研究方向概述
人工智能与计算机视觉: 零样本学习，多智能体轨迹预测，图像分析与识别，跨模态表征，医学影像分析，生物特征识别，信息安全，智能金融票据及证卡鉴伪与识别。
智能机器人: 看护机器人，金融机器人和工业机器人，防伪溯源，标签及数字版权防伪。
信息安全: 信息安全：恶意软件检测、对抗样本攻防、加密流量分析。
嵌入式系统: 软硬件开发设计、轻量化ARM算法优化、FPGA数据采集、接口逻辑设计、高性能数字信号处理、Linux和安卓软件开发等。
机器学习与数据挖掘
机器学习是人工智能的核心问题之一，实验室在机器学习方向开展深入研究，尤其是深度学习网络结构、迁移学习、强化学习、生成式对抗网络、深度神经网络可解释性与泛化性理论等方面取得不少成果，已应用到图像修复、图像翻译、概念漂移检测、字符识别和信息安全等领域。同时，我们也开展数据挖掘方向的研究，在数据的稀疏表示、多层级聚类、图模型以及小波多尺度分析等方面提出新模型和算法，应用到数据去噪、数据拟合和数据聚类等方面。
零样本学习
零样本学习是指在没有训练样本的情况下，通过学习类别的语义信息，如属性、语义向量、WordNet等，将每个类别表示为一个向量，然后通过计算新类别和每个已知类别的相似度来进行分类，避免了需要对每个类别都有大量标注数据的问题。实验室在零样本学习方向开展大量研究，聚焦属性分布问题，利用每个类别的高阶语义信息，实现从可见类到未见类的知识迁移。
多智能体轨迹预测
多智能体轨迹预测旨在通过智能体在一段观测时间段内的观测轨迹、以及视频的上下文信息，考虑智能体之间或智能体和场景间潜在的交互行为，预测他们在该场景中未来一段时间内所有可能的未来轨迹。相关研究可被应用于视频行为分析、机器人导航、自动驾驶、等计算机视觉、行为分析以及智慧社区等实际场景。
图像细粒度分析与识别
图像细粒度分析与识别利用图像中的局部判别性区域, 完成同一大类别下视觉差异极小的细粒度子类别识别，实现目标的精细化分类。相比传统的基础类别图像，细粒度图像具有相似的外观和特征，加之采集中存在姿态、视角、光照、遮挡等干扰的影响，数据往往呈现出较大的子类内差异、较小的子类间差异，导致分类更加困难。相关研究可应用于军事目标检测、海关边检、农林农业、无人零售等领域。
跨模态表征
跨模态表征旨在利用不同模态数据之间的互补性，剔除模态之间的冗余，从而获得更为有效的特征表示，提高训练模型的准确性和鲁棒性。本实验室围绕多模态数据的异构特性展开研究并取得显著理论成果，并针对跨模态检索、多模态或多视角学习等内容开发鲁棒算法，成果应用于视频监控、推荐系统等领域。
信息安全
实验室围绕信息安全中对抗样本攻防、恶意软件检测两个方向展开研究。对抗样本是一类被恶意设计用于攻击深度学习模型的样本，严重威胁深度学习在安全敏感性领域的应用。恶意软件通常会利用移动智能终端上普遍存在的网络连接，实现敏感信息的窃取并牟取非法利益，严重危害个人财产及公共安全。实验室就对抗样本生成理论、恶意软件检测进行深入研究，成功在手写签名识别，电子安防等领域落地相关技术，并提出了轻量级设备端模型，在学术界工业界受到了广泛的认可。
医学影像分析
医学影像是现代医学诊疗的重要依据，其处理和分析理解是人工智能的重要研究方向。实验室在医学影像中脑组织的分割，视网膜血管分割、肿瘤分割、MRI超分辨率进行了长期的研究；并通过与医院合作，在MRI以及fMRI的多模态影像进行疾病分析和预测等方面进行深入研究。