近日，我院研究生有两篇文章被国际人工智能领域顶级学术会议AAAI 2019 （AAAI Conference on Artificial Intelligence 2019）录用。会议由人工智能领域主要学术组织美国人工智能协会主办，也是中国计算机学会（CCF）认定的A类会议。今年该会议投稿数量高达7700余篇，最终接收1150篇，录用率仅为16.2%。AAAI会议始于1987年，今年已是第33届，将于2019年1月底在美国夏威夷举行。

       两篇文章的作者分别为2016级硕士研究生柳吉和徐埌，由张磊研究员和周喜川教授指导完成。这些成果的取得标志着我院在人工智能领域取得新突破。两篇论文的概要如下：

                                            Optimal Projection Guided Transfer Hashing for Image Retrieval

Ji Liu, Lei Zhang*

       近年来，由于紧凑的二值编码（哈希码）在计算和存储上的高效性，学习哈希（Learning to Hash）被广泛研究并用于图像检索。现有的方法都需要足够的数据量来学习得到准确的哈希码。然而，在一些实际应用场景中，兴趣域中训练数据往往是不充足的，因此难以学习得到准确的哈希码。此外，一些有监督方法还需要大量的标签数据，但是数据标注需要大量的时间、人力物力、专家知识等。为了解决上述问题，受迁移学习的启发，我们提出一种简单而有效的最优投影指导的迁移哈希（Optimal Projection Guided Transfer Hashing, GTH），该方法是一种无监督的哈希方法。该方法主要用另外一个相关但是不同域（源域）中的样本来帮助兴趣域（目标域）学习更有效的哈希码。我们从源域和目标域的哈希投影误差的角度入手，并寻求误差的最大似然估计来减少域差异。与此同时，我们对源域和目标域的哈希投影进行迭代优化，两者相互影响促进，最终达到最优状态。我们在三个标准数据集上验证了最优投影指导的迁移哈希方法是优于很多state-of-the-art方法。

An Efficient Compressive Convolutional Network for Unified Object Detection and Image Compression

Xichuan Zhou*, Lang Xu, Shujun Liu, Yingcheng Lin, Lei Zhang, Cheng Zhuo

       物体实时检测以及图像压缩是一项具有挑战性的任务，为此本文设计了一个有效的压缩卷积网络（Compressive Convolutional Network, CCN）。CCN本质上是一个具有压缩感知能力的卷积神经网络。CCN优化了卷积操作使其进行可恢复的数据嵌入和图像压缩，而不是设计不同的部分来分别进行压缩感知与目标检测。从技术层面上来说，不相关性是嵌入数据可恢复的充分条件，我们将此不相关性作为一个正则化项结合到CCN的第一层卷积网络。因此，在VOC和COCO数据集上学习得到的CCN卷积核可以用到数据嵌入和图像压缩上。通过重复利用卷积操作，就不需要额外的开销来进行图像压缩。最终，CCN比传统方法的效率提高了3.1到5倍。在我们的实验中，CCN在物体检测方面达到78.1%的准确度，在图像压缩方面，CCN的PSNR比现有的压缩感知方法高了3.0-5.2dB。