中國人工智能學會公示了2019年度優(yōu)秀博士學位論文評選的最終結果。來自清華大學、中科院自動化所、南京大學等的一共15篇博士論文入選！

近日，中國人工智能學會(CAAI)公示了2019年年度優(yōu)秀博士學位論文評選的最終結果。

學會組織專家對入圍終評的20篇論文進行了評審，來自清華大學、中科院自動化所、南京大學等的一共15篇博士論文獲獎，其中10 篇論文獲優(yōu)秀博士學位論文獎，5 篇論文獲優(yōu)秀博士學位論文提名獎。

CAAI的公示如下：

根據《中國人工智能學會優(yōu)秀博士學位論文評選條例》的規(guī)定，學會組織 9 位國內人工智能領域的知名專家成立優(yōu)博評審委員會，由學會理事長李德毅擔任評審委員會主席，認真負責地對 2019 年度中國人工智能學會優(yōu)秀博士學位論文評選入圍終評的 20 篇論文進行了評審，經專家終審及兩輪投票，最終確定了 10 篇論文獲優(yōu)秀博士學位論文獎、5 篇論文獲優(yōu)秀博士學位論文提名獎?，F將 2019 年度中國人工智能學會優(yōu)秀博士學位論文評選最終結果進行公示（見附表）

任何單位和個人如對公示的評審結果持有異議，請在名單公示之日起 15 日內（7 月 23 日前）向中國人工智能學會辦公室提出，凡匿名異議不予受理。

接下來，新智元帶來其中幾篇優(yōu)秀博士論文的介紹：

清華大學：基于深度神經網絡的人臉關健點檢測

論文作者：劉昊

機構：清華大學

論文標題：基于深度神經網絡的人臉關健點檢測

研究背景 / 選題意義 / 研究價值

人臉關鍵點用于描述人臉面部形狀輪廓的控制點和局部特征，因此，精準高效的人臉關鍵點檢測技術是人臉分析的基礎和前提。近年來，深度神經網絡通過多層非線性結構學習高層語義特征表示，被成功應用于各類計算機視覺處理任務?；谏疃饶Ｐ偷娜四橁P鍵點檢測方法在約束條件下性能表現出色，但受頭部姿態(tài)和不同表情差異以及遮擋等因素的影響，其性能在自然條件下仍不理想。

主要研究內容

對于圖像人臉關鍵點檢測，本文針對于圖像人臉關鍵點不同部位的結構相關性，提出了一種深度共享和結構化網絡的方法；對于視頻人臉關鍵點檢測，本文針對于視頻人臉關鍵點在不同幀間的時序一致性，提出了一種雙流深度網絡的方法；對于魯棒人臉關鍵點檢測，本文針對于人臉數據與姿態(tài)的空間相關性，提出了一種深度形狀決策網絡的方法。

結構化特征學習對人臉關鍵點的局部相關性建模表達

所提 MDN 方法在具有大姿態(tài)變化人臉數據上的檢測效果

主要創(chuàng)新點

1. 提出了一種深度結構化特征學習方法，通過引入人臉各部位的結構相關性局部約束，增強了特征表示能力，進而提高了關鍵點檢測的有效性；

2. 提出了一種基于深度雙流網絡的人臉關鍵點檢測方法，通過融合視頻數據中的空間表觀特征和時序信息的連續(xù)性特征，設計了雙信息流的深度學習框架，在視頻人臉數據上效果提升顯著；

3. 提出了基于強化學習框架的魯棒人臉關鍵點檢測算法，通過將人臉關鍵點檢測建模為馬爾科夫動態(tài)決策過程，獲得了基于馬爾科夫過程的收斂分布的有效策略，提升了對抗大姿態(tài)變化、劇烈表情和強遮擋方面的魯棒性。

上交大：情感腦機交互研究

論文作者：鄭偉龍

機構：上海交通大學

論文標題：情感腦機交互研究

主要內容：

情緒在日常生活人與人交流中扮演著重要角色。除了邏輯智能，情感智能也被認為是人類智能的重要組成部分。情感智能是指機器感知，理解和調控人的情緒的能力。然而，現有人機交互系統(tǒng)仍然缺乏情感智能。情感腦機交互研究的目的是通過構建情感計算模型來建立人與機器的情感交流通路。

在本論文中，我們探討了情感腦機交互的理論基礎，模型，算法，實現技術，實驗驗證以及原型應用。主要工作包括以下三個方面：

1）我們利用腦電，眼電和眼動信號以及深度神經網絡構建了多模態(tài)情緒識別和警覺度估計系統(tǒng)。

2）我們提出了利用腦電和眼動信號的多模態(tài)情緒識別框架，實現了對人的內在認知狀態(tài)和外在潛意識活動的建模。

3）我們開發(fā)了利用腦電和前額眼電構建多模態(tài)警覺度估計系統(tǒng)，并在實驗室模擬環(huán)境和真實駕駛環(huán)境進行了驗證。

在上述研究的過程中，我們開發(fā)了三個公開的情緒識別和警覺度估計數據集，分別是三類情緒數據集 SEED（高興、悲傷和中性），四類情緒數據集 SEED-IV（高興，悲 傷，恐懼和中性）和警覺度估計數據集 SEED-VIG，這些數據集得到了國內外近 300 多 高校和研究機構的使用。

南京大學：弱監(jiān)督多標記學習

論文作者：徐淼

機構：南京大學

論文標題：弱監(jiān)督多標記學習

在很多現實的機器學習任務中，一個樣本同時擁有多個標記，而整個數據集內僅有少量樣本、甚至沒有樣本擁有完整標記。對這樣的數據樣本進行學習，就是弱監(jiān)督多標記學習（Weakly Supervised Multi-Label Learning，簡稱 WSML 學習）。此類問題在現實應用中廣泛存在，但以往研究較少，是機器學習領域面臨的一個新挑戰(zhàn)。