【正文】 產(chǎn)品設計手段是否能夠滿足設計全過程的要求，也就是需要考慮設計全過程的設計手段的可達性，同時也需要考慮產(chǎn)品模型的覆蓋域和產(chǎn)品表示的完備性，使得產(chǎn)品設計過程方便快速，產(chǎn)品數(shù)據(jù)模型表示一致和完備。 本項目將研究產(chǎn)品設計數(shù)據(jù)的輕量化表示方法及其精度保持的策略。 設計過程誤差精度統(tǒng)一表示 本項目將分析在產(chǎn)品設計周期中從產(chǎn)品概念設計、幾何設計到結(jié)構(gòu)設計及其迭 代分析過程中各種相關(guān)數(shù)據(jù)之間的對應關(guān)系，對精度的要求，以及在實際操作過程中所能達到的誤差精度。 產(chǎn)品數(shù)據(jù)模型表示的一致性及其誤差控制理論 復雜產(chǎn)品數(shù)據(jù)模型的高精度表示及其誤差控制 研究表示復雜產(chǎn)品的新型數(shù)據(jù)結(jié)構(gòu)，研究產(chǎn)品數(shù)字模型中幾何操作的誤差精度控制方法，研究設計過程誤差精度統(tǒng)一表示（研究產(chǎn)品設計誤差以及各設計環(huán)節(jié)的誤差關(guān)聯(lián) 約束）和產(chǎn)品數(shù)據(jù)表示誤差和設計過程誤差的約束、傳播和擴散機制，研究產(chǎn)品設計輕量化表示中的精度保持方法。 五年累計 獲得國家級科技成果獎 2項，在本領域重要的國際學術(shù)刊物和一流國際學術(shù)會議發(fā)表論文 150篇以上， 授權(quán) 發(fā)明專利 50 項以上。 第 五 年 （ 1） 選擇性阻斷視覺皮層的特定功能區(qū)，研究其它腦區(qū)對基本和復雜刺激功能反應模式的變化 ； （ 2） 特異性標記視覺皮層中特定反應細胞的形態(tài)，研究其在視覺皮層的前饋和反饋型投射關(guān)系 ； （ 3）根據(jù)前期工作的理論和模型基礎，在整體動物的實驗中進行有針對性的檢驗； （ 4）研究體現(xiàn)視覺認知層次性與整體性的算法模型往工程化方向發(fā)展的若干關(guān)鍵技術(shù)實現(xiàn)問題 ； （ 5） 研究基于層次化理解的圖像分析方法 ； （ 6） 利用多特征融合對視頻進行分析 ； （ 7） 提出視頻序列層次性匹配技術(shù) ； （ 8） 顯著性識別在多種媒體理解據(jù)中的 作用； （ 9）研究面向多義性對象學習的機器學習理論； （ 10）研究綜合考慮未標注樣本、非均衡樣本、多視圖等特性的多義性對象學習方法； （ 11）在測試驗證平臺中對多義性對（ 1） 揭示不同層次的視覺皮層間功能上的層次性整合與整體性調(diào)制機制 ； （ 2） 揭示實現(xiàn)上述功能的形態(tài)學基礎； （ 3）有機結(jié)合實驗數(shù)據(jù)與理論模型，推動兩者之間的相互驗證； （ 4）提出解決在工程化應用中為實現(xiàn)視覺認知層次性與整體性的關(guān)鍵技術(shù)問題的實現(xiàn)方法 ； （ 5） 提出基于層次化理解的計算機視覺理論與方法 ； （ 6） 完成基于層次化與多特征結(jié)合的視頻分析框 架 ； （ 7） 提出基于層次性的視頻匹配算法 ； （ 8）建立面向多義性對象學習的機器學習理論； （ 9）提出同時利用未標注樣本和多視圖特性并能處理非均衡樣本的多義性對象學習方法； （ 10）給出多模態(tài)異構(gòu)數(shù)據(jù)的關(guān)聯(lián)性定義與描述方法； （ 11）建立多模態(tài)特征的共生矩陣表示，實現(xiàn)多模態(tài)特征之間關(guān)聯(lián)關(guān)年度 研究內(nèi)容 預期目標 象學習理論與方法進行驗證； （ 12）分析多種媒體的同級層次特征的關(guān)聯(lián)關(guān)系，研究其描述方法； （ 13）研究多模態(tài)特征的共生矩陣表示模型，利用同構(gòu)子空間描述映多模態(tài)特征關(guān)聯(lián)關(guān)系； （ 14）對多模態(tài)高維異構(gòu)數(shù)據(jù)的特征提取與描述方法進行綜合測試與評估。 第 四 年 （ 1） 研究多種復雜的 Gestalt 范式刺激在初級和高級視覺皮層的功能組織模式 ； （ 2）研究同一腦區(qū)復雜刺激功能圖與基本特征功能圖的相互關(guān)系； （ 3）研究對特定復雜刺激敏感的細胞在多種功能圖中的樹突與軸突野分布 ； （ 4）從結(jié)構(gòu)與功能相適應的角度分析皮層功能柱陣列的表征與計算效能 ； （ 1） 揭示整體性優(yōu)先的視覺刺激在不同層次腦區(qū)的表現(xiàn)模式 ； （ 2） 闡述在同一皮層整體性與層次性在功能上的有機結(jié)合機制； （ 3）在細胞和網(wǎng)絡水平上揭示整體性與層次性的結(jié)構(gòu)基 礎； （ 4）建立對皮層功能柱陣列進行表征與計算效能分析的方法 ； （ 5）建立對視皮層仿真計算模型進行優(yōu)化設計的策略與評價準則 ； （ 6） 獲取視頻序列中顯著部分并對年度 研究內(nèi)容 預期目標 （ 5）研究對視皮層仿真計算模型進行設計優(yōu)化的途徑和評價準則 。 第 三 年 （ 1） 研究初級視覺皮層方位選擇性細胞的樹突和軸突野分布 ； （ 2） 研究高級視覺皮層對基本視 覺特征的功能組織模式 ； （ 3）研究從初級到高級視覺皮層多種基本功能圖的演化； （ 4） 基于 視皮層功能柱陣列神經(jīng)機制的計算模型 ； ? （ 5）研究視皮層功能柱陣列模型在獲得視覺認知層次性與整體性上的必要性。 第 二 年 （ 1） 將雙光子成像系統(tǒng)與內(nèi)源信號光學成像系統(tǒng)等其他生理記錄系統(tǒng)配套整合； （ 2） 研究初級視覺皮層方位功能圖中特定細胞形態(tài)的分布模式； （ 3）研究基于視覺皮層的神經(jīng)機制的仿真模擬策略 ，以及 層次性與整體性在計算上的實現(xiàn)策略 ； （ 3）多種功能圖的自組織計算模型，以及視皮層功能 柱型結(jié)構(gòu)的 建模理論與計算方法； ? （ 4）視覺認知層次性與整體性在視皮層各級處理層次上的關(guān)系 。 （ 2）智能視頻監(jiān)控應用示范 研究基于內(nèi)容分析的異常檢測與報警、多特征融合的目標跟蹤與識別，以及事件的分類統(tǒng)計與摘要生成等技術(shù)，構(gòu)建適應性好、魯棒性高、實時性強的智能視頻監(jiān)控應用示范平臺，解決智能交通、邊海防偵察監(jiān)視、公共安全防衛(wèi)等 系統(tǒng)中存在的使用環(huán)境受限、誤報漏報多、響應速度慢等問題。在特征層，采用多模態(tài)特征融合的語義建模來挖掘不同模態(tài)特征的潛在語義相關(guān)性；在對象層，采用混合媒體圖來描述復雜媒體對象的廣義時空關(guān)聯(lián)性；在文件層，利用媒體信息的上下文關(guān)聯(lián)來實現(xiàn)媒體內(nèi)容的語義理解。 承擔單位 ：北京航空航天大 學、西安交通大學 課題負責人 ：李波 經(jīng)費比例 ： % 課題 跨媒體分析的理論和方法 預期目標： 本課題將圍繞媒體內(nèi)容的多態(tài)性特點，建立有效的跨媒體表示模型，使之能夠表達特征到特征、特征到語義、語義到語義等不同層次的關(guān)聯(lián)。同時將強調(diào)局部幾何特征到整體拓撲特征的 Marr 理論與重視對象之間拓撲關(guān)系 /整體意義的 Gestalt 理論結(jié)合起來，解決全局和局部特征提取的難點問題。 （ 2）面向多義性對象的計算學習理論和高效算法 基于多義性對象的表示與建模，研究適于多義性對象的學習機制， 建立針對多義性對象的計算學習理論，克服對多義性對象進行高效學習的障礙，提出面向多義性對象的高效算法。 （ 4）基于整體性感知的顯著性分析 針對空間層次不分明的媒體對象，研究顯著性檢測和顯著性識別的整體性感知理論，研究融合顯著性檢測的結(jié)果部分及其周圍的形狀信息以及視覺信息字典庫中的語義相關(guān)信息，對顯著性物體進行綜合識別。 承擔單位 ：復旦大學 課題負責人 ：俞洪波 經(jīng)費比例 ： 12% 課題 媒體認知的層次化計算理論與模型 預期目標： 圍繞認知的整體性和層次性特點，研究媒體對象的層次化表示理論，建立整體性感知的計算模型，提出基于層次性描述的語義標注方法，并綜合考慮媒體對象的顯著性，研究基于顯著性檢測和顯著性識別的層次化描述方法，完善媒體對象的層次化表 示與描述框架。 研究內(nèi)容： （ 1）視覺基本特征在視覺皮層的功能組織模式 研究包括方位、方向、空間頻率、眼優(yōu)勢、空間拓撲、顏色等基本視覺特征在不同層次視覺皮層的空間組織模式，多種基本特征功能柱如何共存于同一媒 媒 1 媒 媒 媒 媒 媒 媒 媒 媒媒 媒 媒 媒 媒 媒 媒媒 媒 2 媒 媒 媒 媒 媒 媒 媒 媒媒 媒 媒 媒 媒 媒 媒 媒媒 媒 3 媒 媒 媒 媒 媒 媒 媒 媒媒 媒 媒 媒 媒 媒 媒 媒媒 媒 4 媒 媒 媒 媒 媒 媒 媒 媒 媒媒 媒 媒 媒 媒 媒 媒 媒 媒 媒 媒媒 媒 5 媒 媒 媒 媒 媒 媒 媒 媒媒 媒 媒 媒驗 證 平 臺 與 應 用 示 范融 合 機 制 與 學 習 算 法表 示 框 架 與 特 征 描 述認 知 機 理 與 計 算 模 型四 個 方 面 的 研 究 內(nèi) 容 設 置 課 題媒 媒媒 媒媒媒媒媒媒媒媒 媒 媒 媒媒 媒 媒 媒 媒 媒 媒 媒 媒 媒 媒 媒 媒 媒媒 媒 6 媒媒 媒 媒 媒 媒 媒 媒 媒 媒 媒媒 媒 媒 媒 圖 2 課題 研究內(nèi)容及其相互 間的關(guān)系 片皮層空間，從而實現(xiàn)多種特征表達的最優(yōu)化，建立基于皮層自組織模式的數(shù)學模型。這六個課題分別研究視覺認知的層次性與整體性機制、媒體認知的層次化計算理論與模型、面向多義性對象的學習理論和方法、多模態(tài)高維異構(gòu)數(shù)據(jù)的特征提取與描述方法、跨媒體分析的理論和方法、數(shù)字媒體理解驗證平臺與應用示范。 （二）研究內(nèi)容的創(chuàng)新與特色 （ 1）針對 媒體認知具有的層次性、整體性 ，研究視覺皮層的層次性與整體性處理機制和相應的計算模型，建立 符合媒體理解層次性和整體性的理論框架 。 在表示框架與特征描述方面，將重點突破 多模態(tài)、 高維、 異構(gòu)媒體 數(shù)據(jù) 分析的 核心 技術(shù)。 通過整合 各單位現(xiàn)有資源 ，建立具有國際先進水平的 、 面向媒體 理解算法測試的 驗證平臺，提供 有效 的測試手段和試驗環(huán)境。 （ 2）加強理論研究與應用驗證相互促進。 探索媒體認知的層次性和整體性機理，揭示形成媒體對象多義性的內(nèi)在規(guī)律，研究高維多模態(tài)異構(gòu)數(shù)據(jù)的協(xié)同機制；在此基礎上，開展媒體認知的層次化計算理論與模型、面向多義性對象的機器學習理論與方法、多模態(tài)高維異構(gòu)數(shù)據(jù)的特征提取與描述方法、跨媒體分析理論與方法等共性關(guān)鍵技術(shù)攻關(guān)，提出一批適用面廣、智能性強、 處理速 度快的媒體理解新算法，建立具有國際先進水平的 、 面向媒體 理解測試分析 的驗證平臺 ， 將成果應用于 安全穩(wěn)定、信息服務 等重大應用 領域，以此為典型示范促進媒體應用和產(chǎn)業(yè) 的 發(fā)展 。 考慮到融合機制是利 用多模態(tài)信息的基本手段，學習算法是分析復雜對象的核心技術(shù)，而 傳統(tǒng)方法 學習算法、融合機制相互獨立，難以滿足媒體理解的計算要求 。 考慮到高層描述在一定程度上揭示了媒體對象的可能語義，底層特征是刻畫媒體對象的主要手段，而 傳統(tǒng)方法 僅通過加強底層特征的表達能力，難以充分刻畫多義性 、有效利用多態(tài)性 。 考慮到認 知科學在底層、局部性認知機理的研究方面已有較多進展，而對高層、整體性認知的形成過程的探索 仍 是 其 重要目標之一，也就是說， 認知和計算都面臨解決層次性和整體性探索割裂的問題。 （ 4）高層次 人才培養(yǎng) 結(jié)合本項目的實施，促進我國數(shù)字媒體理解方面的優(yōu)秀 人才培養(yǎng)。 （ 2）關(guān)鍵技術(shù)突破 解決 媒體計算的協(xié)同性 與 高效性 問題，包括突破全局和局部特征的提取、高維異構(gòu)數(shù)據(jù)的描述與處理、上下文關(guān)聯(lián)的特征融合、底層特征與高層語義的多粒度映射、跨媒體的結(jié)構(gòu)化語義描述與層次化語義分析等關(guān)鍵技術(shù)，提出一批 適用面廣、智能性強、 處理速 度快的 媒體理解新算法，為縮小“語義鴻溝”、解決重大需求中的實際問題提供技術(shù)保障。 主要研究內(nèi)容 包括 ： （ 1）基于上下文 關(guān)聯(lián) 的多模態(tài)特征融合 （ 2） 海量數(shù)據(jù)的 跨媒體高層語義 分析 （ 3） 視頻內(nèi)容搜索與對象行為分析 （ 4） 媒體數(shù)據(jù)的標注與媒體理解算法的評測方法 本項目立足于解決數(shù)字媒體理解中的關(guān)鍵科學問題，針對媒體認知具有的層次性和整體性、媒體對象固有的多義性和多態(tài)性、媒體計算應有的協(xié)同性和高效性，研究面向數(shù)字媒體理解的認知機理與計算模型、表示 框架與特征描述、融合機制與學習算法，建立數(shù)字媒體理解的驗證平臺與典型應用示范，取得原始創(chuàng)新與 關(guān)鍵 技術(shù)突破。 為此，本項目將 媒體計算應有的協(xié)同性、高效性 凝煉為第三個關(guān)鍵科學 問題 ，將研究 媒體的計算技術(shù) 。 關(guān)鍵科學問題之三：媒體計算應有的協(xié)同性、高效性 ── 如何滿足媒體計算的需求？ 媒體認知具有的層次性和媒體對象固有的多態(tài)性，一方面要求在同一層次上各模態(tài)之間通過橫向 融合 實現(xiàn)多模態(tài)信息的有 效補充與利用，另一方面要求每種 模態(tài)在不同層次之間通過縱向關(guān)聯(lián) 實現(xiàn)特征間的映射與支持，從而形成規(guī)?；牧Ⅲw數(shù)據(jù)處理 。例如，一幅圖像包含多個對象，不同的對象或?qū)ο蠼M合可能承載了不同的語義；對不同的用戶而言，其感興趣并“注意”的內(nèi)容不同，因此，雖然這幅圖像以相同的形貌呈現(xiàn)在用戶面前，但不同用戶對其語義的理解會不同。目前涌現(xiàn)出來了一批新型光學成像技術(shù)，能夠?qū)崟r地研究大范圍、多尺度、活體大腦皮層的功能與形態(tài)，提供了將層次性與整體性結(jié)合起來研究的技術(shù)手段。 Gestalt 心理學理論在宏觀上強調(diào)知覺組織的整體化效應。 項目名稱： 數(shù)字媒體理解的理論與方法研究 首席科學家： 李波 北京航空航天大學 起止年限： 2020 年 1 月 2020 年 8 月 依托部門： 中華人民共和國工業(yè)和信息化部 一、研究內(nèi)容 擬解決的關(guān)鍵科學問題 針對數(shù)字媒體理解存在的媒體對象復雜性、媒體數(shù)據(jù)規(guī)?；?、應用需求多樣化等挑戰(zhàn)問題，本項目根據(jù) 人類媒體 認知的特點、媒體對象固有的特性和媒體計算應有的特征