哈爾濱工程大學(xué)智能科學(xué)與工程學(xué)院在人工智能領(lǐng)域取得重要進展，青年教師邢向磊作為第一作者在人工智能學(xué)術(shù)期刊《IEEE模式分析與機器智能匯刊》（《IEEE Transactions on Pattern Analysis and Machine Intelligence》）上發(fā)表學(xué)術(shù)論文“形變生成網(wǎng)絡(luò)：無監(jiān)督解離表觀與幾何”（“Deformable Generator Networks: Unsupervised Disentanglement of Appearance and Geometry”）。
該研究初步解決了人工智能和機器視覺領(lǐng)域中“表觀與幾何信息的無監(jiān)督提取和分離”的基本科學(xué)問題。以往的生成模型方法需要關(guān)鍵點等有標簽數(shù)據(jù)才可以將表觀和幾何信息分離，該方法的提出不僅以純無監(jiān)督的方式解離圖像和視頻的表觀與幾何信息，無監(jiān)督學(xué)習到的幾何知識還可以方便地遷移到下游AI任務(wù)和其它相似結(jié)構(gòu)的數(shù)據(jù)集中。
該研究初步解決了人工智能和機器視覺領(lǐng)域中“表觀與幾何信息的無監(jiān)督提取和分離”的基本科學(xué)問題。以往的生成模型方法需要關(guān)鍵點等有標簽數(shù)據(jù)才可以將表觀和幾何信息分離，該方法的提出不僅以純無監(jiān)督的方式解離圖像和視頻的表觀與幾何信息，無監(jiān)督學(xué)習到的幾何知識還可以方便地遷移到下游AI任務(wù)和其它相似結(jié)構(gòu)的數(shù)據(jù)集中。
形變生成模型原理圖
IEEE-T-PAMI是人工智能，機器視覺，機器學(xué)習，模式識別，圖像理解等多個領(lǐng)域的頂級國際期刊，側(cè)重于發(fā)表有重要意義并能引領(lǐng)廣泛興趣的突破性前沿研究。2019年度影響因子達到17.86, 在中國計算機學(xué)會認定的人工智能領(lǐng)域四個A類期刊中影響因子排名第一。IEEE T-PAMI以嚴苛的審稿著稱，對論文的原創(chuàng)性要求嚴格，每年收錄的論文數(shù)量十分有限。
邢向磊，博士，2013年畢業(yè)于南京大學(xué)電子科學(xué)與工程學(xué)院。2017-2019年在加州大學(xué)洛杉磯分校(University of California Los Angeles,UCLA)做訪問研究員工作。主要從事機器學(xué)習與機器視覺等領(lǐng)域的研究工作。近期研究成果發(fā)表在《IEEE-T-PAMI》(IF=17.86)，《Pattern Recognition》(IF=7.19),《Neural Computation》等期刊和CVPR2019,CVPR2020等頂級國際會議上。在‘AAAI19 Workshop on Network Interpretability for Deep Learning’上做特邀報告。主持國家自然基金青年項目1項，黑龍江省自然科學(xué)基金青年項目1項。作為項目技術(shù)負責人參與國家自然科學(xué)基金面上項目2項。
