科学网 › 标签 › 步态识别

标签: 步态识别

相关帖子	版块	作者	回复/查看	最后发表

没有相关内容

相关日志

能容错的智能体：11路的步态与马尾巴的功能: heruspex 2019-11-11 08:41; 今天是双 11 ，是购物的日子，我们又为一个千亿级的生意做出了各自杰出的贡献。可是如果能出门走走，坐下 11 路，也许就不用剁手，还能省点钱。图 111 路与步态实际上，我们都知道， 11 路并非是指坐公交车，而是指人走路出行，经济环保。走路是我们生活中必不可少的。而每个人在一岁左右学走路开始，就在不断地根据自己的身体结构的变化来调整自己走路的姿势，直到形成独有的、稳定的步态。那么，这些步态，除了帮助我们出行外，还有哪些不被注意的“马尾巴的功能”呢？一、步态与身份识别第一个是步态与身份的关系。一般来说，人脸是主要的身份识别技术，因为它的局部特征如眼睛、眉毛、鼻子、脸形等都相对稳定，且相对位置变化较少，因此结合局部特征和脸部结构就能形成有效识别，尤其是深度学习兴起后，这种特征和关系的变化都通过大数据和深度模型有效的学习了，因此在理想环境下基本上能有效识别，即使是双胞胎在一定条件下也可以准确鉴别。所以，近年来，我们在机场、高铁站、甚至商场都看到了刷脸认证的广泛应用。不过，在上个月阳光明媚的一天，我准备乘坐高铁回上海时，却发现高铁站刷脸的设备被强太阳光致盲了，虽然增加了 LED 灯给旅客补光，依然无法成功识别，以至于我只能通过人工通道进站。即使不存在光照的影响，如果蒙脸的话，人脸也无法得到识别。其实人脸对某些肤色的识别性能也不强，两年前曾出现过谷歌将黑人识别成大猩猩的乌龙事件。随着深度学习性能的不断提升，最终谷歌通过从数据库中去除大猩猩的标签，成功的解决了这一疑似有人种歧视的识别问题。事实上，人脸识别在复杂环境下、远距离识别上都存在局限性，如最远可识别距离可能不超过 7-8 米。类似的其他生物认证特征如指纹，则必须有接触设备，因为不可能形成远距离的识别，所以主要能用在手机、电脑等安装了指纹采集的设备上。而另一种生物特征虹膜，则只有 1.5 米的可识别距离。不过他的识别精度很高，因为虹膜上的血管特征对每个人是唯一且基本不变的。而且在某些特定场所中，也就虹膜是可靠的。想想看，从煤矿里出来的矿工，可能除了两只亮睛睛的眼睛外，其他能识别的特征都已经变得不可鉴别了。图 2 虹膜、指纹、掌纹、声纹、人脸等生物特征与人脸、虹膜、指纹、掌纹、静脉等生物特征相比， 11 路的步态也能帮助我们进行识别且有其独特性。一方面它是唯一的，每个人有每个人特有的步态。比如专业舞蹈演员走路的步幅，通常会比普通人要大一些，如图 3 。再比如重庆抢枪案时，周克华案被成功抓获的主要原因，就是因为他走路时的左右脚步幅有明显差异，而后被作为典型特征，通过公安人员的手工检索海量的监控视频并成功定位和击毙的。除了步态是每个人独有的特征，步态也是唯一可进行远距离识别的特征，理论上他可以做到 20 米甚至更远。而且步态的识别也不像人脸、虹膜、指纹等那样，它的识别不需要检测者的配合。当然，步态的识别也有它的难点，比如它受外在因素的影响就比其他生物特征更多一些，如穿着的影响、背包的影响、道路的影响，这些都影响了步态识别的实际应用。图 3 演员刘诗诗的步态，步幅明显较大（图来自网络）为了减少这些因素的影响，步态识别领域的研究员提出了很多相应的改进方案。如可增加可识别距离的图像超分辨率研究，它可以将近似马寒克的步态变得清晰从而提高识别率和距离；比如利用步态序列的时间、空间信息，从而形成多侧面的信息增广；还有考虑步态数据可能处在一个光滑的高维曲面（时髦一点，称为流形）上，从而有利于对不同角度或跨角度的步态进行推演和识别。图 4 步态识别方法示例。从左到右：基于序列、基于模板和基于时间保持模板步态识别的早期还有从视频序列角度考虑的，如基于隐马尔可夫模型来实现基于步态视频序列的识别。这类方法的优势是识别精度高，不足在于需要逐帧比较，计算代价大。于是有学者将序列平均得到一张图，来获得步态模板图。模板的好处在于计算代价小，但识别精度相对较低。所以，有很多针对模板的改进方法被提出。比如我们小组曾通过颜色着色的方式来获得的时间保持步态模板。近年来，随着深度学习的流行，多数步态识别的技术都转到这个方向上，借助于深度学习的预测能力强这一特性，步态识别也获得了显著的性能提升。采用的提升技巧要么是通过增广步态数据集的数量，如改成逐对匹配来增加，要么通过隐空间来变换步态的角度空间来改进跨视角识别性能。或者利用步态的多尺度性质，将头、躯干、脚进行分阶段处理，要么将不同角度、不同穿着、不同背景的步态看成一个集合。这些技巧都将步态识别在公用数据集的性能提高了接近实用级的水平（识别率大于 95% ）。值得指出的是，在实际环境中，步态识别的难度要远大于人脸和其他生物认证的识别，原因在于它的识别依赖于比较多的前处理过程，如前背景分离、阴影去除、行人跟踪和轮廓提取，甚至摄像机的角度等等。因此，步态识别要真正进入实用级，是一个系统工程。它可能不是学校科研机构能独立完成的。需要注意的是，在其它生物认证手段失效时，也不见得一定要优先考虑步态这样一个更难的生物特征来追踪行人和实现行人身份的鉴别。有的时候给待鉴别的行人喷上一些不容易擦掉、带荧光的油漆，会更简单，性价比也会更高得一些。二、步态的其他功能除了身份识别，步态还有哪些未被注意的马尾巴的功能呢？这需要我们把步态的定义先做一个拓展，即定义为智能体的外在姿态的变化趋势。事实上，我们研究的步态与身份的关系，本身就不是只关注双脚的走路形态变化，而是全身的运动变化。基于这一点，步态有许多衍生的功能有待挖掘。首先，从认知的角度来看，人的外在轮廓是熟人之间最容易在远距离情况下就能准确识别的。而这一能力，有可能与智能体的进化有关，即必须优先从远距离识别出危险的捕食者，才可能保证种族的繁衍。试想，一只豹子悄悄从草丛中走过来，如果人类需要先识别其身上的各种细节如皮肤的纹理才能断定是否有危险，可能早就在进化中被淘汰了。因此，只能具备对外在姿态识别能力的物种才能延续。这一点在人以外的智能体中应该不难找到相应的例子。从这个角度来看，研究轮廓或步态的快速识别能力，也许有助于未来智能体的设计。图5 豹子及纹理其次，步态能在一定程度上反映人的健康状况。对于我国来说，心血管病引发的死亡率要高于肿瘤及其他疾病，位居首位。但通常来说，心血管病发生时会导致步态的异常。因此，如果能检测出这种步态异常，也许我们就可以赢得更多的抢救时间，比如将国内心脑血管疾病患者的平均死亡人数从 30 秒一例延迟到 40 秒一例。考虑到人口基数，这相当于可以挽救为数不少人的生命。除此以外，在马拉松比赛中，偶尔会有跑半程马拉松或 10 公里出现危险状况的跑步爱好者。而他们在出现危险状况前，事实上步态会提前出现了变形。因此，检测这类步态异常同样可以提高抢救的成功性。另外，步态分析对运动姿态的纠正也有重要的功能。比如短跑、中长距离的跑姿、脚着地方式都有着很多讲究。专业运动员和业余爱好者由于天赋上的差异，跑姿也并不相同。因此，如果能设计相应的软件帮助专业选手和业余爱好者科学分析步态，提高竞技水平，也是步态研究的重要功能之一。不仅如此，步态还能反映智能体的情绪，帮助智能体相互理解情绪。以宠物狗为例，狗在自信的时候，尾巴一般是向上翘的，而当犯了错或见到让它害怕的狗时，则会收起自己的尾巴。这种现象在其他智能体也能见到。比如日本曾经有个综艺节目，讲的是猫头鹰的形态变化。当其见到比它弱小的动物如小鸟时，它会张开自己的翅膀来变成更大的形状，而看到镜中的自我，则会无动于衷，保持同尺寸。反而当看到有它的捕食者、鹰经过时，它马上会侧身，将脸部和全身都缩成像瘦瘦的树枝。这种放大与缩小的变化反映了智能体的情绪变化，以及保护自己的本能性行为。无独有偶，人类也是如此，比如参加田径比赛的运动员或足球运动员，当取得胜利时，会伸开双臂在跑道和操场上奔跑，这或多或少就是通过放大自己的步态来表达开心的情绪。另外，养狗的应该都有经验，狗能从主人的姿态表现分析出主人是否开心和生所。这表明不同物种的智能体之间能够通过外在形态的分析估计智能体的情绪，也说明外在形态比语言具有更好的跨物种情绪交流能力。这些外在情绪的表达和共享，在 Emory 大学的灵长类动物学家 Frans De Waal 所著的《 Mama’s Last Hug 》一书中有过详细的分析。图6 狗的情绪表达与姿态图7 猫头鹰的情绪表达与姿态图8 人的情绪表达与姿态 ( 博尔特 ) 当然，步态还有很多马尾巴的功能，比如年龄的估计、关节病理及心理疾病引发的步态异常分析等等，这里就不一一赘述了。也许还有更多我们还未知的“马尾巴功能”，需要科研人员们做深度挖掘和发现。张军平 2019 年 11 月 11 日参考文献： . Junping Zhang, Jian Pu, Changyou Chen, Rudolf Fleischer , Low-resolution Gait Recognition , IEEE Transactions on Systems, Man, and Cybernetics, Part B: Cybernetics , vol. 40, no. 4, pp. 986-996, 2010. . Changyou Chen, Junping Zhang, Rudolf Fleischer , '' Distance Approximating Dimension Reduction of Riemannian Manifolds '', IEEE Transactions on Systems, Man, and Cybernetics, Part B: Cybernetics , vol. 40, no. 1, pp. 208-217, 2010. . Yiwei He, Junping Zhang, Hongming Shan, Liang Wang. Multi-task GANs for View-Specific Feature Learning in Gait Recognition , IEEE Transactions on Information Forensics and Security , vol.14, no. 1, pp.102-113, 2019. . Chen Wang, Junping Zhang, Liang Wang, Jian Pu, Xiaoru Yuan, Human Identification Using Temporal Information Preserving Gait Template , IEEE Transactions on Pattern Analysis and Machine Intelligence , vol. 34, no. 11, pp. 2164-2176, 2012. . Yuqi Zhang, Yongzhen Huang, Shiqi Yu, Liang Wang, “Cross-view Gait Recognition by Discriminative Feature Learning,” IEEE Transactions on Image Processing, 2019. 10.1109/TIP.2019.2926208 . Hanqing Chao, Yiwei He, Junping Zhang, Jianfeng Feng, “Gaitset: Regarding gait as a set for cross-view gait recognition,” in Proc. AAAI, 2019. pp. 8126-8133. . Frans De Waal. Mama's Last Hug: Animal Emotions and What They Tell Us about Ourselves. W. W. Norton Company, March, 2019. 说明：部分用图来自网络张军平，复旦大学计算机科学技术学院，教授、博士生导师，中国自动化学会混合智能专委会副主任。主要研究方向包括人工智能、机器学习、图像处理、生物认证及智能交通。至今发表论文近100篇，其中IEEE Transactions系列20篇，包括IEEE TPAMI, TNNLS, ToC, TITS, TAC, TIP等。学术谷歌引用近3400次，ESI高被引一篇，H指数29. 出版科普著作《爱犯错的智能体》，曾连续24次推荐至科学网头条，曾五次进入京东科普读物新书榜前三名。关于人工智能发展趋势的观点曾被《国家治理》周刊、《瞭望》、《科技日报》、《中国科学报》等媒体多次报道。; 5248 次阅读|0 个评论

普洛克路斯忒斯之床: 步态识别与创新思维: 热度 3 heruspex 2019-3-2 07:57; 一、普洛克路斯忒斯之床在古希腊神话里，有个强盗，叫普洛克路斯忒斯 (Procrustes) 。他开了家黑店，经常拦截来往的客人，并按自己的标准来安排住宿。如果客人长得比较矮，他就会安排睡长的铁床，并强行把客人的身体拉长，以适应铁床的长度。如果个子比较高，就安排短的铁床，直接用利斧把伸出床外的四肢砍掉。直到希腊神话英雄忒修斯在寻父的途中，被他拦截后想依法泡制时，忒修斯奋起反抗，击败了普洛克路斯忒斯，反过来把强盗伸出床外的腿砍掉，才为民除了此害 ( 见图 1) 。图 1 ：普洛克路斯忒斯之床因为这一神话寓言假定了有个设定的内在标准，并要根据这一标准来匹配相应的模型，现代的统计学就借用了这个强盗的名字来命名统计形状分析，称为普洛克路斯忒斯分析 (Procrustes analysis) 。它可用于分析一组形状的分布。如果这组形状能通过平移、放缩和旋转变成相同或相近的某个形状时，就可以认为是属于同一形状。类似地，拓扑学在研究目标拓扑结构的不变性时，事实上也能借用这一思路。而这一形状分析与我们日常生活联系最紧密的，则是身份认证的步态识别。其大致思路是先把人的走路或步态轮廓提取，然后用普洛克路斯忒斯分析来与步态训练库中已知的候选者的步态轮廓对齐。对得最齐整的，则可以判定为同一人。但如果用对齐标准来思考创新研究，则我们的思维容易被限制在那张“铁床”上，不容易跳出来形成颠覆性思维。要形成创新或颠覆性的成果，这里我想分享下我的研究小组在步态识别的研究经历。希望通过这一分享，能探讨下在科研和教育中，形成创新思维可能需要解开的束缚。在此之前，我先简要的科普下步态识别以及它的意义和特点。二、步态识别在生物认证领域，人的各种外在和内在特征如图 2 所示的人脸、虹膜、指纹、掌纹、静脉、声纹、步态等可用来识别人的身份，它在社会安全、反恐和维稳、打卡系统等都有着重要的应用价值。而步态识别则是生物认证中未来最有前景的应用方向之一。原因是现有的人脸识别技术尽管已经全面走向应用级，但其在可识别距离上存在局限，最多 7 至 8 米，且易被遮挡、易受光照和摄像头关注焦点的影响，也存在被 3D 伪人脸模型攻击的风险。而虹膜识别容易受美瞳等隐形眼镜产品的影响，指纹和掌纹识别也存在依赖设备和距离受限的问题。图 2 ：生物认证特征示例，从左到右：指纹、声纹、虹膜、人脸、掌纹、步态轮廓相比而言，步态就具有得天独厚的优势，可远距离识别、不需特定设备、不需要测试者的配合，也不容易隐藏。心理学的研究也表明，步态具有唯一性，可用于身份认证，所以 2015 年《碟中碟 5 》中的犯罪分子就用了如图 3 所示的步态识别系统来做门禁。图 3 《碟中碟 5 》的剧照（视频链接： https://v.qq.com/x/page/j0833a66jfw.html ）另外，人的轮廓加上步态也是人类在进行身份识别时优先级最高的方式，即按距离远近，步态是在远距离时第一个能帮助人进行快速身份识别的生物认证特征。这与人在认知上存在“大范围优先”机理有关，也与我在《爱犯错的智能体》中提到的“由粗到细”认知模型及视力的发育机制有关。它的好处之一是，在预防潜在的恐怖袭击或犯罪时，与其它生物认证特征相比，步态能提供最早的预警和最长的反应时间。要验证人具有快速识别步态的能力也很容易。比如本周三，我上数字图像处理课的时候，就给台下的 40 位本科生演示过一段几个行人在一个视角约 30 秒的走路视频。再接着放多段不同地点不同角度的视频时，同学们都能很快从视频中发现这些行人并准确认证。然而，几乎没人能回忆出行人的长相。因为在这些视频中，待辨识的行人要么出现在离摄像头较远的位置，要么出现在视频的角落位置，可见的人脸尺寸偏小，缺乏能记忆的人脸细节。然而，要让机器来实现步态识别，则不是那么容易了。因为现有的计算机视觉、机器学习算法尚不具备人类的快思维和稀少样本下的学习能力。另外，外界因素如发型、穿着、背包、阴影甚至地面的材质 ( 如水泥地或草地 ) 都对步态识别的性能有一定的影响。三、步态识别与创新思维要利用计算机进行步态识别，在还不能完全明了人类识别机理的前提下，则需要另辟蹊径。 Procrustes 分析是一种策略。经典的步态识别方法还有两大类，一类是把步态周期 ( 跨出脚到收回脚，算一个周期 ) 分解成连续的帧，然后逐帧比较，或构造类似时序模型的马尔可夫链，将时序性的步态特征学习出来。由于人的行走姿态在不同视角下外形相差甚远，这类用“铁床”做标本的方法很难适应步态的变化。而且由于模型建构复杂，这类方法大多需要多个步态周期，如图 4 右图所示。另一种做法就简单粗暴些，直接把视频拍成或坍缩成一张图，即取步态序列的平均，来形成一张步态模板图像。它的优势是速度快，因为每个人的步态只用一张图表示了，如图 4 中图所示。而且这种方式使用起来也较为灵活，需要的帧数较少，对步速、帧率等外界因素也不敏感。但是与步态相关的时间信息丢失了，所以精度也较难有所突破。图 4 从左至右：步态轮廓图、常规步态模板 (Gait Energy Image ，称为步态能量图 ) 以及我们小组提出的 CGI (Chrono-Gait Image ，称为时间保持步态图 ) 很多步态识别方法都是分别从这两条线出发提出的。我们小组对此领域的研究可追溯至 2006 年。最初有过一些小的成果，但不显著。 2009 年的时候，我们小组希望能将这两条线合二为一，既有模板的速度优势又有序列的精度优势。比较幸运地是，我们发现可视化领域有一种可以在 2D 图像上展示 3 维视频效果的研究成果。而这一成果似乎与我们希望实现的目标一致。于是，我们将其移植到了步态识别领域，通过对时间信息着色的方式，提出了如图 4 右图的时间保持步态模板 (Chrono-Gait Image ，简称 CGI) 。这一成果提交到 2010 年的计算机视觉著名会议 ECCV 后，三个评审都认为没有见过，对创新性进行了肯定。后经过扩展，该成果于 2012 年全文发表在计算机视觉与模式识别顶级期刊 IEEE Transactions on Pattern Analysis and Machine Intelligence 上。值得一提的是，该文章被全文发表时，一作王晨当时还是刚进大四的本科生。后来，该方法在 2012 年为第三方在步态公用数据集 OU-ISIR 进行了测试，被该文列为当时的六个 state-of-the-art 算法之一，并获得排名第三的成绩。不过，创新有的时候并非是有了闪光点，你就能奋起直追，一而再、再而三的在一个点上连续出成果。多数时候，灵感就像到了一个山的顶峰，然后过了这山就没那山了，尤其对于学校这种以流动性强、难以固定的研究生为主力组成的科研队伍时，情况更是如此。事实上，我们沿着这条思路走了很长一段时间，尝试了一些可能的改进，但并没有找到创新性特别强又能有优异性能的思路。不知不觉就这么过了六年时间，直到去年，我研究小组的两位硕士研究生巢汉青和何逸炜又考虑了步态识别方法的另一个特点，即步态模板在平均序列的时候其实没有依赖步态的序列。这个特点赋予了它一定的灵活性，但他只有一张图，很难完整保留信息；而基于序列的则一般假定帧与帧之间具有时间的连续性，这使它能保留更多的时间信息，但却对帧的数量、帧之间的顺序、帧率等外界因素很敏感。既然一方面不依赖序列能使模型变得灵活鲁棒，另一方面多张图能带来更丰富的信息，且在深度学习框架下，可以形成对步态更合理的学习表示，那么有没有可能在步态模板和步态序列之间找到一种折衷的选择，提出一种利用多图但又不依赖序列的多步态图方法呢。基于这一想法，我们小组再次碰到了幸运之神，发现在生物认证领域以外有一种刚提出不久的、研究点云计算的集合方法。图 5 、步态集合模型网络图图 6 、步态集合模型在使用有限样本下的性能，仅使用 7 帧识别率就能达到 82.5% 。于是，我们和复旦大学类脑研究院院长冯建峰教授一起合作，将步态序列看做一帧帧步态轮廓图组成的集合，提出了步态集合 (GaitSet) 的方法。这一改进大幅度提升了步态识别的性能。在步态识别公用数据集 CASIA-B 上，此方法使用 74 个人进行训练，达到了可进入实用级的指标性能 – 识别率 95% ，超过同样采用单个模型的当前最好性能 3 个百分点。同时，该方法允许输入任意多个视角的步态图像，且能在少量步态图像输入前提下也获得很高的识别性能。该项工作发表于人工智能顶级会议 AAAI2019 上，并于 2019 年 2 月 2 日进行了口头报告。从某种意义来看，它为步态识别走向实用化打开了新的视角，它也将有助于研究智能体大范围优先和由粗到细的认知模型。值得指出的是，有了灵感到转变成成果，这之间实际上有着巨大的技术鸿沟需要去跨越，并非想当然就能有的。如时间步态模板的想法，虽然 2009 年夏天我们就有了雏形，但在摸索如何提升步态识别的性能时，中间费了许多周折。比如时间信息到底是着色在整个模板上、还是步态的轮廓上，步态周期的检测到底是依赖于已知的成熟方法，还是自己提一套能更精确提取周期的办法，诸如此类。期间，也经历了很多次的失败。类似的经历，我们小组在研究步态集合方法时，也碰到了。有了想法，但实现的细节并非一开始就明了的，两位同学经历了近五个月的尝试和停滞，比如模型反复调整都不收敛。最后，在小组其他同学都认为该放弃的情况下，他们仍然坚持下来，最终找到了真正能行之有效的模型。试想想，如果我们小组在研究步态问题时，在一开始就像普洛克路斯忒斯一样，把手头的问题都尽量往我们已经的知识上去靠，而不是多看看领域外的进展、多想想细节上的差异，用他山之石来攻玉，通过合作研究来优势互补，也许就很难有这两个还算不错的创新性成果了。事实上，教育也是一样。现在的应试型教育从某种意义来看，或多或少都在做普洛克路斯忒斯之床，试图将绝大多数的学生都往同一标准上靠，并以此来评判学生的学习水平。这种同质化的培养，好处是总体上比较稳定可靠，简单好操作。但同时，它也有可能把一些有创新潜力的学生的“能力”给抹杀掉，让其习惯于按标准定制的思维模式和努力向统一的标准对齐。其后果是学生会习惯了用分数评价自己的学习甚至科研能力，结果在考取研究生后，高分低能的屡见不鲜。因为他们很有可能不知道如何跳出固有的“铁床”，找到有创新性的灵感。如果我们有条件在初高中甚至更早的时期发现那些有创新潜力的学生，则我们应该花更多的时间和耐心，帮他们定制化更适合他们发展的培养模式。而灵感和顿悟的产生，则需要多给那些执着在某一方向钻研的科研人员更多的时间、宽容和理解。参考文献： 1. https://en.wikipedia.org/wiki/Procrustes_analysis 2. Liang Wang, Huazhong Ning, Weiming Hu, Tieniu Tan. Gait recognition based on Procrustes shape analysis. In Proceedings of International Conference on Image Processing, 2002. 3. 张军平 . 爱犯错的智能体 . 清华大学出版社 . 2019. 4. Kahneman, Daniel, and Patrick Egan.Thinking, fast and slow. New York: Farrar, Straus and Giroux, 2011. 5. Wang Chen, Junping Zhang, Liang Wang, Jian Pu, Xiaoru Yuan. Human identification using temporal information preserving gait template.IEEE Transactions on Pattern Analysis and Machine Intelligence,34(11): 2164-2176, 2012. 6. Haruyuki Iwama, Mayu Okumura, Yasushi Makihara, and Yasushi Yagi. The OU-ISIR Gait Database Comprising the Large Population Dataset and Performance Evaluation of Gait Recognition. IEEE Transactions on Information Forensics and Security,7(5):1511-1521, 2012. 7. Hanqing Chao, Yiwei He, Junping Zhang, Jianfeng Feng. GaitSet: Regarding Gait as a Set for Cross-View Gait Recognition. AAAI 2019. arXiv preprint arXiv:1811.06186. 源代码地址： https://github.com/AbnerHqC/GaitSet 8. Shiqi Yu, Daoliang Tan, Tieniu Tan . 2006. A framework for evaluating the effect of view angle, clothing and carrying condition on gait recognition. In Proceedings of International Conference on Pattern Recognition (ICPR), volume 4, 441–444. 张军平 2019 年 3 月 1 日延伸阅读： 24. 爱犯错的智能体(二十，完结篇) -- 平衡：机器vs智能？ 23. 爱犯错的智能体(十九) – 群体智能与错觉 22. 爱犯错的智能体(十九) – 群体智能与错觉 21 . 爱犯错的智能体(十八)：情感与回忆错觉 20. 爱犯错的智能体(十七)：灵光一闪与认知错觉 19. 爱犯错的智能体 (十六)：庄周梦蝶与梦境学习 18. 爱犯错的智能体 --- 语言篇：可塑与多义 17. 爱犯错的智能体 – 体感篇：我思故我在？ 16. 爱犯错的智能体 --- 听觉篇(二)：视听错觉与无限音阶的拓扑 15. 爱犯错的智能体 -- 听觉篇(一)：听觉错觉与语音、歌唱的智能分析 14. 爱犯错的智能体 – 视觉篇(十一)：主观时间与运动错觉 13. 爱犯错的智能体 -- 视觉篇(十)：自举的视觉与心智 12. 爱犯错的智能体 -- 视觉篇(九): 抽象的颜色 11. 爱犯错的智能体--视觉篇(八)：由粗到细、大范围优先的视觉 10. 爱犯错的智能体 -- 视觉篇(七)：眼中的黎曼流形 9. 爱犯错的智能体--视觉篇(六)：外国的月亮比较圆? 8、爱犯错的智能体 - 视觉篇(五)：火星人脸的阴影 7、爱犯错的智能体 - 视觉篇(四)：看得见的斑点狗 6、爱犯错的智能体 - 视觉篇 (三)：看不见的萨摩耶 5、爱犯错的智能体 - 视觉篇 (二)：颠倒的视界 4、爱犯错的智能体 - 视觉篇(一): 视觉倒像 3、 AI版“双手互搏”有多牛? 浅谈对抗性神经网络 2、童话(同化)世界的人工智能 1、深度学习，你就是那位116岁的长寿老奶奶！张军平，复旦大学计算机科学技术学院，教授、博士生导师，中国自动化学会混合智能专委会副主任。主要研究方向包括人工智能、机器学习、图像处理、生物认证及智能交通。至今发表论文近100篇，其中IEEE Transactions系列18篇，包括IEEE TPAMI, TNNLS, ToC, TITS, TAC等。学术谷歌引用3000余次，ESI高被引一篇，H指数28.; 14905 次阅读|6 个评论

更多...

帐号		自动登录	找回密码
密码			注册

关闭 安全验证

标签: 步态识别

相关帖子

相关日志

关闭安全验证