焦李成教授谈深度神经网络展开进程

人工智能大讲堂

焦李成教授谈深度神经网络展开进程

2018年11月18日下午，计算机科学与技术学部主任、人工智能学院焦李成教授在成都参与了由中国人工智能学会主办的人工智能大讲堂并做特邀讲演，焦李成教授在讲演中回想了深度神经网络展开进程，论述了复杂影像的智能解译与辨认问题，并鼓舞大家在人工智能范畴勇攀学术高峰，以下为讲演记载。

焦李成：很快乐有这个机遇跟大家一同交流。今天的演讲是命题作文，人工智能学会今年开端做人工智能大讲堂，学会理事会将其作为重要的品牌在做，以前是到各个学校去做，往常拿到高峰论坛来做是第一次。上午的也是张院长的命题作文，一定要谈人工智能，人才的培育，我觉得很快乐有这个机遇，跟大家一同交流。

一个名字，深度神经网络，两句话大家记住了，李院士讲的是深度学习不是万能的，但是分开深度学习是万万不能的。这件事情作为我们内行人来讲，今年讲的也比较多，内行人也很自然能了解，给我们行业内讲是不讲这个事的，但是给普通的听众讲，包含给政府机关、百千万人才、长江杰青大讲堂都讲了这句话，这句话的意义是只需是能够结构化的、只需是能够有规则的、只需你是有数据的，那么这个问题，你不要企图和人工智能去拼。围棋就是这样，象棋也是这样，它们是封锁、完备的，在这些问题上你算不外人工智能，没有它算得快，同时这些规则在短时间内的实施性，人做不到，人有感情，机器没有感情，它下错一步，你说它怎样这么臭，它并不正视你，而是继续下，人工智能一秒钟算三千步，三万步，而人看三十步曾经很巨大了。

这两个视频，一个是我学生做的，西安英卓未来公寓，另外一个是旷视做的。英卓未来公寓从房门开启不时到最后的分开都是经过智能完成的。当然你见不着人，但是人经过智能给了你最好的效劳。所以他们开了第四家酒店，让大众能够体验到智能家居的生活、享遭到智能的质量。旷视在做人脸辨认这件事情，最早做这个事是商汤的Mark，我的学生、也是汤晓鸥教员的第一个学生，他做了20年的人脸辨认，20年的据守厚积薄发，去年的7月份到9月份，三个月内机场、高铁、银行全都用了他的技术。

大家都知道，这是波士顿动力狗。大家看，它的三级跳，人都不一定能够做得到，就是这么灵活，整个机器人经过这么几代以后，智能的行为、谐和、一切的动作做的很棒，我觉得对我们人类是一种应战。在反恐、排爆、探险，救险这些范畴当中，这些技术是十分有用且必要的。我的学生做了一款为渐冻人效劳的眼球控制智能出行及家居生活的轮椅系统，做了三代，正好有一位渐冻人“泰山英雄”，他的腿动不了，手也不能完整控制，但他靠着手登上了泰山、华山，所以公众叫他“泰山英雄”，有媒体联络到了我们，那么我们将赠送一台智能轮椅给他，人工智能的确能够改动我们人在某些状况下的不方便，我个人觉得还是一件十分有意义的事。这套轮椅系统能让渐冻人及其他肌肉或骨骼受损的人不只在室外能自己走，跟刚才说的智能公寓分离起来，经过眼睛的控制，能完成从开门到开关灯、开关窗帘、洗澡间等一切的智能生活起居。在杭州的一个竞赛中，这套系统也很惊动，得到了大家的认可，拿了一个奖项。当然回来了我们认识了“泰山英雄”，能让他有了合适他的轮椅、能切真实实的帮到渐冻人，这是更重要的，我和我的学生都感到十分快乐。

大家可能看不见，这是星载的，就是照相机和雷达装在卫星上然后拍摄空中的视频，船在动、高速上面的车在动、然后机场的飞机在起飞，这是卫星的视频。卫星视频数据量十分大也十分高维，我们同时做到了在卫星视频数据量级上的舰船、飞机、车辆的监测、跟踪和分类，就是你传送多少、运动速度多少、未知的信息全部能够同时的实时辨认出来。

未来首先失业的有可能是播音员，为什么呢？往常的语音合成技术完整能够和董卿一样、和李梓萌一样，听上去有感情，但是声音是合成的。（视频）这样的话就能够全天候的中止播音。刚才举的波士顿动力、渐冻人的轮椅和智能工艺的分离、播音员的语音合成等例子都是活生生正在发作的。所以教育部也很注重人工智能，教育部各个专家组+咨询组31个人，整个散布在十几个高校。

其实我国的人工智能展开计划归结为三步走，四大任务，五大智能技术方向。三步走我们怎样跟、四大任务我们怎样去完成，还有五大方向我们在科研人才的培育上怎样去中止匹配，这是我们需求思索的问题。我以为能够从四个部分思索，一是基础理论，二是共性技术，第三是基础支撑平台，第四是智能化基础设备，智能基础设备树立怎样和物联网和云计算的基础设备的树立相互谐和起来，是我们需求思索的。

工信部的《新一代人工智能产业展开三年行动计划》大家应该去看，目的很分明，产品要出来，中心技术要突破，实践上是为整个智能社会和2025智能制造做准备，这件事大家一定要去做，要思索互联网、大数据、人工智能三个支撑体系和基础设备怎样样相互协同，相互谐和，共同促进，你跟不上，你一定会落后。人工智能对全社会来讲是共性的技术、普适的技术，对教育来讲同样是共性的、普适的课程，这一点我们往常都无法去想象，人工智能关于教育或者是聪慧教育带来的应战，我希望大家一定要去关注。

高校的行动计划，今年教育部连发五文，时间规划触及到2020年、2025年、2030年，内容触及创渎体系，人才培育体系，成果转化和示范应用的基地，它的目的是想干什么？关于高校教员，写写论文，带带学生曾经不够了。人工智能的方向有什么呢？李院士讲了，这是经过多少次争论后列出来的主要方向，6到8个，要依据各个不同的学校、不同的单位，不同的特征去建相应的方向，一定要有特征而不能同质化。

盘绕基础理论的研讨基金委是有规划的，也经过了专家组充沛的论证。人工智能的理论研讨从56年到往常，不时在争论也不时在斗争，但不论你是三起三落还是八起八落，搞学术的人都得搞。他人不做的时分我们在做，他人不待见的时分我们也在做，高潮来的时分，该怎样样还怎样样，做学术的人就要初心不改做自己的事。所以人工智能从降生之初到往常，从需求模仿人的基本智能，推理、学问、规划、学习、交流、感知到移动和操作物体的才干，一直在延伸，一直在往前走，水平在不时的去进步。人工智能不是人的智能，而是希望能够像人那样去思索，像自然演化那样去学习和进化。另外，进化计算和自然计算分离起来有一些应战和问题，我觉得这两个之间的概括需求有人去做，我曾经讲过几回，今天先不讲，未来希望有机遇也跟大家聊一聊进化计算和自然计算的分离。

智能的两条道，学习和感知、优化和辨认的才干什么时分都需求、什么时分都是智能的主体，怎样样能够把这两个分离起来？我以为这个时期说对了一部分，这部分就是能够用梯度算法去做，另外一部分是，进化计算在结构优化上一定是比BP强的，梯度从哪儿求这件事情我觉得还是值得思索,无法取得梯度怎样办？人工智能从开端的符号、联合、行为、贝叶斯到类推，人怎样认知、自然怎样学习演化、人是怎样想的、怎样看的、怎样听的、怎样说的、怎样走的、怎样动的……神经网络都做到了吗？我想说的是，从专家系统到中间基于特征的，再到声音、言语，文字、图像以及往常的感知行动分离起来，这件事上是值得我们去走的。

我个人以为人工智能四大应战，无教员的学习何时能来？无监视的学习深度何时能做？机器人能够像人一样去感知和了解这个世界吗？机器的情感在哪里？前面说的这些都是网络范式去做的，而人是在环境、场景中、运动中去感知，首先是感知这个世界，然后了解这个世界，之后去指挥自己的行为，最后再做一系列的事情。所以最终人工智能要对环境、对场景、对情感去感知和了解，构成动力系统。更进一步，人工智能的展开最重要的还是人，这个时分带来的伦理、法律、道德、宗教等等深化的社会问题我们怎样去思索它、怎样去了解它以及怎样去面对它。

美国白宫成立了人工智能研讨中心，这是绝无仅有的，MIT分离AI成立新的计算机学院。这件事情我觉得对我们整个变革学校的教育，变革下一代的教育都有影响，我们要思索这意味着什么。人工智能改造了计算机的教育，斯坦福一直在创新引领的前沿，我们要思索他们做什么事情，我们要做以人为中心的人工智能的教育和变革。这件事情上，我们教育部的官员和教育工作者都要去好好学习，更要去看他人怎样去做。

所以说到对人工智能的战略投资，包含对社会的改造、长期的反动，MIT这件事情拿了10亿美金，CMU兴办了世界上第一个人工智能本科专业，我知道在纽约办了一个艺术学院与人工智能的分离，他们用6.4亿美金，特地办了一个艺术学院。我们不能只知道人家做了这件事，更要看这件事的内容是什么，要眼光面向全世界，要看分明怎样去做，我们要去引领。我就觉得这三件事情都是今年的，都是刚刚发作的事，所以这件事情上，我觉得美国还是苏醒的，站在这个制高点，不能说我们人工智能计划曾经很圆满。当然国内的规划也很快，这件事情应该说叫做“顺势而为，顺势而上”，但我们千万不要说吃了一碗面条，我们脑子就很聪明，似乎不是那么回事，要懂得做全局优化。

我想再强调一下，人工智能、机器学习和深度学习我们内行人应该要搞分明。往常当然说没有比深度学习更有效的机器学习的措施，人工智能当然要去做事，肯定得靠深度学习，由于你面对的是黑箱、不完整的数据，而且宏观上是大数据，微观上对问题来讲又是小样本。所以关于深度学习，我们内行人离不开他但也不要起哄。在传统的体系结构下，机器学习和深度学习是什么？这个对话不在一个频道上。

有监视、无监视、半监视和强化的算法怎样用要看是什么状况，我们自己做这个内行的人，千万不要说你那个能干什么，这个能干什么，用的场所和问题不一样，你可能在不同的场所，不同的任务，不同的问题需求用不同的措施去处置。我往常就惧怕大家堕入一个坑，我们再回到神经网络，最早1990年我出的书里神经网络的四个范式，反响网络就是往常大家通常讲的网络，或者是递归反响的。还有自组织网，以及没有表示的完整无监视的学习。

大数据就讲一句，我们一切处置的问题、深度学习的措施，机器学习的措施都一定是面向大数据的问题，但是单个问题拿到的又只是小样本，一定得记住这一点，这个意义上来讲，是大数据小样本再加学习，这件事情上我们一定要把它分离起来做。面对大数据，面对海量数据，面对结构和非结构的数据大部分深度神经网络是不可解释的、是黑箱的。大数据处置的很多措施，同样是不可解释的，由于我们往常处置这些数据时只讲大、只讲海，但处置数据其实也是物理过程，应当像人的认知过程那样是有生物意义和物理意义的，这个层面上来讲，你把那两个意义丢掉了，拿一堆数据就玩、算法递归迭代，最后什么都不解释，人的阅历、规则哪里去了呢？你没有用上。我经常讲的，过马路的时分，对面有一个大美女，打了一个手机，还接了一个指导的电话，大车也穿过来了，旁边还有一个小偷跟着你，你怎样处置？肯定保命要紧，先过马路再说，人会分轻重缓急，而且是协同去做。回过头来，我以为最初研讨神经网络的几个人是要提的。经过学习的概念，经过学习感知的思想，经过学习优化的思想，这个是神经网络的精髓。然后在这个基础上再去做。中间需求把任务完成得好，就要优化去做这件事情。所以说一定是学习、优化、协同、控制和数据分离的。

我的印象应该是在1988年Lippman的文章，一切神经网络做方式辨认边疆的剖析，边疆是那个时分划出来的。大家第一次知道，非线性的问题变得如此简单。那个时分才出来三层神经网络，但三层神经网络能够迫近恣意函数，是理论上证明的，不是今天才做的。之后结构的设计、算法的结构，使得措施变得愈加有效、适用，离问题更近。以前是数据不够、锻炼措施欠缺，同时人们的请求也没有那么迫切，硬件的运转也没有那么好，而往常这四个条件，大约相对30年前曾经有了庞大的改善，我第一次看神经网络大约是83年，那个时分在成都听加州大学伯克利分校的蔡少棠讲了学一个月，讲的非线性和混沌，那时由于客观条件所限，研讨展开不像往常那么疾速，而大数据的呈现是应景了，这两者是契合了。这个意义上来讲，在具备了有利客观条件的今天，我们要把问题研讨得更透彻，你怎样去中止感知、判别、决策，哪一个是决策者、哪一个是锻炼层、哪一个是推理层、哪一个是优化层得搞分明了。非线性的嵌套是有结构的。从简单的特征，到特征的表征，到特征的学习，特征的表征与学习，往常演化成特征的表征学习，神经网络的演化进程是有脉络、有逻辑的。

关于神经网络和专家系统，专家系统三个要点要记住：学问的表示，学问的学习，学问的推理。早期推理学问的措施未几、表征的框架未几、伎俩未几。神经网络给了大家思想和措施，我希望大家记住对神经网络真正有贡献的是这些人，43年Hebb规则和MP模型。1962年Widrow和他的学生提出了LMS。第一台PC机是他发明的，其算法奠定了自顺应信号处置和自顺应控制技术基础。这个是俄罗斯籍的斯坦福的教授，这个人记住，其貌不扬，我觉得大家都应该记住他Werbos，BP算法是他提出来的，1974年在哈佛大学拿博士学位的时分，就发表了一篇论文就没有论文了，但是博士学位是拿到了，真正的BP算法是他提出来的，使三层神经网络可学习。整个大约十几年的时间很红火，而且是自己也做过世界神经网络学会的主席和先驱，加州工学院Hopfield，三篇文章奠定了他的基础。另外一个记住一个C.Mead，美国的三院院士，世界第一块神经网络的芯片是他做的，这个人在集成电路不时是明星，大家一定要记住这件事情，神经网络不只是今天。这个是芬兰皇家科学院的院长T.Kohonen教授，他来过很多回，提出了自组织特征映射网。径向基神经网络出自Billing手，由于他是用基函数来做这件事情，做控制的人全部是用的，很高效。支撑向量机，这些都是神经网络模型，而且都是学习机，大家不要以为是完整跟神经网络没有关系，只是说那一阵跟神经网络“划清界线”。浅层到深层的学习，大家要明白，实质性上改动的是什么？你说前面的网络浅，那在哪里深呢？范围深、特征深、还是机理深？还是怎样做的呢？我说了解深度的时分，我们要去做深在什么中央，对数据的匹配在哪些上面是做了实质性的突破和改动，这件事情上我们一定要去做的。

我还是把他们列在一同，你记住所谓深度大咖的时分，别忘了上面这些人，这些人是他们的祖师爷。

中国神经网络的展开也是有一个过程的。

我们不时不说，但是路不时在走。简单的数据到了细致的对象，到了图像，从小波变换到了小波网络，从伸缩平移到了方向，到了图像旋转变换。所以说包含从地上到了天上，到了空中机载的。对象在变，需求在变，神经网络也好，机器学习也好，措施也在不时的往前走。所以我们是把这个分离起来在走。刚才为什么说我希望讲一下这些道理，由于进化计算的第一篇文章，不叫人工智能，是优化和学习在走，包含免疫的学习优化，包含我们用到多目的上面去做，包含做协同的、量子的，而且用到了真正目的的辨认上，我们都做了。这个过程我们回过头来说，关于人工智能人才的培育，为什么我们心里面不太慌，经过了十四五年的理论和培育，反正我们也出了这些书，不敢说水平有多高，但是研讨生，本科的教材是有参考的，我自己写的，我也在不时的更新。我们几十本书，应了人才培育教材之需，去年就包含做量子的，光学的，红外的，包含到认知的，稠密的，不时到高分辨遥感，老先生一定要改成雷达图像，我们一路走过来，今年完成的是量子计算，计算智能，简明人工智能等七八本，大约也有好几十万字。计算智能还有方式辨认，反正都是在50、60万字以上，还有自然计算的前沿，就是相当于深度学习的前沿，还有一个大数据智能发掘的。

从第一代到第二代，不时到往常的第三代神经网络，变更在什么中央，实质在什么中央，做这件事情，我们一定要去。第一个是卷积神经网络，我了解的跟他人了解的卷积神经网络不一样，很简单就是内积。然后在电路里面，在学习信息里面，很简单，怎样走？一卷不就出来了嘛，卷积的概念大家知道是从数字信号处置出来的概念，物理概念和描画很分明。其实最开端的时分，卷积也不火，不像往常牛哄哄的。

递归神经网络，一定有联想记忆的。其实方式辨认，以前叫做联想记忆，联想记忆学习优化。这四件事情，要是在神经网络里完成了，你的功用就比单纯的卷积去做要强大得多。所以递归同样是能够做这件事情。

深度置信网提供的思想一定要记住，我能够经过概率的判别做某件事情。我经过概率的判别和生成，能够使这个神经网络的结构性设计愈加合理和有效。这是置信网的贡献。其实往常更热的是贝叶斯网络学习。贝叶斯的散布。

散布完了以后，参数少。接下来就是可学习，这个参数我们能够学出来，学习关键的参数，那么这个散布就找到了，或者优化的散布就找到了。实践上就是做了一个散布的估量。贝叶斯的描画、表征，估量和深度分离起来，这是贝叶斯网络火起来最重要的缘由。很自然，大家好不容易抓住一个贝叶斯散布，而且能够去做。深度能够给你学，何乐而不为，大家一定要找到一个分离点！

才干做这件事情。

生成对立网大家觉得是突破，相对传统的网络来讲。多了一个判别器。所以这个是不一样，而且是跟概率分离起来，大家觉得一人搞了一种。我这么通知你，有了卷积网，有了对立网，你还要有新模型，千万不要觉得谁好用，谁不好用，这就是深度网络的全部。那是你身手不高，你有身手弄一个深度神经网络模型出来，联想记忆，学习，优化还要到后面的推理，你把这些功用完成了，就像人一样，你的功用就强大了。但是往常，为什么大家关注中心，是把感知和决策分离起来，经过概率，态势，估量和学习是有用的。这应该是十分有用的。

两件事情，浅层模块+堆栈理念就等于深度网络。梯度不好的时分，分离一下，混合一下去做。都是不同的选择，也有不同的学习方式，不论怎样样，都是为了进步它的效率，这件事情大家去做，就不讲那么多了。但是，讲大数据。第二个是过拟合。哪一个措施不外拟合。调参，哪一个措施不调参，你说缺乏可解释性，现有的机器学习措施，哪几个可解释，试试看。你不能说他不解释，这个不弄，那个不说，多任务的时分，人人都做不了，大家都在同一个起跑线上，你要勇闯无人区，要做领头雁就做一个算法出来。

往常回想起来，我觉得还是有一些工作，小波SVM网络，用在小样本上，包含ridgelet网络，深度contourlet网络模型等，和应用免疫中止优化学习，量子进化学习，多智能体协同进化学习与多尺度稠密理论学习框架等。量子的免疫的，我刚才说的是两个学习进化，我们分离起来去做，可并行，能够非线性的表征和编码，这两件事情分离起来，量子优化也是这么去做。不是回到量子的器件，我们不做这事，但是思想是能够学的。免疫优化学，相对传统的，我们多了免疫项，多了引导项，多了容错阅历项，那么你的学习优化就不一样，我们做了20万TSP和函数优化，做了千万级的皇后分类，后来我们这些结果，都是最好的结果，后来人们也不跟我们比了。那么你做到了极限了，你试试看。我能做的九个目的的优化问题，那么你去算算，这个东西就难。

我们做了大数据深度学习系统。我跟大家说一个结果，12万×16万的图像，0.5的分辨率，57个G，2766条船，将近300架飞机，整幅图像处置我们在128秒之内全部检测分类出来。

人是怎样做的呢？刚才讲的人看、听、说、触觉，声音衔接图像。一切的声音的处置，输入，获取是人脑处置的基础。那么从这个意义上来讲，它的共性是什么。首先，它是稠密性的，它是可学习的，是有选择的，同时是方向的。这四个是我们感知的基础，这不是我说的，这是生物上证明的，从这个意义上讲，大家光拿一个卷积网，其实没有回过头来想它的生物基础是什么。谁能回答这个问题？或者有多少表示了。

这个也是到往常有将近20年的进程，生物上不时证明这件事情，而且喜欢看牛人，看大咖，不时到往常，证明了大脑中是存在的，一切的这些结果都是有的。

我们的措施做到了吗？我们的深度做到了吗？，我们一代深度神经网络，二代深度神经网络，三代深度神经网络怎样表示人脑做这些事呢？从这个意义上来讲，你怎样去做稠密感知，稠密表征和稠密学习。我们胜利研制了国内第一个紧缩感知雷达，就是把稠密感知和稠密学习这两件事情分离起来。所以说你要观得见，要观得清，辨得明，而且还要了解得了。从这个意义上来讲，不只仅是场景的感知，而且是目的信息的感和知。昨天两位院士讲的成像的，知才是了解的过程。我刚才讲的模型，多小波也好，都做这件事情。

Wishart深度堆栈网络是我们提出来的，将这种物理特性是和神经网络分离起来，完成的结构网络，我们找到了 Wishart深度堆栈网络。我们做的任务是极化SAR图像分类。同样我们做了Wishart的DBN网络，做到了物理获取的机理，视觉的机理和脑处置的机理和结构的分离，结构了相应的深度神经网络。深度神经网络一定是将物理的、生物的、数学的原理分离起来。当然你要更有效，还要在平台上去完成这件事情。

刘芳教授曾经做了很多工作，毕业了很多学生。做了哪件事情？语义深度网络。我们往常都在语法上想对策，思索了数据之间的关联特性，这是了解数据的基础，是推理决策的基础。也是深度学习异曲同工。特别是在星载的电磁波雷达的摄像机，装在卫星上去做。这件事恰恰是把物理的特性和生物的分离起来，我们分离了人是怎样了解的，人是经过语义经过过程，经过数据之间的关联关系，而不只仅是看数据多和少，要看数据之间的关联特性。我们做到了在线表征，屈嵘教员做的超启示式学习优化，她的工作能够用在医院，车站，工厂。深度神经网络还没有做这件事情，超启示式的学习算法和深度神经网络在哪里？应该是翻开往常大数据小样本，人工智能大数据瓶颈问题的一把钥匙，等候大家去努力，有问题向屈教授讨教。

这件事情上做到了，表征这件事情做得很好。表征完了，找到了好的基函数。所以表征、滤波，函数和深度学习分离起来，就给出了深度的，张量的滤波，我们团队也在做深度，谁只拿卷积用用，这个稿子论文毕业都不行，出都出不了门，出了北门就是出了国门。学术只需一个规范，那就是国际规范，不存在哈佛和MIT的规范之分。从这个意义上来看，管他大咖，小咖，处置问题就是咖。从某种意义上来讲，误差小，结构要设计得好，能够完成得了，而且还能算得快。这件事情上是我们做深度的基础。

你不是要做嘛，那个算法是要上星上弹，在导弹上，卫星上装的，你载荷要小，怎样办？就要学得快，在线学习就得增量学习。怎样去做？不只是增量的，而且还能自表征的，把那些阅历不时找回来。然后半监视的去学习。我们承担了国度自然基金的严重专项，完成了星载的在线处置就是做的这件事情。

另外一个，是眼睛看的，脑子想的，还有眼睛怎样看的，脑子怎样想，那就是，显著看的，留意看的，选择留意的特征，看这个信息的时分，选择看的，留意看的，稠密看的，然后脑子再去学它，跟生物分离起来。不论是雷达上还是光学相机上。我们用了变更检测，显著检测，前面讲的一切的模型你去做。有一个中心点，你一定能说出来，你的想法在哪里？你的目的在哪里？你是处置什么样的问题的，你是怎样样去进步的，你的生物意义在哪里，物理意义在哪里，结构上做了哪些变更，这个是怎样匹配的。多示例去做，特性在什么上面呢？不同的传感器取得像不一样，光学的，你的任务是多任务学习，你怎样去学的。

我们做的整个的措施，当时就是比他人的好，所以这个冠军就是我们。这个措施，应该说物理生物、再将深度的思想分离起来，是我们做工作的基本动身点。然后匹配稠密的，大数据的，小样本的问题。而且能够满足在线的，在轨的大数据的需求。

将学习和优化分离起来，多小波和多尺度的网络模型是我们自己提的。多小波的大约是30年前就提了这样的事情。协同进化优化学习，这是第一个国奖，处置了优化和学习的一些基础性的问题。第二个找到了这些图像，需求表征，找到了这些特征，而且把中间的机理剖析了，给出了重构的模型。第三个国奖就是找到了怎样编码，怎样稠密。而且优化了模型，求解了，一代二代三代做了。那好，这就是这三个国奖。近五年拿的，都在人工智能范畴。所以盘绕的都是这样的问题去做的。

后来我们还是回过头来，这些东西国外才不给你。这个时分从眼睛，好比说大脑，第一件事情候院长我们做了。全世界第一个把眼睛装到大脑上，类脑他人没有做。而且看和了解同时做，我们全部变成铁块，变成了机箱。

第二个，刚才说的编码，这是探月的相机。只用很小的像素就能够成像，而且不失真。表征学习和应用，做这件事情。后来就是人像到画像，画像到人像，然后再做辨认。

警察很凶猛，山东的，把这个家伙画出来了。全黑的，画出来了。我们把这个人找出来，章颖莹的冤枉得到了伸张，至少把这个坏家伙找到了。所以我们也是参与其中，应该说为祖国人民也做了一点事情。刚才我说的东西就不说了。应该说XX艘航母回港的时分，我们同时把它全部的像拿到了，视频也做了，把我们最新的算法，装在了我们自己的FPGA上，只需这样才干用。

我们团队，有三个长江学者创新团队，三个国度平台，六个省部级平台，有111国度创新引智基地，我们有一支队伍在做这个事情。分离实验室有十几个。本科专业，05年开招，往常14届，今年招了249名，再加上58名转专业的同窗，往常是四个人才干选一个过来，研讨生招了240多人。这么多年在人工智能范畴做工作，这个专业叫智能科学与技术，是国度级特征专业，我们本科生培育了2千多人，研讨生培育了2千多。拿奖拿到手软。拿不到冠军都不愿意说。今年拿了两个国际的冠军。一个就是ECCV的无人机的竞赛。

给大家看一下。ECCV的无人机的竞赛的数据。全部数据主办方给的，他们飞的。这个数据看那个羊在哪里？一切的羊都是一样的。这个是一切的车，遮挡的状况下，无处可逃。这算法全是拿主办方的数据，在他们的机子上运转的。这是多目的的，你有多少目的，多少数据，都能够检测跟踪。我们的无人机，给大家看我们飞的视频。这个是西安南二环实况，检测、跟踪、分类全部是实时的，还能把几何参数找出来。包含人，包含三轮车，一切的分类检测跟踪，有多少给多少，遮挡也能捣腾出来。这是我们学生做的，他们往常做得很起劲的。

谢谢大家，我就讲这么多。

（来源：西电人工智能学院）

（提供：谈竹奎 编辑：周卓娜）