2019年11月22日，在杭州国际博览中心举办的2019中国自动化大会卫星会议“模式识别理论前沿”圆满落幕。本次会议由中国自动化学会模式识别与机器智能专业委员会（CAA-PRMI）主办。共有80余位专家、学者和学生参加了本次研讨会。

当前，人工智能技术与应用的飞速发展为模式识别提供了广阔空间，模式识别迎来了新的发展机遇。在全球智能化需求不断迭代更新的过程中，面向开放环境的类人模式识别理论与方法必将成为下一代前瞻性核心研究方向。在2019中国自动化大会“智能自动化承载未来”的主题下，面向模式识别基础理论与方法，本次会议邀请了本领域部分资深专家与参会者分享最新研究成果和观点，通过对模式识别的基础理论前沿与未来发展的研讨，唤起业界对相关基础理论研究的进一步重视，推动模式识别理论与方法在中国的研究与应用。

 

大会现场一角

 

北京大学林宙辰教授主持会议

本次大会由中国自动化学会模式识别与机器智能专委会副主任、北京大学林宙辰教授主持。在会议中，首位分享嘉宾为清华大学的朱军教授，他的报告题目是“深度学习的对抗攻击与防御”。研究表明，深度学习模型易于被对抗噪声误导进而发生错误，这一缺陷往往会给深度学习在关键领域的应用带来风险；另外，深度学习模型通常很难被理解。针对这些挑战性问题，朱军教授分享了深度神经网络的对抗攻击与防守方法，展示了相关研究成果在人脸识别等重要问题上的应用效果。

 

清华大学朱军教授做报告

第二位分享嘉宾为中国自动化学会模式识别与机器智能专业委员会副秘书长、清华大学的鲁继文副教授，他的报告题目是“深度度量学习与视觉内容理解”。报告介绍了清华大学自动化系智能视觉实验室近年来提出的面向视觉内容理解的多个深度度量学习方法，主要包括小样本深度度量学习、多视图深度度量学习、对抗性深度度量学习、和非均衡深度度量学习等，及其在人脸与物体识别、行人跟踪与再识别、图像与视频检索等多个视觉内容理解任务中的应用。

 

清华大学鲁继文副教授做报告

第三位分享嘉宾为南开大学的程明明教授，他的报告题目是“开放环境下的自适应视觉感知”。现有机器视觉学习方法依赖大规模精确标注的训练样本。实践表明，在典型实验室环境下设计和训练的人工智能模型，在行业应用场景变换时，容易导致系统性能急剧下降。面向智能系统的自主发育，程明明教授从弱监督视觉理解的角度分享了如何降低深度学习模型对特定应用场景数据依赖的研究进展，集中展示了高效视觉特征提取与鲁棒深度学习模型集成方法、基础通用视觉属性学习方法、基础通用视觉知识引导的弱监督学习模型构建方法、以及基于互联网数据的自主知识学习方法。

 

南开大学程明明教授做报告

第四位分享嘉宾为中国自动化学会模式识别与机器智能专业委员会副主任、北京大学的林宙辰教授，他的报告题目是“深度神经网络和优化之间的相互促进”。优化是机器学习中不可缺少的一部分。在此报告中，林宙辰教授展示了优化对深度神经网络训练以及网络架构设计的至关重要性，并在此基础上进一步揭示了优化和深度神经网络之间的密切联系。林宙辰教授还分享了其团队在该方向上的最新研究成果。

 

北京大学林宙辰教授做报告

现场参加研讨会的听众被四位嘉宾生动的报告深深吸引，互动提问与讨论热烈。本次模式识别理论前沿研讨会在掌声阵阵和收获满满中获得了圆满成功。

 

与会者提问