网络的手势识别中的研究。
Deep Learning Based Hand Gesture Recognition and UAV Flight Controls
Bin Hu, Jiacun Wang
全文下载
https://link.springer.com/article/10.1007/s11633-019-1194-7
▲▲
03
当前，强化学习算法已经应用于解决多种控制器设计问题。仅依靠输入输出数据，强化学习算法就可以优化策略，无需依赖系统参数与结构。哈尔滨工业大学李湛副教授团队和高会军教授团队基于强化学习提出一种无模型依赖算法，只需输入输出数据，即可对多速率采样系统的控制器参数进行优化，该方法可用于设计多速率系统的最优控制器。
Controller Optimization for Multirate Systems Based on Reinforcement Learning
Zhan Li, Sheng-Ri Xue, Xing-Hu Yu, Hui-Jun Gao
全文下载
https://link.springer.com/article/10.1007/s11633-020-1229-0
▲▲
○
【约稿】爱丁堡大学樊文飞 | 有界计算理论: 在有限资源下查询大数据
哈工大高会军团队: 基于强化学习的多速率系统控制器最优化研究
高被引Top1团队综述：图像、图形及文本领域的对抗攻击及防御
港科大-微众AI杨强团队：用于生成对话系统的迁移多层注意力网络
【综述】美外籍院士Brian Anderson: 社交网络中舆论动力学研究进展
○
2019-2020年度 Top10 综述
专题征稿 | 分布式网络化控制系统的弹性及安全控制与估计
观前沿 | 自动化所陶建华：音视频中情感计算的问题与挑战
本周亮点 | IJAC被DBLP收录 & 最新约稿
10mins微课 | 英语论文写作高频错误: 小冠词の大不同【名校好课】MIT最新深度学习公开课一款强大的公式编辑器如何在不平坦的科研路上狂奔？提升科研效率的几款小工具
Global Focus · Leading Research
官网 : www.ijac.net
Springer主页：link.springer.com/journal/11633
新浪微博：IJAC-国际自动化与计算杂志
Twitter: IJAC_Journal
Facebook: ijac journal
点击"阅读原文"发现更多免费好文