【委员风采】武汉大学高智教授

来源：CAA混合智能专委会

点击上方“CAA混合智能专委会”可以订阅哦

1. 委员简介

高智，武汉大学遥感信息工程学院教授、博士生导师，湖北省“楚天学者”特聘教授，中国自动化学会混合智能专委会委员。分别于2002年和2007年在武汉大学获得工学学士和工学博士学位，2008年至2019年就职于新加坡国立大学，2019年作为海外高层次人才引进回武汉大学执教。长期从事摄影测量、计算机视觉领域与智能无人系统密切相关的问题研究，提出了基于准视差获取三维信息的理论和方法，在一定程度上解决复杂场景中三维信息的快速获取及相机定姿、定位的难题。提出了块状稀疏鲁棒主成分分析、自适应稀疏表达、同步超分与检测的深度卷积网络等算法。担任国际期刊《Unmanned Systems》编委，担任IEEE TPAMI、IEEE TGRS、ISPRS JPRS等28种SCI期刊及10余次著名会议的审稿人。主持7项新加坡政府科研项目，作为子课题负责人参加5项新加坡政府科研项目，1项新加坡教育部科研项目，获得1项知识产权转让（占70%份额）。多个研究成果发表于IEEE PAMI、IJCV、IEEE TGRS、ISPRS JPRS、IEEE TITS等顶级期刊。指导及合作指导博士生8名，独立指导博士后4名、硕士生26名。指导学生获得1项国际比赛亚军，8人进入斯坦福大学、卡内基梅隆大学、加州大学伯克利分校攻读博士学位，多人进入亚马逊、微软、谷歌、Facebook等著名公司任职。

2. 委员亮点工作推介

高智教授的代表性工作可以归纳为三方面：1）准视差获取三维信息的理论和方法；2）高维数据分析及处理；3）基于无人机遥测的地面交通场景感知。

·

准

视差获取三维信息的理论和方法

此

图1 不同模式下的相机成像示意(IJCV 2013)

该系列成果可应用于无人系统在无GPS条件下的视觉定位及运动估计，如下图所示。该方法充分利用了视觉系统的结构优势，高效地融合双目的视觉信息，避免了同名点匹配操作，可有效处理细节繁多的纷杂场景及缺乏纹理的单调场景(图2)。

图2 中视场角(50度)下不同场景的深度估计展示(IJCV 2013)

并进一步研究了无人系统的视觉模块设计问题，提出了一套充分利用结构特点，优化信息处理的多目视觉设计方案。该系列成果发表于IJCV、JRTIP、JOSAA等著名期刊，获国内外同行的高度评价。

·

高

维数据分析及处理

此部分成果从块状稀疏鲁棒主成分分析、自适应稀疏表达、同步超分辨率与检测的深度卷积网络等多种角度研究了高维数据分析及处理算法，并应用于复杂环境中目标检测，场景分析，交通监测，遥感影像中车辆检测、除云，LiDAR数据处理等领域。如针对视频中的动目标识别问题，常规方法通常只能处理部分挑战性场景，如复杂的强度变化、背景运动（树木、波浪等）的幅度可能大于前景的运动、微光下的图像质量差等。通过将块状稀疏主成分分析引入动目标识别，在一个统一的框架(图3)中解决了上述的挑战，并且不需要依赖对背景的假设。

图3 块状稀疏主成分分析示意(IEEE-TPAMI 2014)

在这个框架下，可以非常有效、精准地检测视频中微小的运动物体(图4)，解决了复杂场景下运动目标检测问题。

图4 利用块状稀疏主成分分析的视频运动目标检测(IEEE-TPAMI 2014)

· 基于无人机遥测的地面交通场景感知

交通流量信息在城市活动中的关键作用，为此，提出一种基于无人机的交通流量估算和分析系统。在特定区域安装配备摄像头和测距仪的四旋翼无人机（UAV），从“鸟瞰”获取感兴趣区域的交通视频。为有效处理可能存在明显相机抖动的视频，我们首先设计一种基于低秩表示的方法同时完成视频帧对齐和道路位置检测。其次使用时空图像表示对齐良好的帧，然后利用区分性鲁棒主成分分析（RPCA）算法将运动信息与外观信息融合在一起进行车辆检测。最后利用摄像机的高度，结合光流将车辆分为不同尺寸的类别。通过对大学校园中收集到的交通数据进行广泛实验，我们实现了交通流量信息的精确监测。

图5. 交通信息流监测系统（ICCA2019）

针对传统遥感监测中的目标检测问题，利用卷积神经网络实现遥感影像车辆检测，包括数据增强技术，深度卷积网络的应用，多尺度特征融合技术，难分样本挖掘算法以及基于循环生成对抗网络的低分辨率遥感图像目标检测算法。

为保证样本的多样性，针对遥感数据采集过程中的特点，我们提出基于单应性的数据增强技术，提高了目标检测结果对尺度变换等的鲁棒性。针对遥感图像中车辆目标尺寸较小，深度卷积网络池化操作降低特征图分辨率、增加卷积核感受野，高层特征图中待检测目标语义信息量过小的问题，提出应用多尺度特征融合技术，纵向提高特征图几何分辨率的同时，横向融合高/中/底层特征，构建特征金字塔，提取包含形状、纹理、结构、语义等丰富信息的目标特征送入后续检测器。样本挖掘针对目标检测和分类问题中样本分布不均衡问题，挖掘训练样本中对分类器性能提升贡献较大的样本。利用在线难分样本挖掘技术，在CNN前向传播过程中，以样本分类损失为评价标准，回收分类损失较大的训练样本，在迭代训练过程中不断提升检测器的性能。

图6. 基于多尺度特征融合的遥感影像车辆检测框架（IEEE GRSL2019）

针对低分辨率遥感图像目标检测难度较大的问题，将图像高分辨率和低分辨率作为两个图像域，利用循环生成对抗网络以无监督方式生成超分辨遥感图像。目标检测网络作为生成对抗网络中的一个判别器，以多任务学习(Multi-task learning)的方式引导超分辨网络生成更加符合检测要求的高分辨图像，进一步提高检测精度。

图7. 基于多任务学习的低分辨遥感影像车辆检测框架（IEEE GRSL2019）

3. 委员寄语

“Push the boundary, shape the future.”

无人系统具有重要的理论研究意义和实际应用价值，利用计算机视觉在无GPS的条件下实现无人系统的视觉定位和运动估计仍有很多亟待解决的问题，但可以预见，全天候、复杂环境中的无人系统、集群无人系统必将是未来无人系统应用的趋势。祝愿混合智能专委会为我国无人系统与人工智能研究提供更广阔的舞台。