近日，大连理工大学开区校区两项研究成果被2019年国际人工智能联合会议（International Joint Conference on Artificial Intelligence，IJCAI 2019）录用。IJCAI是人工智能领域的顶级综合学术会议，被中国计算机学会（CCF）推荐国际学术会议列表认定为A类会议，在该领域具有极大的影响，代表人工智能领域的最高水平和发展方向。本届IJCAI大会收到4752篇论文投稿，录用850论文录用率仅为17.89%。

录取论文简介：

(1)由国际信息与软件学院几何计算与智能媒体技术研究团队与通信工程学院智能图像分析与理解(IIAU)研究团队合作完成的研究成果“Deep Light-Field-Driven Saliency Detection from a Single View”，主要作者包括朴永日副教授，荣政坤（研一），张淼副教授，卢湖川教授等。该项研究成果首次将深度学习理论和4D光场技术相结合，不仅有效解决了显著性检测技术在复杂场景下普遍存在的技术难题，同时也填补了深度学习方法在光场显著性检测领域的技术空白。此外，该项研究成果公开了目前最大的光场显著性检测的多模态数据库，为深度学习的训练提供了充分的数据支持，使得深度学习在光场显著性检测领域的进一步应用提供了更好的发展空间。

具体而言，该项研究成果为显著性目标检测提供了一种新的解决思路，将显著性检测分为光场合成及光场显著性检测两个子任务，并提出了基于深度学习的光场显著性检测网络框架。该工作首先将单视角图像通过CNN学习合成光场多视角图像，提取多视角图像所包含的丰富几何特征，在对比度低、低光照、纹理复杂、物体透明等复杂场景下进行准确有效的显著性检测。与此同时，通过注意力机制有效结合不同视角下显著性物体的协同信息，解决了单视角显著性检测精度有限的技术瓶颈。值得一提的是该方法只需单视角图像即可自动生成高质量的光场多视角图像，其显著性检测结果在复杂场景下保持了很高的准确率和鲁棒性。

(2)由大连理工大学软件学院机器学习研究团队，西南交通大学云计算与智能技术实验室研究团队，以及美国伊利诺伊大学芝加哥分校计算机系机器学习研究团队合作完成的研究成果“Spectral Perturbation Meets Incomplete Multi-view Data”，主要作者包括王浩(博士)，宗林林讲师，Bing Liu教授，杨燕教授等。

现有多视图聚类算法通常隐含一个很强的假设，即每个数据点在所有视图下进行采样。在实际的聚类问题中，一些数据点在某些视图下是缺失的。此聚类问题被称为不完备多视图聚类，其主要挑战是缺失数据的填充和视图之间结果的融合。本文探究谱扰动理论，在扰动风险最小边界和不完备多视图聚类之间建立桥梁，提出一种扰动诱导的不完备多视图聚类方法。该方法的新颖点在于(1)将数据特征缺失转换为数据点间相似度缺失，并提出一种有效的相似度填充方法，减小特征缺失带来的风险；(2)利用图谱理论，指出谱扰动边界最小化等同于不同视图间融合结果最大化，从而给出融合机制的一个准则。在人工和真实缺失型多视图数据集上的实验结果表明所提算法明显优越现有基线算法。

相关介绍

几何计算与智能媒体技术研究团队依托于辽宁省泛在网络与服务软件重点实验室。研究课题包括机器学习、深度学习、计算机视觉、多媒体技术、优化方法等当前最前沿的领域。近年来在IEEE TPAMI、TIP、TNNLS、TMM、NeurIPS、IJCAI、AAAI、CVPR、ECCV、ACM MM等人工智能、多媒体技术等多方领域的重要期刊及会议上发表论文达100余篇。近一年来针对可学习优化的理论及应用研究已发表顶级会议和期刊（包括NeurIPS, AAAI, IJCAI, ACM MM, TIP, TNNLS等）论文30余篇。