2018年11月25日-26日举办的“新一代人工智能前沿与挑战”中青年论坛暨第二十一届学术周在西安电子科技大学圆满落幕，研讨会上包括长江学者、IEEEFellow、领域顶尖中青年学者、新锐企业领导者等在内的国内外权威专家学者带来了他们在人工智能领域最前沿的研究成果，29场学术报告和1场圆桌会议围绕“新一代人工智能最前沿与挑战”问题展开，内容精彩纷呈，碰撞思想，为现场1000余参会者献上一场“新一代人工智能”最高端、最前沿的思想盛宴。
本文根据学术周期间的现场速记进行整理归纳，将专家们提出的主要观点及报告内容再次呈现出来，供大家参考。
石光明：混合智能之问题探讨
西安电子科技大学副校长石光明教授
石光明教授的报告主要围绕三个方面展开：“为什么是人机混合系统”、“人机混合系统中的问题”和“人机混合难点”。他首先使用弱小目标识别、水下听音辨物、海量图中判物和外骨骼协调性这四个应用场景需求的例子来说明什么是人机混合系统。石光明教授接着谈到国内外的研究现状并提出当前机器智能面临的挑战性问题：不确定性、脆弱性和开放性。进而提出将人的作用或认知模型引入到机器智能系统中，来提升人工智能系统的性能，使人工智能成为人类智能的自然延伸和拓展，通过人机协同更加高效地解决复杂问题，这就是将人类智能和机器智能相结合的人机混合智能。
董彬：BridgingDeepNeuralNetworksandDifferentialEquationsforImageRestorationandBeyond
北京大学董彬教授
董彬教授首先快速回顾了图像处理过去三十年的发展历程，认为越来越多的数据和更先进的处理器是引发这几十年最大变化的根本原因。但对于深度学习来讲依然存在很多挑战：怎么样从有限的弱监督标记数据中学习；如何从不同类型的数据中学习；算法的理论指导和透明度，在得到模型后要求不仅能够作推断，更重要的是将数据中的内在规律提取出来。
徐丰:电磁散射建模与SAR图像解译
复旦大学徐丰教授
随着科技发展带来多源SAR技术演变，SAR数据呈现高分辨、多极化等特性，徐丰教授报告详细介绍了关于SAR图像的解译的研究工作。
侯彪：遥感脑
西安电子科技大学智能感知与图像理解教育部重点实验室副主任侯彪教授
谢欢：星载激光测高数据处理方法及应用
同济大学测绘与地理信息学院副院长谢欢教授
王爽：弱监督学习的极化SAR地物分类
国家“万人计划”青年拔尖人才王爽教授
第一个工作是基于协同训练的极化SAR地物分类，该工作利用极化SAR图像天然的多视角特性，构建了两组充分而独立的视角，其中的视角其实指的是基于不同特征的分类器。该方法通过两个分类器的相互交互的方式实现扩大训练样本的目的。第一个分类器提取极化SAR的相干矩阵，第二个分类器采用五种目标分解方法（Pauli,Cloude,Freeman,Krogager,Huynen）合成一个24维特征。
第二个工作利用Tri-training放宽Co-training对多视角的约束，王爽教授指出在Co-training中是根据特征的差异性实现了分类器的多视角特性，而Tri-training则利用了数据的差异性，从而保证了分类器的差异性。在该工作中，分类器提取了33维的极化SAR特征，并利用邻域最小生成树简化了对整幅图像的搜索过程，该方法大大降低了对于样本的需求率。
第三个工作针对极化SAR图像的像素点与周围像素可能不属于同一类的问题，提出了一种宽度卷积神经网络的模型，将空间信息进行加权，这样做的好处是既可以考虑像素的空间邻域信息，又能降低不同类的像素点对中心像素点的特征影响。
张兴义：Multi-objectiveEvolutionaryAlgorithmsforDataMining
安徽大学计算机科学与技术学院生物智能与知识发现研究所所长张兴义教授
陈欢欢：大数据知识工程
中国科学技术大学陈欢欢教授
知识工程的发展经历了从符号逻辑语义网络、基于传统专家系统的中小型知识库、群体智能的大规模知识库，到当前基于大数据的超大规模知识图谱、知识服务时代。
彭艳：基于认知的海洋智能无人艇
上海大学无人艇工程研究院院长彭艳教授
面对复杂海洋环境下多维化、碎片化知识带来的信息不完整、不确定性，基于脑记忆认知过程的无人艇智能化、高效集群化、跨域协同性自主感知与决策方案成为无人艇技术设备未来的发展趋势。
杨阳：跨媒体智能分析与应用
电子科技大学杨阳教授
跨媒体理解通过对语言、视觉和听觉的语义贯通，是实现智能分析、内容检索、高维索引的基础。
杨阳教授针对跨媒体理解的最新科研成果进行了详细的介绍，其中包括三个方面：针对网络上层出不穷的多媒体数据，现有监督哈希方法受限于监督信息的稀缺与准确性，提出面向监督知识迁移的零样本哈希（zero-shothashing）方法，通过有限已知类训练样本学习的哈希函数，将未知类图像压缩成二进制码，并在目标函数中通过语义嵌入空间构建独立标签之间的语义关系。针对语义演化问题，通过对嵌入空间的旋转，匹配嵌入语义与低层的视觉特征空间，从而减轻语义鸿沟的影响；提出基于对抗学习与长短时记忆的视频描述方法，其中生成模块利用长短时记忆网络，判别模块提出针对视频描述的以句子和视频特征为输入的新方法。该方法利用“生成器”根据视频的视觉内容生成文本句子，“判别器”控制生成句子的准确性。通过判别器对生成器的对抗和控制机理，促使生成器的准确性；针对现有POI预测方法偏向于推荐受欢迎景点，而忽略具有潜在价值的不受欢迎的景区。提出分层多线索融合方法。该方法设计了一个有效的层次结构，通过整合来自多个社交源的各类媒体信息(如图像和文本)进行POI全面描述，同时对每个单独的POI注入语义知识和多线索表示能力。
最后杨阳教授指出目前文本、图像、语言等数据形式紧密混合一体，跨媒体智能分析在机器人、无人机、安防、交通、教育、互联网等领域有着重大的研究价值。
西北工业大学王琦教授
王琦教授报告首先深入浅出地介绍了深度学习中注意力机制的原理及关键计算机制，以及注意力模型在图像领域的研究现状，最后对近期工作做了详细介绍。
高新波：混合增强智能中大数据与小数据分析
西安电子科技大学副校长高新波教授
当今技术背景下的智能技术发展，往往需要基于一定的学习过程，因此用于提供学习的数据是人工智能技术发展的沃土。高新波教授生动风趣，深入浅出的从数据的基本概念与特点出发，探讨了大数据的优势不足与小数据的必要性，并指出“在数据的江湖里，既有波澜壮阔的大数据，也有细流涟漪的小数据，二者相辅相成，才能相映生辉。”高新波教授告诫在场的青年学子“不管是大数据还是小数据，我们应该敞开思想，研究实际问题，精准定位碰到的数据业务问题，以应用为导向，而非以技术为导向，清醒的认识技术和应用之间的关系。”
唐金辉：基于社交媒体数据清洗的图像语义理解
南京理工大学计算机科学与工程学院副院长唐金辉教授
唐金辉教授在报告中主要介绍了团队在人工智能在视觉内容的分析与理解问题与社交媒体挖掘与应用研究工作中所遇到的问题以及解决思路，提供宝贵经验。
在视觉内容的分析与理解问题中，唐金辉教授从生物视觉角度借鉴特征信息反馈与整合，针对传统特征学习算法那对数据分布描述不足，原始视觉特征存在噪声、冗余等问题，分别提出-任务双驱动的视觉特征学习，基于块对角结构的视觉特征学习，无监督特征选择等具体技术改善视觉特征提取能力，提高图像理解与分类精度。
在社交媒体挖掘与应用中，媒体数据量巨大而有标记的可用训练数据却严重不足，针对这样的实际问题，唐金辉教授指出社交媒体和用户能为模型的学习提供行之有效的上下文信息，甚至标签信息。结合社交媒体标签图像稀疏重建、图像语义分类任务，图像质量改善问题，唐金辉教授团队分别提出基于稀疏图的半监督学习框架，深度迁移网络以及社交锚体图正则化的张量重构等方法，有效解决模型在人工标记数据不足的情况下模型的训练与学习问题。
除此之外，唐金辉教授还介绍了团队在多媒体索引与搜索、视频动作分析与识别、图像与视频去模糊与增强、人脸识别与分析，视觉和学习加速算法等诸多领域的研究与进展，并给在座学子提供了很多宝贵意见。
王楠楠：RecentProgressonHeterogeneousFacialImageSynthesisandRecognition
西安电子科技大学王楠楠副教授
随着图像采集设备的普及，获得目标图像的代价越来越小，由此而造成所采集到的图像质量参差不齐。而且在一些极端条件和特殊场合难以获得高清晰度，高可辨识度的图像，使得传统模式识别系统难以奏效。王楠楠副教授报告中介绍到“通过引入人类智慧，利用画家经验，可以根据低质量的图像或图像序列，来生成素描画像，基于机器学习方法可以学习画像与图像之间的复杂映射关系，从而由画像合成出可用来进行模式识别的图像信息，进而取得良好的识别结果，我们可以称之为异质图像识别。”
针对卷积网络以及生成对抗网络在进行素描图的合成与识别任务中图像发生形变，细节丢失、图像模糊等问题，王楠楠副教授基于以往概率图模型工作基础，参照画家画像时先勾勒轮廓再描绘细节的过程，提出生成对抗网络与概率图模型相结合的从粗到细的人脸素描图合成方法，进一步地，他将传统的马尔可夫随机场模型与卷积网路深度结合提出马尔可夫随机神经场地异质图像合成模型。在介绍异质图像人脸识别地工作中，他指出既然不同的异质图像合成方法各有优点，各个方法之间可以实现一定的信息互补，所以提出利用多个不同的合成方法得到的合成图像共同提取特征，实现非对称联合学习的异质图像的识别。
王楠楠教授将自己的研究工作与实际的具体应用紧密联系起来，许多工作已经在公安、娱乐等方面得以实际应用，充分体现人工智能在国民经济产业发展与公共服务监督与实施等方面的赋能作用和广阔前景。
Panel--下一代人工智能前沿与挑战问题
会后，屈嵘教授和张向荣教授主持召开了针对“下一代人工智能前沿与挑战问题”的座谈会，参与座谈的有唐金辉教授，董彬教授，李辰教授，张道强教授，刘连庆教授，侯彪教授，陈欢欢教授，彭艳教授，王琦教授，王爽教授，梁雪峰教授，王晗丁教授。
圆桌对话
会议围绕下一代人工智能最前沿与最挑战问题展开，唐金辉教授在会议上发言并指出目前在计算机视觉领域中，图像分类问题似乎已经得到解决，更多的研究者将工作重心放在进一步图像语义描述生成的工作上。但是，虽然在现有的ImageNet数据集下算法分类的精度已经超过人类，但是在实际应用中依旧存在很大的差距，作为青年学者不应该避重就轻，要实现图像广泛的理性的解析与推理仍然有很长的路要走。
陈欢欢教授进一步指出，知识图谱的表达能力并不是完美无缺的，设计和提出新型的知识表示方法仍然是一个非常值得思考的问题。在谈到知识图谱的应用与挑战时，陈欢欢教授列举了以下问题：如何将常识嵌入到知识模型中去、在知识图谱的构建过程中，如何能够结合具体的应用，控制知识描述的“力度”、本体构建在知识图谱中至关重要，如何结合具体的面向对象和具体的应用和由于种种原因，如何解决中文的知识图构建的巨大差距。最后，陈欢欢教授也指出，在未来基于知识图谱的逻辑推理和递进关系的研究是一个值得期待的研究方向。
在谈到深度学习的发展与挑战时，董彬教授指出，虽然深度学习技术在实际应用中取得了广泛的好评，但是深度学习本身的数学理论基础却非常薄弱，我们缺乏对其进行分析的有效的数学手段。从技术层面上讲，如何能够在诸如图结构等关系数据或者不规则数据上使用深度学习方法仍然是一个开放问题。此外，目前更多学者利用深度学习去学习“correlation”,而没有考虑去学习“principle”，如何能够学习到事物或者目标的规律本质可能，这个本质可以更好的施加到类似的任务中也是一个非常值得研究的问题。
随后，李辰教授从自然语言处理的角度强调了在知识图谱或者语义网络构造过程中本体的构建的重要性，并指出在人工智能发展过程中领域知识同样时非常重要的，人工智能技术从“看到，知道”到需要结合领域知识的“理解”的发展仍然有很长的路要走。
在谈到数据的处理与预处理等问题时，王爽教授提到，虽然有些方法在已有规模的数据集上测试时能够产生优异的性能，但是当我们将它用在真实场景中却发现其存在着各种各样的问题。
在数据标注数据的处理与预处理等问题时，张道强教授指出，在医学影像处理领域，医学图像的采集与标注仍然需要专业的医生实施，同时标注及其耗费人力。除此之外，医学影像数据采集设备的型号差异，质量评价要求不严格等因素也造成了可用的高质量数据不足，进一步加剧了算法和模型的构造需求。因此，人工智能技术的发展，不仅仅是致力于人工智能算法研究的科学工作者的工作，更应该是各行各业从业人员都要有所参与，协同反馈迭代发展的工作。
刘连庆教授指出，目前大部分的人工智能都是基于数据的智能，模型的输入是数据，输出是数据，智能产生于数据与数据之间，而在机器人领域输入是一组动作输出也是一组动作，在动作与动作之间的产生智能，这样的思路更加符合人类进化，动作的智能相比数据的智能更加复杂更具挑战性。同时刘连庆教授也指出，人工智能的载体也是非常重要的，我们目前所实施的人工智能都是基于芯片的硅基智能，而在自然界中拥有智能行为的物种都是碳基的智能，是碳基智能还是硅基智能更有利于人工智能的发展也是一个未来一个重要的研究问题。
梁雪峰教授从认知心理学的角度，现阶段人工智能的发展和人类的心理认知还有很大的差别，机器绝大多数都是在做具象的认知，比如说“是”和“不是”，而人类主要的认知是抽象的模糊的。在未来，人工智能的发展方向应该要符合人类的心理认知，才能够更加精准的为服务于人类。因此结合社交网络大数据，认知心理学与人工智能的结合与发展具有广阔的应用场景。
焦李成：深度学习与进化优化：挑战与公开问题
中国人工智能学会副理事长、IEEEFellow焦李成教授
焦李成教授在报告中介绍了深度学习与进化优化之间存在的挑战与公开问题，从人工智能与机器学习和深度学习之间的联系、深度学习的前沿与挑战、进化优化的前沿与挑战、深度学习与进化优化的研究思考四个方面进行了详细阐述。
在进化优化的前沿与挑战方面，焦李成教授指出了进化优化的五个关键问题：缺乏实验的可重复性、缺乏理论证明、缺乏实际应用、没有最优的通用参数、缺乏用户友好性。在报告最后，焦李成教授提到了深度学习与进化优化相结合的研究方向，强调了全局优化与局部优化学习结合的必要性，并指出深度学习和进化计算要“相识相知，要共同发展，现在的智能一定是人工智能(AI)+计算智能(CI)+生物智能(BI)的形式”。
马坚伟：深度学习在勘探地球物理的应用
哈尔滨工业大学人工智能研究院副院长马坚伟教授
地球物理勘探是根据物理现象对地质体或地质构造做出解释推断的方法，简而言之就是给地球做“B超”，该技术主要应用于油气勘探、地质勘探、考古探测等方面。针对物理勘探中有效反射信号微弱以及观测手段受限等缺点，马坚伟教授将深度学习方法应用到勘探地球物理上来，有效提高了勘探成像的速度以及准确性。
报告中，马坚伟教授首先介绍了深度神经网络在勘探成像去噪领域的应用。在地球物理勘探方面，由于有效反射信号微弱导致图像信噪比较低。针对该问题，马坚伟教授提出在小样本学习中用已知的滤波器（如：小波滤波器）代替卷积层，以有效减少网络参数、简化网络，从而降低了勘探时无关杂波对成像的影响，通过插值测试，小波CNN网络降低随机噪声的性能明显优于传统方法，并且能更好地保留微弱的有效信号，同时，该网络还能有效去除线性噪声以及无用的多次反射噪声。
针对地球物理中的核心问题——反演问题，马坚伟教授介绍了深度学习在反演成像方面的应用。在反演成像中，全波形反演（FWI）是目前为止精确性最好的方法，它可以描述为一个基于勘探全波场模拟的数据拟合过程，其使用了勘探过程中的全波形信息，但是由于计算量过大仍未被有效应用于实际勘探中。马坚伟教授提出，借助深度学习模型在大量勘探数据上离线训练一个模型，再用该模型对实时勘探数据进行预测，可以做到反演成像实时化。针对勘探过程中存在噪声干扰、振幅干扰以及低频数据缺少等问题，深度学习反演突破了传统反演方法的瓶颈，可以不依赖于初始猜测，有效抗噪声和振幅畸变的干扰，更重要的是，在勘探采集数据缺少低频时该方法也能得到准确的成像结果。
张道强：脑影像智能分析与脑疾病早期诊断
南京航空航天大学计算机科学与技术学院副院长张道强教授
刘连庆：类生命机器人---生命系统和机电系统深度融合的感知、驱动和智能
中国科学院沈阳自动化研究所机器人学国家重点实验室副主任刘连庆教授
在类生命感知方面，刘连庆教授提出以响尾蛇感受红外的机理和机电系统融合起来做出新一代机器人传感器的想法。为此，他与合作者研究出响尾蛇感受红外的机理是离子通道，“有了想法还要有工具。”刘连庆教授提出微球透镜与超分辨增强的纳米操作机器人系统协同设计并展示了离子通道蛋白传染的实时观测与实时反馈下的纳米操作，得到生理环境纳米尺度“能操作”和“能观测”的工具。
在类生命驱动方面，刘连庆教授重点讲述了建模控制与组装制造两个方面。传统的理想弹性体和无源模型不能描述细胞的机械特性，因此刘连庆教授建立了一个有源粘弹性细胞模型，用于细胞运动收缩特性测量。为了“将细胞成束的组装在一起”，刘连庆教授提出了光电镊操控技术，基于光电镊的柔性操控利用光诱导进行生物的模块化制造，按需制定生物模块的动态组装。在类生命智能方面，刘连庆教授认为动作在智能发育中扮演重要角色：计算机领域的智能是硅基的，是数字信号，数据到数据的智能；大脑里面是碳基的，是数模混合信号，是动作到动作的智能。刘连庆教授及其团队正在把硅基的计算和碳基的认知能力结合起来，打印三维神经脑；用神经细胞把感知和驱动连接起来，实现动作闭环的跨介质类生命智能。
李恒超：基于张量理论的高光谱图像降维方法
西南交通大学李恒超教授
高光谱图像通过成像光谱仪能够同时采集数百个几乎连续的光谱波段，具有光谱分辨率高、空谱合一的特点，高光谱遥感已广泛应用于精准农业、矿产勘探和国防军事等领域。
在本报告中，李恒超教授主要探讨了高光谱遥感技术的背景及高光谱图像降维技术的国内外研究现状，概述了张量理论的基础知识。李恒超教授指出：“由于高光谱图像是典型的三维数据，张量表达能够很好地保持高光谱图像的结构”。在此基础上，李恒超教授介绍了两种基于张量理论的高光谱图像降维技术：基于区域协方差描述子的改进张量局部保持投影算法和张量低秩判别嵌入模型。基于区域协方差描述子的改进张量局部保持投影算法主要将传统的局部保持投影算法进行了张量扩展，旨在从局部几何结构中估计得到一系列的变化矩阵，从而将高维数据映射到低维空间中。该方法主要由近邻图构建，权重计算和投影学习三步组成。张量低秩判别嵌入模型主要将低秩嵌入进行推广，将其与判别分析模型相结合，对其进行张量化，从而进一步保持高光谱图像的结构性。最后采用迭代交替优化算法对上述模型进行求解。报告最后，李恒超教授展示了上述方法在高光谱图像上应用的结果，在高光谱图像降维方面均取得了满意的效果。
唐珂：可扩放的演化搜索
南方科技大学唐珂教授
在智能算法领域已存在许多成功的计算模型，但是如何选择合适的算法并对其进行合适的调整，往往成为将智能算法应用于实际问题甚至进一步产业化所难以逾越的鸿沟。为解决上述问题，唐珂教授在报告中介绍了可扩放的演化搜索方法与案例。
吴金建：需求导向的视觉信息度量及采集
西安电子科技大学吴金建副教授
目前，全球数据两年翻一番，图像视频数据已占90%。可见，视觉大数据在现代信息中占据主导地位。然而，传统的信息处理技术不考虑目的需求，只进行单向传输，无需求反馈，无法统筹考虑、全局优化整个信息采集、传播和处理过程，面对大数据洪流已显得越来越无能为力。
为此，吴金建副教授在报告中指出：“从用户认知需求出发，以主观感知视觉信息过程为指导，研究认知目的下对视觉信息量的需求”。该任务的主要挑战有：需求的定性描述及定量刻画；视觉内容分析及其信息量度量。针对上述问题，报告首先介绍了大脑感知视觉信息的过程，从基于大脑自能量理论的视觉内容感知模型出发，针对同一场景中不同类型噪声的污染，借助眼动仪分析信息量衰减时主观感知的变化，从而完成对视觉信息需求的描述与刻画；针对不同的视觉信息量需求，吴金建副教授深入地分析了绝对无损、感知无损、认知无损概念。并针对上述概念，引出了恰可识别差阈值和客观图像质量评价，并详细介绍了基于质量评价的认知无损度量方法。最终，针对传统成像及处理系统复杂、功耗高、智能低等瓶颈问题，借助视觉信息量定量反馈来优化系统，提出了需求导向的信息供给策略。进一步模仿视网膜成像特性，研制新一代事件驱动的仿生成像相机，从信息采集端开始优化，有效降低视觉数据量并满足认知需求。
詹志辉：分布式演化计算及其应用
华南理工大学詹志辉教授
在“新一代人工智能”重大项目中，群体智能和演化计算是“新一代人工智能”的重要内容。在演化计算中，模型的并行加速是其中的重要研究方向。
屈嵘：智能搜索算法在优化问题的应用
英国诺丁汉大学屈嵘教授
高亮：基于代理模型的智能优化算法
华中科技大学科学技术发展院和先进技术与装备研究院副院长高亮教授
高亮教授介绍，其团队在最近的工作中将多个模型集成起来辅助粒子群优化算法，算法中创新的使用了三个策略：第一个策略修改了使用代理模型的粒子群优化算法（OPUS）当中的个体生成所用的惯性系数，由常数变为随机值以增加种群多样性；第二个策略使用了置信下界准则方法来平衡全局和局部搜索；第三个策略融合多个代理模型，在最后阶段加速搜索的收敛。高亮教授还就该系列方法对其他算法框架的兼容性作出了验证研究，证实其普适性。最后，高亮教授指出代理是将学习融入优化算法的良好切入点，它可以多种方式来引导粒子群算法的优化，提高算法的搜索效率，这是一个在工程优化问题中富有前景的研究方向。
王进军：基于行人重识别技术的视频客流分析应用与商业化
西安交通大学王进军教授
王进军教授结合最近逐渐走进公众视野的“新零售”概念阐述了基于行人重识别技术的视频客流分析的商业应用实例。为提升消费者体验，未来实体商场的数字化发展离不开基于计算机视觉的人工智能技术，类比电子商务网站的用户行为收集和个性化推荐，客户在商场内不同店家的行走路线也值得被记录和分析，客流统计作为最为直观的统计数据受到店家经营者和商场管理者期待。对比现有传感器或独立摄像头方法在关键出入口统计客流的若干弊端，联合所有摄像头融入行人重识别技术才能更好关联顾客在不同公共摄像头下行走轨迹，实现计数统计。
杜博：智能化学习理论及其应用研究
武汉大学计算机学院副院长杜博教授
杜博教授首先为大家带来了利用辅助信息设计新型分类器的理论研究。模仿人类教学中常用的额外讲解，意图在训练阶段对训练样本提供如描述，区域标注等的特权信息来辅助训练，提升模型性能，然而这些信息中可能存在的噪声使得训练得到网络的性能降低。为此杜博教授的团队提出了一种鲁棒性的SVMplus模型，模型同时考虑了样本数据和特权信息的噪声对模型学习的影响，估计有可能使模型分类错误的最小噪声，在得到最小噪声后将其下界最大化以达到提高模型对噪声鲁棒性的目的，在结合手写数字分类数据集、人脸分类数据集以及运动传感器采集的人的行为姿态分类数据集上取得了相对现有方法更高的分类精度。
杜博教授还介绍了他的团队利用深度网络融合多源遥感信息方面的工作。考虑到训练样本的稀疏性，他在计算误差过程中提出了一种“蒙版”策略保障了误差反向传播的正确性。整体网络设计中使用了三个子网络融合了高分辨影响、归一化数字地表模型以及高光谱数据并联网络数据后进行softmax分类。在观察到使用网络分类直接得到的结果分类精度有限后，选择继续使用形态学方法后处理提高结果准确性。最后杜博教授还带来了基于深层原形分析的支撑端元自动提取算法，以应对同一种地物光谱变化，提高了目标探测精度。
刘静：进化计算与应急资源调度
西安电子科技大学刘静教授
沈超：深度学习系统及其应用的安全初探
西安交通大学网络空间安全学院副院长沈超教授
深度学习是人工智能领域最火热的技术，沈超教授介绍在深度学习过程中以下几方面会出现相应的安全问题：
1.输入传感器端：数据污染，信息掩盖；
2.数据预处理：恶意信息注入；
3.深度学习网络模型：数据投毒，对抗样本，隐私模型，数据隐私；
4.应用：代码安全。
关于深度学习在目前存在安全问题的应用方面，沈超教授给出了许多具体的实例：使用生成对抗网络，对音视频进行伪造，带来一系列的电信诈骗问题；利用深度学习破解验证码，对计算机系统造成威胁；自动聊天机器人被训练成不友好的种族主义者；自动驾驶机器人无法有效检测到行人而出现的行人安全问题；利用超声波对智能家居下达静默指令；深度学习的数据预处理过程中重要信息被替换；在推荐系统中投毒，注入虚假关联数据污染训练数据，使得反馈结果被人为控制；攻击者通过获取机器学习系统的置信度，根据用户的身份信息可以尝试重构用户的训练数据；攻击者通过调用机器学习系统API，发送轮训数据并返回信息，可以逐步推测出一个参数相近甚至完全相同的机器学习模型，或者实现对训练超参数的窃取。同时，沈超教授提出了他的工作设想，例如在数据处理过程中的去噪，避免错误信息对后面过程的影响，异常输入检测，输入信息是否正常的检测等。
最后，沈超教授指出人工智能是安全领域的催化剂，能够助力安全领域做得更好；而安全领域能够为人工智能提供更多的支持与保障，让人工智能发展得越来越好。
刘钦：人工智能技术在作战指挥中的应用与思考
中国电子科技集团公司第二十研究所人工智能实验室高工刘钦博士
刘钦老师主要针对人工智能技术在作战指挥中的应用作了报告。刘钦老师首先指出人工智能技术必将成为未来战争的核心技术，我国已于2017年明确了人工智能是引领未来的战略性技术，其已经上升至国家战略高度。在目前复杂战场环境下，如何提升作战指挥决策系统的性能成为了一项十分重要的战略目标，为此，引入人工智能先进技术构建作战指挥决策系统体系已经成为必不可少的重要环节。刘钦老师介绍，作战指挥决策系统中包含众多人工智能技术，类似智能识别中包含BP神经网络、贝叶斯网络等模型，目标分配中伴随着深度神经网络和增强学习的部分，研究人工智能技术对于作战指挥中的应用十分必要。现代化战争的多种影响因素决定了人工智能技术在其中的不可或缺性，战场状况的非线性、复杂环境的不确定性、态势信息的实时性统统将解决方案指向了人工智能技术，另外，不可避免的信息损失和挖掘战场中大量的数据信息也离不开人工智能技术提供的帮助。