全文大綱如下：

1. 非受控環(huán)境下的可信生物特征識別

2. 生物特征深度造假和鑒偽

3. 遙感圖像弱小目標(biāo)識別和場景理解

4. 醫(yī)學(xué)圖像高精度解釋

5. 復(fù)雜文檔識別與重構(gòu)

6. 異構(gòu)空間網(wǎng)絡(luò)關(guān)聯(lián)事件分析與協(xié)同監(jiān)控

7. 神經(jīng)活動模式分析

以下為正文內(nèi)容，建議收藏加關(guān)注，近期將繼續(xù)推送系列報(bào)告文章~喜歡的話點(diǎn)個贊吧^-^

引言

模式識別是研究對數(shù)據(jù)中存在的物體、行為、現(xiàn)象等模式進(jìn)行檢測、描述和判別的學(xué)科,是人和機(jī)器感知環(huán)境、從環(huán)境獲取知識的主要途徑。模式識別的發(fā)展緊密圍繞著三個核心要素展開，即特征提取、建模與推理、學(xué)習(xí)與優(yōu)化。為了解決識別過程中面臨的各種變化因素，需要盡可能提出魯棒的特征表示，盡可能對影響識別任務(wù)的各種因素建模，盡可能提出能夠獲得全局或局部最優(yōu)解的模型學(xué)習(xí)算法，這些都是推動模式識別發(fā)展的重要驅(qū)動力。

過去50多年里，模式識別領(lǐng)域中語音處理、語言理解、圖像處理與計(jì)算機(jī)視覺等方向的研究發(fā)展迅速。特別是近20年來，隨著大數(shù)據(jù)和高性能計(jì)算的飛速發(fā)展，以深度神經(jīng)網(wǎng)絡(luò)為代表的深度學(xué)習(xí)在視聽覺、語言、規(guī)劃、控制等方面取得了突破性進(jìn)展。以模式識別為代表的人工智能技術(shù)已成為21世紀(jì)最偉大的科技進(jìn)展之一。

模式識別研究與應(yīng)用近年來取得了很多令人矚目的成就，在社會經(jīng)濟(jì)發(fā)展和國家公共安全等領(lǐng)域應(yīng)用日益廣泛。比如，語音識別、圖像識別、視頻理解、生物特征識別、多媒體信息分析、智能醫(yī)療、機(jī)器翻譯、遙感圖像處理等都是目前發(fā)展較快的模式識別應(yīng)用技術(shù)領(lǐng)域。語音識別技術(shù)已逐步成為信息技術(shù)中人機(jī)接口的關(guān)鍵技術(shù)，它的應(yīng)用已經(jīng)成為一個具有競爭性的新興高技術(shù)產(chǎn)業(yè)；生物特征識別是智能時代最受關(guān)注的安全認(rèn)證技術(shù)，它憑借人體特征來唯一標(biāo)識身份，在智能家居、互聯(lián)網(wǎng)金融、軍事裝置等領(lǐng)域發(fā)揮重要作用；多媒體信息分析以高效的方式對不同模態(tài)的異構(gòu)數(shù)據(jù)進(jìn)行智能感知、管理、挖掘和理解，從而服務(wù)于輿情分析、網(wǎng)絡(luò)信息安全、敏感音視頻過濾等實(shí)際應(yīng)用；智慧醫(yī)療通過醫(yī)學(xué)圖像處理和分析，從而輔助醫(yī)生早期診斷、輔助治療和預(yù)后評估等；遙感圖像識別已廣泛用于農(nóng)作物估產(chǎn)、資源勘察、氣象預(yù)報(bào)和軍事偵察等。

可以預(yù)見，在未來高度“智能化+信息化”的世界中，模式識別將變得無處不在，其基礎(chǔ)理論研究會越來越深入，應(yīng)用場景會越來越復(fù)雜，應(yīng)用領(lǐng)域會越來越寬廣，從而對特定的模式識別技術(shù)會要求越來越高。21世紀(jì)是數(shù)字化、信息化、網(wǎng)絡(luò)化、智能化的世紀(jì)，作為人工智能技術(shù)基礎(chǔ)學(xué)科的模式識別技術(shù)，必將獲得巨大的發(fā)展空間。這次以人工智能為核心的科技變革中，原有的研究問題和方法以及對智能技術(shù)和產(chǎn)品的應(yīng)用需求，都將發(fā)生前所未有的變化，勢必經(jīng)歷從簡單個體識別到復(fù)雜關(guān)系推理，從被動環(huán)境感知到主動任務(wù)探索，從可控簡單應(yīng)用場景到非可控復(fù)雜應(yīng)用場景等變化，這給模式識別技術(shù)的發(fā)展帶來新的機(jī)遇和挑戰(zhàn)。為了適應(yīng)科技變革帶來的一系列變化和應(yīng)用需求，必須融合視覺、聽覺、語言、認(rèn)知、學(xué)習(xí)、機(jī)器人、博弈、倫理與道德等各學(xué)科的研究成果，提出以應(yīng)用為中心的特征表示，建立以時間、空間、因果等為考慮因素的計(jì)算模型，并且結(jié)合實(shí)際的應(yīng)用場景提出特定的理論方法和技術(shù)體系。

總之，隨著當(dāng)前模式識別技術(shù)在不同領(lǐng)域的廣泛應(yīng)用，以及不同實(shí)際應(yīng)用場景下所衍生的差異性、特定性等因素，相應(yīng)的模式識別技術(shù)自然出現(xiàn)了新的重要研究問題。面向不同領(lǐng)域的重大應(yīng)用需求，結(jié)合信息化、智能化對模式識別提出的新挑戰(zhàn)，提出高可靠、高精度、高效率的模式識別應(yīng)用技術(shù)成為亟待解決的關(guān)鍵問題。下面，掛一漏萬，列出一些模式識別應(yīng)用技術(shù)未來發(fā)展的重要問題，以期推動該領(lǐng)域的學(xué)科發(fā)展和技術(shù)創(chuàng)新。

1. 非受控環(huán)境下的可信生物特征識別

從手機(jī)解鎖、小區(qū)門禁到餐廳吃飯、超市收銀，再到高鐵進(jìn)站、機(jī)場安檢以及醫(yī)院看病，虹膜、人臉、指紋等可信生物特征已成為人們進(jìn)入萬物互聯(lián)世界的數(shù)字身份證。生物特征識別是“新一代人工智能規(guī)劃”、“互聯(lián)網(wǎng)+行動計(jì)劃”等國家戰(zhàn)略的重點(diǎn)發(fā)展領(lǐng)域，也是計(jì)算機(jī)視覺和模式識別學(xué)科前沿方向。

主流生物特征識別經(jīng)過系統(tǒng)研究積累了豐富的理論和方法，在嚴(yán)格受控的條件下可以正確識別高度配合的用戶，但是在生物特征圖像受到內(nèi)在生理變化（如眨眼、斜視、姿態(tài)、表情、運(yùn)動等）和外界環(huán)境變化（如光照、遮擋、距離等）時生物識別的性能急劇下降，不能滿足現(xiàn)實(shí)世界非受控環(huán)境下身份識別的需求。另外生物特征識別系統(tǒng)安全性，例如活體檢測、模板保護(hù)等也是急需解決的重要問題。

面對弱光照、低質(zhì)量、非配合、高動態(tài)等復(fù)雜場景下多源異質(zhì)的多模態(tài)生物特征，如何設(shè)計(jì)最優(yōu)的信息融合模型精準(zhǔn)刻畫不同個體之間、真假數(shù)據(jù)樣本之間的差異，突破現(xiàn)有生物特征識別的“感知盲區(qū)”、“決策誤區(qū)”和“安全紅區(qū)”，實(shí)現(xiàn)等錯誤率逼近于零的精準(zhǔn)身份識別，是可信生物特征識別擬解決的關(guān)鍵科學(xué)問題，需要重點(diǎn)解決非受控條件下的精準(zhǔn)成像、精準(zhǔn)識別和精準(zhǔn)鑒偽問題。從單模態(tài)到多模態(tài)信息融合、從受控場景到復(fù)雜場景、從身份識別到活體檢測是生物識別學(xué)科發(fā)展方向，可信生物特征識別的技術(shù)路線是提出基于多模態(tài)（人臉、虹膜、步態(tài)、聲紋等）、多層次（設(shè)備層、圖像層、特征層、分?jǐn)?shù)層）、多協(xié)同（數(shù)據(jù)和知識協(xié)同驅(qū)動機(jī)器學(xué)習(xí)模型、成像硬件和算法軟件協(xié)同融合）信息融合策略的精準(zhǔn)身份識別方法，引入視覺認(rèn)知機(jī)理魯棒建模生物特征，通過計(jì)算成像和融合模型的協(xié)同創(chuàng)新突破現(xiàn)有生物特征識別的性能瓶頸，面向公安反恐、金融支付、社保認(rèn)證、安檢通關(guān)等實(shí)戰(zhàn)應(yīng)用需求構(gòu)建等錯誤率百萬分之一的移動端和遠(yuǎn)距離場景精準(zhǔn)身份識別驗(yàn)證系統(tǒng)，滿足國家關(guān)鍵領(lǐng)域?qū)Ω呔?、高可靠、高安全身份識別技術(shù)的迫切需求。新的生物特征如大腦信息、基因信息等有待進(jìn)一步開發(fā)研究與應(yīng)用。

2. 生物特征深度造假和鑒偽

隨著圖像生成模型（GAN、VAE等）的快速發(fā)展，計(jì)算機(jī)合成生物特征圖像，尤其是合成人臉的逼真度越來越高，在欺騙人眼的同時對互聯(lián)網(wǎng)內(nèi)容可信性造成了巨大沖擊。最新的人工智能技術(shù)可以讓普通人方便地制作換臉視頻或生成高清人臉圖像，這就是被稱為“深度偽造”的一系列技術(shù)。其嚴(yán)峻性在于簡易、開源、效果極佳的軟件賦能大量普通用戶方便地制作并傳播偽造內(nèi)容，同時對偽造內(nèi)容的鑒偽也成為圖像取證領(lǐng)域亟待解決的重大問題。

生物特征深度造假和鑒偽的技術(shù)難點(diǎn)與研究重點(diǎn)在于如何從正反兩方對抗中提出魯棒可解釋的有效取證方法并探究二者的博弈平衡。具體包括以下重要問題：（1）取證模型的泛化能力不足，目前主流方法使用深度學(xué)習(xí)模型，在公開的數(shù)據(jù)集上取得了非常高的檢測指標(biāo)，一些情況下甚至超過99%的檢測準(zhǔn)確率，但是檢測低質(zhì)量或未知類型深度造假圖像時性能下降劇烈。（2）基于深度模型的取證方法可解釋性差，網(wǎng)絡(luò)極可能擬合了某種未知的非篡改特征，這也造成模型沒有泛化能力。（3）基于多線索的取證方法雖然魯棒性和可解釋性更佳，但適用范圍受限，僅僅針對某一種專家設(shè)計(jì)的取證線索，不具有廣泛適用性，且容易被新的深度造假技術(shù)掩蓋。（4）深度造假技術(shù)尚不能在更精細(xì)的場景規(guī)律與細(xì)節(jié)特征上實(shí)現(xiàn)高質(zhì)量，這些瑕疵很容易被取證方法利用和攻破。（5）鑒偽與造假之間的交互對抗框架尚未成型，目前兩個研究領(lǐng)域各自獨(dú)立發(fā)展，且取證研究遠(yuǎn)滯后于造假技術(shù)。解決這些問題的一個思路是以對抗的視角整體審視深度造假與鑒偽，將二者加入對抗學(xué)習(xí)的框架中使二者相互促進(jìn)，不斷進(jìn)化。并設(shè)計(jì)專家知識指導(dǎo)的先驗(yàn)或者約束形式，防止對抗學(xué)習(xí)進(jìn)入無意義的貓鼠游戲，確保取證模型更具有可解釋性。

3. 遙感圖像弱小目標(biāo)識別和場景理解

遙感圖像場景理解和弱小目標(biāo)識別是指針對特定的任務(wù)從遙感圖像中檢測、識別出弱小目標(biāo)、小目標(biāo)，并結(jié)合弱小目標(biāo)的語義信息及上下文信息對弱小目標(biāo)所處的背景、環(huán)境及整個場景進(jìn)行推理、理解的技術(shù)和過程。與傳統(tǒng)的目標(biāo)識別相比，弱小目標(biāo)可分性更差，更容易被漏檢或錯檢，弱小目標(biāo)識別更具挑戰(zhàn)性。但對于實(shí)際應(yīng)用來說，弱小目標(biāo)往往攜帶更加重要的信息，一旦漏檢或錯檢，其對應(yīng)用的損失比傳統(tǒng)的目標(biāo)誤識要大得多。因此，弱小目標(biāo)的識別具有非常重要的應(yīng)用價(jià)值和研究意義。

弱小目標(biāo)識別和傳統(tǒng)目標(biāo)識別的基本原理類似，均涉及特征提取與描述、分類器構(gòu)造等模式分類的關(guān)鍵技術(shù)。但弱小目標(biāo)的特征響應(yīng)很弱，容易被背景、噪聲淹沒；弱小目標(biāo)的尺寸小且尺寸、形狀不一，特征提取時很難自適應(yīng)地選取大小、形狀合適的鄰域。因此，不合適的特征提取會大幅度降低特征的表征能力、增加特征分類的難度。

盡管弱小目標(biāo)的特征不顯著，但弱小目標(biāo)在關(guān)鍵特征顯著性、語義不變性、動態(tài)易變性等方面具有高度相似性。根據(jù)這些相似性可有效實(shí)現(xiàn)弱小目標(biāo)的特征增強(qiáng)并將弱小目標(biāo)與背景、噪聲或非興趣目標(biāo)有效區(qū)分。根據(jù)弱小目標(biāo)的關(guān)鍵特征顯著性、語義不變性、動態(tài)易變性，弱小目標(biāo)識別未來具體可能的研究途徑如下：

基于關(guān)鍵特征顯著性的可能研究方案是借助生成對抗網(wǎng)絡(luò)生成弱小目標(biāo)在不同波譜、不同尺寸下的訓(xùn)練樣本，用于訓(xùn)練弱小目標(biāo)識別的專用網(wǎng)絡(luò)?；谌跣∧繕?biāo)識別專用網(wǎng)絡(luò)，通過數(shù)據(jù)驅(qū)動的方式，在網(wǎng)絡(luò)學(xué)習(xí)過程中擬制非感興趣目標(biāo)區(qū)域的特征響應(yīng)，同時強(qiáng)化弱小目標(biāo)的關(guān)鍵特征。

基于語義不變性的可能研究方案是在目標(biāo)性檢測和尺度不變特征提取框架下構(gòu)建數(shù)據(jù)和知識共同驅(qū)動的弱小目標(biāo)語義特征學(xué)習(xí)方法，采用自下而上的方式提取可能的弱小目標(biāo)，并進(jìn)一步借助場景理解的語義信息完成弱小目標(biāo)的篩選和識別。在目標(biāo)用途方面，弱小目標(biāo)往往是機(jī)動目標(biāo)，具有動態(tài)易變性。因此，基于動態(tài)易變性的可能研究方案是在目標(biāo)監(jiān)測與跟蹤框架下，通過分析多時相遙感圖像序列中目標(biāo)的動態(tài)變化，并進(jìn)一步根據(jù)弱小目標(biāo)與非感興趣目標(biāo)的變化差異來完成弱小目標(biāo)檢測和識別任務(wù)。

4. 醫(yī)學(xué)圖像高精度解釋

模式識別的一個重要應(yīng)用方向是對醫(yī)學(xué)圖像進(jìn)行高精度解釋。醫(yī)學(xué)是一門注重實(shí)踐、依賴循癥的科學(xué)，新興技術(shù)需要醫(yī)生通過長期的實(shí)踐進(jìn)行分析總結(jié)，找到科學(xué)依據(jù)，再通過現(xiàn)代統(tǒng)計(jì)學(xué)的科學(xué)方法結(jié)合臨床實(shí)踐得到最大可能的驗(yàn)證。人工智能和機(jī)器學(xué)習(xí)能夠幫助醫(yī)生更加高效、準(zhǔn)確的“看片子”，是醫(yī)生的高效助手和強(qiáng)大助力。

然而，對醫(yī)學(xué)圖像進(jìn)行高精度解釋，需要使模式識別算法適用于多源異構(gòu)、缺少標(biāo)注的小樣本數(shù)據(jù)應(yīng)用場景。典型的應(yīng)用場景往往具有樣本量有限、特征高維異構(gòu)、機(jī)器學(xué)習(xí)得到的模型泛化能力比較弱等不利因素，對模式識別算法設(shè)計(jì)提出了巨大的挑戰(zhàn)。對于模式識別方法到實(shí)際系統(tǒng)來講，數(shù)據(jù)不規(guī)范不完整，甚至標(biāo)準(zhǔn)不統(tǒng)一是致命的問題。因此，如何研發(fā)具有基于小樣本且具有自適應(yīng)遷移學(xué)習(xí)能力的機(jī)器學(xué)習(xí)方法，提出一系列適于全監(jiān)督、半監(jiān)督與弱監(jiān)督的多模信息理解的核心算法與解決方案，實(shí)現(xiàn)面向大規(guī)模、有噪音標(biāo)簽、小樣本多模信息的多粒度解析，是臨床轉(zhuǎn)化的關(guān)鍵途徑之一。另外，目前的挑戰(zhàn)也包含模式識別黑盒子和醫(yī)學(xué)可解釋性的對弈。提高機(jī)器學(xué)習(xí)模型的可解釋性和透明度，將有助于模型的除錯、引導(dǎo)未來的醫(yī)學(xué)數(shù)據(jù)收集方向、為醫(yī)學(xué)圖像特征構(gòu)建和人類決策提供真正可靠的信息，最終在醫(yī)生、病人與模型之間建立信任。

目前深度學(xué)習(xí)方法能夠在眾多領(lǐng)域?qū)崿F(xiàn)突破式的發(fā)展，除了算法的改進(jìn)和創(chuàng)新以及強(qiáng)大的計(jì)算資源以外，一個重要的原因是擁有海量的標(biāo)準(zhǔn)規(guī)范的訓(xùn)練樣本。醫(yī)學(xué)大數(shù)據(jù)的出現(xiàn)和深度學(xué)習(xí)算法的提出與應(yīng)用，也推動了很多特定領(lǐng)域機(jī)器智能水平的快速發(fā)展。但這些高水平的研究都是建立在大樣本數(shù)據(jù)的基礎(chǔ)上。因此，制約模式識別進(jìn)一步在醫(yī)學(xué)圖像臨床落地應(yīng)用的要點(diǎn)就是解決融合臨床場景的多源、異構(gòu)、高維、多模態(tài)的異質(zhì)大數(shù)據(jù)的獲取和標(biāo)準(zhǔn)化，實(shí)現(xiàn)診療過程關(guān)鍵信息的智能交互、全數(shù)據(jù)鏈貫通、患者信息多模態(tài)全景呈現(xiàn)，構(gòu)建可靈活拓展的多模態(tài)信息全景快速精準(zhǔn)可視化平臺。

模式識別中的很多端到端的方法可以快速得到較高的準(zhǔn)確性。但是臨床往往有很多同病異影，同影異病的情況，醫(yī)學(xué)影像報(bào)告出具以后會傳給臨床醫(yī)生，臨床科醫(yī)生會根據(jù)指南，結(jié)合患者的其他臨床數(shù)據(jù)和身體特征判斷，同時也需要對于結(jié)果進(jìn)一步向患者解釋病因。因此如何在基于機(jī)器學(xué)習(xí)的數(shù)據(jù)驅(qū)動結(jié)果和實(shí)際應(yīng)用中能夠提供可解釋的結(jié)果找到平衡，提供給臨床有價(jià)值的醫(yī)學(xué)影像信息是對醫(yī)療影像智能識別系統(tǒng)的嚴(yán)峻挑戰(zhàn)。

5. 復(fù)雜文檔識別與重構(gòu)

自20世紀(jì)50年代以來，作為模式識別領(lǐng)域分支之一的文字識別和文檔分析方向開展了大量研究，在文檔圖像版面分析、文字和文本行識別等方面取得了巨大進(jìn)展，推動了文字和文檔識別技術(shù)在文檔數(shù)字化、郵政、金融、檔案、教育等領(lǐng)域的成功應(yīng)用。然而，在實(shí)際應(yīng)用中發(fā)現(xiàn)，現(xiàn)有方法的性能還有很多不足，有些場合還不能滿足應(yīng)用的需求。文檔識別的最終目標(biāo)是正確分割和識別文檔中所有的文本和圖形符號信息，把文檔版面結(jié)構(gòu)全部內(nèi)容電子化，表示成結(jié)構(gòu)化的電子文檔（如Word、PDF等）。準(zhǔn)確的識別和版式重構(gòu)將使得文檔識別技術(shù)在文字無處不在的現(xiàn)實(shí)社會得到普遍應(yīng)用。

復(fù)雜文檔識別與重構(gòu)的技術(shù)難點(diǎn)和研究重點(diǎn)在于克服現(xiàn)有技術(shù)的不足：（1）復(fù)雜版面分析能力不足。版面樣式變化特別多，而目前基于規(guī)則和基于深度學(xué)習(xí)的方法都不能解決所有版式的正確分割、邏輯分析、版面理解、版式還原（重構(gòu)）問題。（2）識別精度和置信度不夠。當(dāng)前，自由書寫和圖像質(zhì)量退化場合識別率會明顯下降，即使對于識別率較高的場合，當(dāng)前技術(shù)也不能根據(jù)識別結(jié)果的置信度將存疑字符標(biāo)記出來，不便于人工校對或自動處理，也限制了文檔識別在一些重要的新興領(lǐng)域如機(jī)器人流程自動化（RPA）的大規(guī)模廣泛應(yīng)用。（3）小樣本泛化能力不足。當(dāng)前廣泛使用的深度神經(jīng)網(wǎng)絡(luò)的泛化性能依賴大規(guī)模數(shù)據(jù)集訓(xùn)練，而有些應(yīng)用場合難以收集標(biāo)注大量樣本來訓(xùn)練識別模型。（4）圖形符號識別性能不足。圖文混合文檔中存在的表格、數(shù)理化公式及符號、流程圖、簽名印章等還不能得到滿意的識別性能。（5）文檔圖像的內(nèi)容理解與認(rèn)知能力不足。目前大部分研究工作集中在解決文檔圖像中的文字信息感知問題（例如版面分割、文字檢測、文字識別），對文檔圖像中的語義信息理解及信息發(fā)現(xiàn)還未得到很好的解決，典型的問題包括文檔圖像結(jié)構(gòu)化理解(例如端到端信息抽取)、基于文檔圖像的視覺問答（Text VQA）等。

解決這些問題的一個基本思路是結(jié)合現(xiàn)有不同理論與方法的優(yōu)點(diǎn)，建立一個更加靈活、可學(xué)習(xí)的文檔結(jié)構(gòu)和內(nèi)容表示框架，充分利用不同類型、不同標(biāo)記程度的文檔數(shù)據(jù)和先驗(yàn)知識，結(jié)合自然語言處理新技術(shù)，構(gòu)建從感知到認(rèn)知的端到端文檔圖像分析、識別、理解統(tǒng)一框架。利用多種學(xué)習(xí)方式構(gòu)建模型，研究符合類人直覺的置信度建模方法和可解釋機(jī)器學(xué)習(xí)方法，并可考慮在學(xué)習(xí)和識別過程中引入流程自動化、人機(jī)交互或人機(jī)回圈（Human in the loop）等機(jī)制，構(gòu)建跨學(xué)科文檔圖像分析、識別與理解研究新范式。

6. 異構(gòu)空間網(wǎng)絡(luò)關(guān)聯(lián)事件分析與協(xié)同監(jiān)控

現(xiàn)實(shí)世界中的復(fù)雜事件往往存在于不同的異構(gòu)空間。例如，社會熱點(diǎn)事件同時存在于物理空間和網(wǎng)絡(luò)空間，這兩個社會空間既相對獨(dú)立又關(guān)聯(lián)耦合。物理空間（現(xiàn)實(shí)世界中的各類場景）的人類活動主要體現(xiàn)社會大眾的“行”，而網(wǎng)絡(luò)空間（不同社交平臺，如新浪微博、騰訊微博、Facebook和Twitter 等）的社會媒體更多反映網(wǎng)民群體的“言”。針對這些事件存在的跨空間交融、大數(shù)據(jù)與多模態(tài)等特性，異構(gòu)空間網(wǎng)絡(luò)關(guān)聯(lián)事件分析與協(xié)同監(jiān)控力求對存在于異構(gòu)空間中的事件數(shù)據(jù)進(jìn)行協(xié)同地關(guān)聯(lián)、分析、監(jiān)測、推理和決策，使之服務(wù)于國計(jì)民生的方方面面。

異構(gòu)空間網(wǎng)絡(luò)關(guān)聯(lián)事件的分析與協(xié)同監(jiān)控對于維護(hù)社會穩(wěn)定和國家安全有著重要意義，其可揭示事件在多維空間中信息傳播交互規(guī)律，并創(chuàng)立熱點(diǎn)事件監(jiān)控理論和支撐技術(shù)平臺以滿足國家保障公共安全和構(gòu)建智能城市的重大應(yīng)用需求。

隨著電子設(shè)備與互聯(lián)網(wǎng)的快速發(fā)展，復(fù)雜異構(gòu)的多種空間中每時每刻都在產(chǎn)生大量的事件多模態(tài)數(shù)據(jù)。這些多模態(tài)數(shù)據(jù)不僅形成復(fù)雜的關(guān)聯(lián)關(guān)系和組織結(jié)構(gòu)，還表現(xiàn)在不同模態(tài)數(shù)據(jù)跨越媒介或平臺（數(shù)據(jù)源）高度交叉融合。只有對這些多模態(tài)多媒體數(shù)據(jù)進(jìn)行主動認(rèn)知和智能推理，才能盡可能全面、正確地理解這種跨媒體綜合體所蘊(yùn)含的內(nèi)容信息。由于異構(gòu)空間的事件數(shù)據(jù)具有數(shù)據(jù)量大、多模態(tài)、語義抽象、非結(jié)構(gòu)化等特點(diǎn)，異構(gòu)網(wǎng)絡(luò)空間關(guān)聯(lián)事件分析與協(xié)同監(jiān)控的一個重要研究方向是結(jié)合網(wǎng)絡(luò)空間信息的綜合性、便捷性和物理空間的本地性進(jìn)行事件的智能理解與應(yīng)用。因此，如何結(jié)合社會科學(xué)與認(rèn)知科學(xué)的最新進(jìn)展，對異構(gòu)空間大數(shù)據(jù)進(jìn)行協(xié)同感知，如何在多模態(tài)的數(shù)據(jù)上對復(fù)雜事件進(jìn)行檢測、跟蹤，如何構(gòu)建面向異構(gòu)空間的知識表示模型從而對關(guān)鍵事件進(jìn)行協(xié)同關(guān)聯(lián)與演化分析，將會是未來研究的工作重點(diǎn)。例如，對社會熱點(diǎn)事件在物理和網(wǎng)絡(luò)空間進(jìn)行信息融合和建模，并將該事件在物理和網(wǎng)絡(luò)二元空間的詳細(xì)演變過程進(jìn)行表示，通過對這些信息的關(guān)聯(lián)分析，挖掘該社會事件的主題和輿論導(dǎo)向，并預(yù)測其后續(xù)發(fā)展軌跡，揭示傳播行為特性，為事件監(jiān)控和輿情分析提供技術(shù)保障。

7. 神經(jīng)活動模式分析

神經(jīng)活動是生物感知外部環(huán)境、產(chǎn)生知覺、進(jìn)而采取行動的生理基礎(chǔ)。神經(jīng)活動模式分析需要在獲取神經(jīng)活動數(shù)據(jù)的基礎(chǔ)上，使用模式識別方法探索數(shù)據(jù)背后的神經(jīng)活動機(jī)制，并且挖掘神經(jīng)活動的內(nèi)在規(guī)律以及神經(jīng)活動與外部刺激、知覺狀態(tài)、運(yùn)動意圖等之間的關(guān)系。

神經(jīng)系統(tǒng)能夠高效地整合既有知識，進(jìn)行邏輯推理并且快速適應(yīng)復(fù)雜環(huán)境。通過編碼研究可以對神經(jīng)活動模式進(jìn)行解析和預(yù)測，有助于類腦模型的研究；另外，通過神經(jīng)解碼模型可以對使用者的認(rèn)知狀態(tài)和運(yùn)動意圖進(jìn)行解碼，以形成智能化輔助產(chǎn)品，可以幫助殘疾人提升生活質(zhì)量。

然而，神經(jīng)活動模式分析還面臨以下幾個方面的問題：首先，神經(jīng)信號往往是對神經(jīng)活動的間接表示，難以反推出精確的神經(jīng)活動；其次，受到實(shí)驗(yàn)條件的限制，神經(jīng)活動數(shù)據(jù)具有特征數(shù)量大而樣本數(shù)量少的特點(diǎn)，會大大降低編解碼模型的魯棒性；最后，神經(jīng)活動屬于非線性時變過程，動態(tài)性高，并且個體差異性大，難以獲得穩(wěn)定、可泛化的計(jì)算模型。

針對以上挑戰(zhàn)，神經(jīng)活動模式分析需要一系列行之有效的解決方法，來綜合提升模型的有效性和準(zhǔn)確性。針對神經(jīng)信號難以直接測量和描述的問題，需要采用多種知覺、神經(jīng)信號的同步采集方法，并對其進(jìn)行聯(lián)合分析來提升神經(jīng)活動描述和估計(jì)的準(zhǔn)確性。針對樣本缺乏的問題，需要在神經(jīng)活動特征提取的基礎(chǔ)上，適當(dāng)?shù)夭捎蒙墒侥Ｐ秃瓦w移學(xué)習(xí)等方法進(jìn)行數(shù)據(jù)擴(kuò)充，以增加樣本的數(shù)據(jù)量和多樣性。針對神經(jīng)活動信號復(fù)雜的問題，需要研發(fā)具有類腦計(jì)算機(jī)制的編解碼模型，從神經(jīng)計(jì)算的角度理解并開發(fā)動態(tài)計(jì)算模型、以適應(yīng)不同特征的分布。同時，細(xì)粒度的腦區(qū)功能劃分也將是理解大腦計(jì)算機(jī)制的重要研究方向。

*本文來自模式識別國家重點(diǎn)實(shí)驗(yàn)室組織發(fā)布的模式識別學(xué)科發(fā)展報(bào)告，已得到模式識別國家重點(diǎn)實(shí)驗(yàn)室授權(quán)發(fā)布。