北理工在人工智能图像识别领域取得新进展

深度学习作为新一代人工智能的核心技术，依赖于大规模的标注数据自动学习知识。然而，现实世界中的数据面临着标注噪声和数据分布不平衡（长尾）等科学挑战，这些问题严重影响了训练模型的性能。近期，北京理工大学光电学院的许廷发教授科研团队在长尾数据下的理论模型研究方面取得了突破性进展。相关研究成果以“Dynamic Loss For Robust Learning”为题，发表在国际顶级期刊《IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI)》上。IEEE TPAMI是人工智能、模式识别、图像处理等领域的顶级权威期刊，其影响因子高达23.6，同时也是中国计算机协会 (CCF) 推荐的人工智能领域A类期刊。
论文第一作者为北京理工大学江慎旺博士后和李佳男副研究员，通讯作者是北京理工大学许廷发教授。
针对智能图像识别任务的噪声和长尾数据训练模型不理想难题，许廷发科研团队首次提出和构建了元学习自适应鲁棒的数理模型。模型主要通过引入全新的动态损失函数，主动感知数据分布和训练状态，自适应地动态修正数据标注噪声以及调整识别的类间距离，实现了在长尾噪声数据下的鲁棒学习。
论文详情：S. Jiang, J. Li, J. Zhang, Y. Wang and T. Xu, "Dynamic Loss For Robust Learning," in IEEE Transactions on Pattern Analysis and Machine Intelligence, doi: 10.1109/TPAMI.2023.3311636.