发布时间：
很多同学在选择专业的时候，就希望能找一些设计人工智能领域的专业，那你知道人工智能领域都涉及的那些专业吗?下面是我为大家收集的关于人工智能领域涉及的专业，希望可以帮助大家。
更多专业相关内容推荐↓↓↓
就业前景好的10大专业排名
2022工资高的专业推荐
高考专业怎么选择最好
选专业要不要服从调剂
人工智能领域涉及的专业
1.计算机科学与技术
人工智能离不开计算机的支持，人工智能本身也算是计算机学科的一个分支。计算机是一个比较传统的专业，发展方向可以有硬件类、软件类、网络管理类等，可以说计算机科学与技术是工科之母，涉及面非常广。
2.软件工程
软件工程专业也是计算机大类专业之一，该专业开设时间比较久，与人工智能的课程体系设置比较接近，而且软件工程也有专门的人工智能方向。这个专业侧重软件技术的开发和应用，课程上更重视编程语言和技术平台的学习，专业性比较强，知识结构较为集中，就业会比较理想。
3.数据科学与大数据技术
大数据算是计算机科学与技术与数学、统计学的交叉学科，会涉及到人工智能的相关课程，该专业要求对数据库、程序设计、计算机网络都有足够了解，通过一些列操作从而获取、储存、分析数据。在信息化时代，大数据有着非常重要的应用，适用于各行业。
4.机器人工程
机器人是一种用最快速和最大精度自动执行一个或多个复杂任务的工具，需要软件、硬件协同发展。机器人工程与人工智能都是用信息技术去模拟人类，只不过机器人工程更侧重硬件方向。
5.智能科学与技术
智能科学与技术本身也属于计算机类，开设时间较早，很多学校都有了较为成熟的 教育 体系，研究方向也是人工智能方向。这个专业应用于控制机器人，将计算机、自动化、智能系统融为一体，工程性和实践性很强。这个专业本身对成绩要求也比较高，当然未来的发展也是无可限量。
6.机械设计及其自动化
机械设计及其自动化的目的就是让机器、设备、仪器等按照预定程序进行生产活动，这与人工智能不谋而合。本身这个专业就是“万金油”专业，可以应用在各个领域，就业无压力。
这六个专业与人工智能有着密切联系，都是当下的热门专业，就业面广，薪酬待遇普遍不错，很值得报考。
人工智能专业学什么
主要课程：公共必修课、通识教育课、数学与自然科学基础课、数据结构与算法、计算机组成原理、计算机 操作系统 、程序设计基础、最优化算法、计算机视觉与模式识别、自然语言处理、计算机网络、数据库原理及应用、机器学习、分布式并行计算、数字逻辑、脑与认知科学。
需要数学基础：高等数学，线性代数，概率论数理统计和随机过程，离散数学，数值分析。
其次需要算法的积累：人工神经网络，支持向量机，遗传算法等等算法;当然还有各个领域需要的算法，比如你要让机器人自己在位置环境导航和建图就需要研究SLAM;总之算法很多需要时间的积累;
然后，需要掌握至少一门编程语言，毕竟算法的实现还是要编程的;如果深入到硬件的话，一些电类基础课必不可少。
人工智能专业就业方向 有哪些
1、搜索方向，例如百度识图、作业帮搜题等。视频搜索也是搜索领域进一步研究的方向;
2、计算机视觉和模式识别方向，其应用领域包括智能办公、智能交通、智慧城市等等;
3、医学图像处理，医疗设备和医疗器械很多都会涉及到图像处理和成像技术。
4、无人驾驶领域，是人工智能重点应用领域之一;
5、智慧生活和智慧城市等，包括交通、商业、生活的诸多领域将会出现人工智能的影子。
人工智能专业掌握的知识能力
1.掌握数学、物理、计算机等方面的基本理论和基本知识;
2.掌握计算机科学与技术等方面的基本理论、基本知识和基本技能与 方法 ;
3.了解相近专业的一般原理和知识;
4.掌握资料查询、文献检索及运用现代信息技术获取相关信息的基本方法;
5.具有一定的技术设计，归纳、整理、分析实验结果，撰写论文，参与学术交流的能力。
人工智能领域涉及的专业相关 文章 ：
★ 自动化专业最好的20所大学
★ 关于人工智能领域的大学论文
★ 关于人工智能领域的论文
★ 人工智能在军事上的应用论文(2)
★ vr虚拟现实技术期末论文
★ 计算机论文文献综述
★ 人工智能在军事上的应用论文
★ 电气工程自动化专科论文
★ 计算机软件工程浅析相关的论文(2)
★ 有关计算机视觉的课程论文
这两天在公司做PM实习，主要是自学一些CV的知识，以了解产品在解决一些在图像识别、图像搜索方面的问题，学习的主要方式是在知网检索了篇国内近3年计算机视觉和物体识别的硕博士论文。由于时间关系，后面还会继续更新图片相似度计算（以图搜图）等方面的学习成果 将这两天的学习成果在这里总结一下。你将会看到计算机视觉在解决特定物体识别问题（主要是卷积神经网络CNNs）的基础过程和原理，但这里不会深入到技术的实现层面。
计算机视觉（Computer vision）是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和计算机代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图像处理，用计算机处理成为更适合人眼观察或传送给仪器检测的图像。 ————维基百科 通常而言，计算机视觉的研究包括三个层次： （1）底层特征的研究： 这一层次的研究主要聚焦如何高效提取出图像对象具有判别性能的特征，具体的研究内容通常包括：物体识别、字符识别等 （2）中层语义特征的研究： 该层次的研究在于在识别出对象的基础上，对其位置、边缘等信息能够准确区分。现在比较热门的：图像分割；语义分割；场景标注等，都属于该领域的范畴 （3）高层语义理解： 这一层次建立在前两层的基础上，其核心在于“理解”一词。 目标在于对复杂图像中的各个对象完成语义级别的理解。这一层次的研究常常应用于：场景识别、图像摘要生成及图像语义回答等。 而我研究的问题主要隶属于底层特征和中层语义特征研究中的物体识别和场景标注问题。
人类的视觉工作模式是这样的： 首先，我们大脑中的神经元接收到大量的信息微粒，但我们的大脑还并不能处理它们。 于是接着神经元与神经元之间交互将大量的微粒信息整合成一条又一条的线。 接着，无数条线又整合成一个个轮廓。 最后多个轮廓累加终于聚合我们现在眼前看到的样子。 计算机科学受到神经科学的启发，也采用了类似的工作方式。具体而言，图像识别问题一般都遵循下面几个流程
（1）获取底层信息。获取充分且清洁的高质量数据往往是图像识别工作能否成功的关键所在 （2）数据预处理工作，在图像识别领域主要包括四个方面的技术：去噪处理（提升信噪比）、图像增强和图像修复（主要针对不够清晰或有破损缺失的图像）；归一化处理（一方面是为了减少开销、提高算法的性能，另一方面则是为了能成功使用深度学习等算法，这类算法必须使用归一化数据）。 （3）特征提取，这一点是该领域的核心，也是本文的核心。图像识别的基础是能够提取出足够高质量，能体现图像独特性和区分度的特征。 过去在10年代之前我们主要还是更多的使用传统的人工特征提取方法，如PCA\LCA等来提取一些人工设计的特征，主要的方法有（HOG、LBP以及十分著名的SIFT算法）。但是这些方法普遍存在（a）一般基于图像的一些提层特征信息（如色彩、纹理等）难以表达复杂的图像高层语义，故泛化能力普遍比较弱。（b）这些方法一般都针对特定领域的特定应用设计，泛化能力和迁移的能力大多比较弱。 另外一种思路是使用BP方法，但是毕竟BP方法是一个全连接的神经网络。这以为这我们非常容易发生过拟合问题（每个元素都要负责底层的所有参数），另外也不能根据样本对训练过程进行优化，实在是费时又费力。 因此，一些研究者开始尝试把诸如神经网络、深度学习等方法运用到特征提取的过程中，以十几年前深度学习方法在业界最重要的比赛ImageNet中第一次战胜了SIFT算法为分界线，由于其使用权重共享和特征降采样，充分利用了数据的特征。几乎每次比赛的冠军和主流都被深度学习算法及其各自改进型所占领。其中，目前使用较多又最为主流的是CNN算法，在第四部分主要也研究CNN方法的机理。
上图是一个简易的神经网络，只有一层隐含层，而且是全连接的（如图，上一层的每个节点都要对下一层的每个节点负责。）具体神经元与神经元的作用过程可见下图。
在诸多传统的神经网络中，BP算法可能是性能最好、应用最广泛的算法之一了。其核心思想是：导入训练样本、计算期望值和实际值之间的差值，不断地调整权重，使得误差减少的规定值的范围内。其具体过程如下图：
一般来说，机器学习又分成浅层学习和深度学习。传统的机器学习算法，如SVM、贝叶斯、神经网络等都属于浅层模型，其特点是只有一个隐含层。逻辑简单易懂、但是其存在理论上缺乏深度、训练时间较长、参数很大程度上依赖经验和运气等问题。 如果是有多个隐含层的多层神经网络（一般定义为大于5层），那么我们将把这个模型称为深度学习，其往往也和分层训练配套使用。这也是目前AI最火的领域之一了。如果是浅层模型的问题在于对一个复杂函数的表示能力不够，特别是在复杂问题分类情况上容易出现分类不足的弊端，深度网络的优势则在于其多层的架构可以分层表示逻辑，这样就可以用简单的方法表示出复杂的问题，一个简单的例子是： 如果我们想计算sin(cos(log(exp(x))))， 那么深度学习则可分层表示为exp(x)—>log(x)—>cos(x)—>sin(x)
图像识别问题是物体识别的一个子问题，其鲁棒性往往是解决该类问题一个非常重要的指标，该指标是指分类结果对于传入数据中的一些转化和扭曲具有保持不变的特性。这些转化和扭曲具体主要包括了： （1）噪音（2）尺度变化（3）旋转（4）光线变化（5）位移
该部分具体的内容，想要快速理解原理的话推荐看[知乎相关文章] ( )， 特别是其中有些高赞回答中都有很多动图和动画，非常有助于理解。 但核心而言，CNN的核心优势在于 共享权重 以及 感受野 ，减少了网络的参数，实现了更快的训练速度和同样预测结果下更少的训练样本，而且相对于人工方法，一般使用深度学习实现的CNN算法使用无监督学习，其也不需要手工提取特征。
CNN算法的过程给我的感觉，个人很像一个“擦玻璃”的过程。其技术主要包括了三个特性：局部感知、权重共享和池化。
CNN中的神经元主要分成了两种： （a）用于特征提取的S元，它们一起组成了卷积层，用于对于图片中的每一个特征首先局部感知。其又包含很关键的阈值参数（控制输出对输入的反映敏感度）和感受野参数（决定了从输入层中提取多大的空间进行输入，可以简单理解为擦玻璃的抹布有多大） （b）抗形变的C元，它们一起组成了池化层，也被称为欠采样或下采样。主要用于特征降维，压缩数据和参数的数量，减小过拟合，同时提高模型的容错性。 （c*）激活函数，及卷积层输出的结果要经过一次激励函数才会映射到池化层中，主要的激活函数有Sigmoid函数、Tanh函数、ReLU、Leaky ReLU、ELU、Maxout等。
也许你会抱有疑问，CNN算法和传统的BP算法等究竟有什么区别呢。这就会引出区域感受野的概念。在前面我们提到，一个全连接中，较高一层的每个神经元要对低层的每一个神经元负责，从而导致了过拟合和维度灾难的问题。但是有了区域感受野和，每个神经元只需要记录一个小区域，而高层会把这些信息综合起来，从而解决了全连接的问题。
了解区域感受野后，你也许会想，区域感受野的底层神经元具体是怎么聚合信息映射到上一层的神经元呢，这就要提到重要的卷积核的概念。这个过程非常像上面曾提到的“神经元与神经元的联系”一图，下面给大家一个很直观的理解。
上面的这个过程就被称为一个卷积核。在实际应用中，单特征不足以被系统学习分类，因此我们往往会使用多个滤波器，每个滤波器对应1个卷积核，也对应了一个不同的特征。比如：我们现在有一个人脸识别应用，我们使用一个卷积核提取出眼睛的特征，然后使用另一个卷积核提取出鼻子的特征，再用一个卷积核提取出嘴巴的特征，最后高层把这些信息聚合起来，就形成了分辨一个人与另一个人不同的判断特征。
现在我们已经有了区域感受野，也已经了解了卷积核的概念。但你会发现在实际应用中还是有问题： 给一个100 100的参数空间，假设我们的感受野大小是10 10，那么一共有squar（1000-10+1）个，即10的六次方个感受野。每个感受野中就有100个参数特征，及时每个感受野只对应一个卷积核，那么空间内也会有10的八次方个次数，，更何况我们常常使用很多个卷积核。巨大的参数要求我们还需要进一步减少权重参数，这就引出了权重共享的概念。 用一句话概括就是，对同一个特征图，每个感受野的卷积核是一样的，如这样操作后上例只需要100个参数。
池化是CNN技术的最后一个特性，其基本思想是： 一块区域有用的图像特征，在另一块相似的区域中很可能仍然有用。即我们通过卷积得到了大量的边缘EDGE数据，但往往相邻的边缘具有相似的特性，就好像我们已经得到了一个强边缘，再拥有大量相似的次边缘特征其实是没有太大增量价值的，因为这样会使得系统里充斥大量冗余信息消耗计算资源。 具体而言，池化层把语义上相似的特征合并起来，通过池化操作减少卷积层输出的特征向量，减少了参数，缓解了过拟合问题。常见的池化操作主要包括3种： 分别是最大值池化（保留了图像的纹理特征）、均值池化（保留了图像的整体特征）和随机值池化。该技术的弊端是容易过快减小数据尺寸，目前趋势是用其他方法代替池化的作用,比如胶囊网络推荐采用动态路由来代替传统池化方法，原因是池化会带来一定程度上表征的位移不变性，传统观点认为这是一个优势，但是胶囊网络的作者Hinton et al.认为图像中位置信息是应该保留的有价值信息，利用特别的聚类评分算法和动态路由的方式可以学习到更高级且灵活的表征，有望冲破目前卷积网络构架的瓶颈。
CNN总体来说是一种结构，其包含了多种网络模型结构，数目繁多的的网络模型结构决定了数据拟合能力和泛化能力的差异。其中的复杂性对用户的技术能力有较高的要求。此外，CNN仍然没有很好的解决过拟合问题和计算速度较慢的问题。
该部分的核心参考文献： 《深度学习在图像识别中的应用研究综述》郑远攀,李广阳,李晔.[J].计算机工程与应用,2019,55(12):20-36. 深度学习技术在计算机图像识别方面的领域应用研究是目前以及可预见的未来的主流趋势，在这里首先对深度学习的基本概念作一简介，其次对深度学习常用的结构模型进行概述说明，主要简述了深度信念网络（DBN）、卷积神经网络（CNN）、循环神经网络（RNN）、生成式对抗网络（GAN）、胶囊网络（CapsNet）以及对各个深度模型的改进模型做一对比分析。
深度学习按照学习架构可分为生成架构、判别架构及混合架构。 其生成架构模型主要包括： 受限波尔兹曼机、自编码器、深层信念网络等。判别架构模型主要包括：深层前馈网络、卷积神经网络等。混合架构模型则是这两种架构的集合。深度学习按数据是否具有标签可分为非监督学习与监督学习。非监督学习方法主要包括：受限玻尔兹曼机、自动编码器、深层信念网络、深层玻尔兹曼机等。 监督学习方法主要包括：深层感知器、深层前馈网络、卷积神经网络、深层堆叠网络、循环神经网络等。大量实验研究表明，监督学习与非监督学习之间无明确的界限，如：深度信念网络在训练过程中既用到监督学习方法又涉及非监督学习方法。
[1]周彬. 多视图视觉检测关键技术及其应用研究[D].浙江大学,2019. [2]郑远攀,李广阳,李晔.深度学习在图像识别中的应用研究综述[J].计算机工程与应用,2019,55(12):20-36. [3]逄淑超. 深度学习在计算机视觉领域的若干关键技术研究[D].吉林大学,2017. [4]段萌. 基于卷积神经网络的图像识别方法研究[D].郑州大学,2017. [5]李彦冬. 基于卷积神经网络的计算机视觉关键技术研究[D].电子科技大学,2017. [6]李卫. 深度学习在图像识别中的研究及应用[D].武汉理工大学,2014. [7]许可. 卷积神经网络在图像识别上的应用的研究[D].浙江大学,2012. [8]CSDN、知乎、机器之心、维基百科
《计算机视觉教程》笔记 编著：章毓晋（清华大学电子工程系） 出版社：人民邮电出版社 出版时间： 图像数据文件的格式有很多种，不同的系统平台和软件常使用不同的图像文件格式。 介绍4种应用比较广泛的图像文件格式： BMP格式是Windows环境中的一种标准（但很多Macintosh应用程序不支持它），它的全称是Microsoft设备独立位图（DIB）。 BMP图像文件也称位图文件，其中包括3部分内容： 一个位图文件只能存放一幅图像。位图文件头长度固定为54个字节，它给出图像文件的类型、大小和位图阵列的起始位置等信息。位图信息给出图像的长和宽、每个像素的位数（可以是 1、4、8 和24，分别对应单色、16色、256色和真彩色的情况）、压缩方法、目标设备的水平和垂直分辨率等信息。位图阵列给出原始图像里每个像素的值（每3个字节表示一个像素，分别是蓝、绿、红的值），它的存储格式有压缩（仅用于16色和256色图像）和非压缩两种。 GIF 格式是一种公用的图像文件格式标准，它是 8 位文件格式（一个像素一个字节），所以最多只能存储256色图像。 GIF文件中的图像数据均为压缩过的。GIF文件结构较复杂，一般包括7个数据单元：文件头、通用调色板、图像数据区，以及4个补充区。其中，表头和图像数据区是不可缺少的单元。 一个 GIF 文件中可以存放多幅图像（这个特点对实现网页上的动画非常有利），所以文件头中包含适用于所有图像的全局数据和仅属于其后那幅图像的局部数据。当文件中只有一幅图像时，全局数据和局部数据一致。存放多幅图像时，每幅图像集中成一个图像数据块，每块的第一个字节是标识符，指示数据块的类型（可以是图像块、扩展块或文件结束符）。 TIFF格式是一种独立于操作系统和文件系统的格式（在Windows环境和Macintosh机上都可使用），便于在软件之间进行图像数据交换。 TIFF图像文件包括文件头（表头）、文件目录（标识信息区）和文件目录项（图像数据区）。文件头只有一个，且在文件前端。它给出数据存放顺序、文件目录的字节偏移信息。文件目录给出文件目录项的个数信息，并有一组标识信息，给出图像数据区的地址。文件目录项是存放信息的基本单位，也称为域。从类别上讲，域的种类主要包括基本域、信息描述域、传真域、文献存储和检索域5类。 TIFF 格式的描述能力很强，可制定私人用的标识信息。TIFF 格式支持任意大小的图像，文件可分为 4 类：二值图像、灰度图像、调色板彩色图像和全彩色图像。一个 TIFF 文件中可以存放多幅图像，也可存放多份调色板数据。 JPEG 格式源自对静止灰度或彩色图像的一种压缩标准JPEG，在使用有损压缩方式时可节省的空间是相当大的，目前数码相机中均使用这种格式。 JPEG 标准只是定义了一个规范的编码数据流，并没有规定图像数据文件的格式。Cube Microsystems公司定义了一种JPEG文件交换格式（JFIF）。 JFIF图像是一种使用灰度表示或使用Y，Cb，Cr分量彩色表示的JPEG图像。它包含一个与JPEG兼容的文件头。一个JFIF文件通常包含单个图像，图像可以是灰度的（其中的数据为单个分量），也可以是彩色的（其中的数据是Y，Cb，Cr分量）。Y，Cb，Cr分量与常见的R，G，B三原色的关系如下： TIFF 也支持用JPEG压缩的图像，TIFF文件可以包含直接DCT的图像，也可以包含无损JPEG图像，还可以包含用JPEG编码的条或块的系列（这样允许只恢复图像的局部而不用读取全部内容）。
目前，公认的计算机视觉三大会议分别为ICCV,ECCV,CVPR。1、ICCV ICCV的全称是 IEEE International Conference on Computer Vision，国际计算机视觉大会，是计算机视觉方向的三大顶级会议之一，通常每两年召开一次，2005 年 10 月曾经在北京召开。会议收录论文的内容包括：底层视觉与感知，颜色、光照与纹理处理，分割与聚合，运动与跟踪，立体视觉与运动结构重构，基于图像的建模，基于物理的建模，视觉中的统计学习，监控，物体、事件和场景的识别，基于视觉的图形学，图片和的获取，性能评估，具体应用等。ICCV是计算机视觉领域最高级别的会议，会议的论文集代表了计算机视觉领域最新的发展方向和水平。会议的收录率较低，以 2007 年为例，会议共收到论文1200余篇，接受的论文仅为244篇。会议的论文会被 EI 检索。2、ECCVECCV的全称是Europeon Conference on Computer Vision，两年一次，是计算机视觉三大会议（另外两个是ICCV和CVPR）之一。很明显，ECCV是一个欧洲会议，欧洲人一般比较看中理论，但是从最近一次会议来看，似乎大家也开始注重应用了，oral里面的demo非常之多，演示效果很好，让人赏心悦目、叹为观止。不过欧洲的会有一个不好，就是他们的人通常英语口音很重，有些人甚至不太会说英文，所以开会和交流的时候，稍微有些费劲。3、CVPRCVPR的全称是Internaltional Conference on Computer Vision and Pattern Recogintion。这是一个一年一次的会议，举办地从来没有出过美国，因此想去美国旅游的同学不要错过。正如它的名字一样，这个会上除了视觉的文章，还会有不少模式识别的文章，当然两方面的结合自然也是重点。
会议是人们为了解决某个共同的问题或出于不同的目的聚集在一起进行讨论、交流的活动，而会 议论文 格式就是指进行论文写作时的样式要求，以及写作标准。我整理了会议论文的格式，欢迎阅读! 会议论文的格式 1、题目：应简洁、明确、有概括性，字数不宜超过20个字。 2、摘要：要有高度的概括力，语言精练、明确，中文摘要约100—200字; 3、关键词：从论文标题或正文中挑选3～5个最能表达主要内容的词作为关键词。 4、目录：写出目录，标明页码。 5、正文： 论文正文字数一般应在3000字以上。 论文正文：包括前言、本论、结论三个部分。 前言(引言)是论文的开头部分，主要说明论文写作的目的、现实意义、对所研究问题的认识，并提出论文的中心论点等。前言要写得简明扼要，篇幅不要太长。 本论是论文的主体，包括研究内容与 方法 、实验材料、实验结果与分析(讨论)等。在本部分要运用各方面的研究方法和实验结果，分析问题，论证观点，尽量反映出自己的科研能力和学术水平。 结论是论文的收尾部分，是围绕本论所作的结束语。其基本的要点就是 总结 全文，加深题意。 6、谢辞：简述自己通过做论文的体会，并应对指导教师和协助完成论文的有关人员表示谢意。 7、参考文献：在论文末尾要列出在论文中参考过的专著、论文及其他资料，所列参考文献应按文中参考或引证的先后顺序排列。 8、注释：在论文写作过程中，有些问题需要在正文之外加以阐述和说明。 9、附录：对于一些不宜放在正文中，但有参考价值的内容，可编入附录中。 关于会议的论文 范文 电视会议技术发展 摘要 本文以视频会议系统组成，介绍了视频会议的协议标准、编解码标准及 网络技术 ，并对视频会议技术的发展前景进行了简单分析。 关键词 视频会议系统;视频会议技术;发展趋势 中图分类号TN91 文献标识码A 文章 编号 1674-6708(2012)68-0184-02 电视会议是通过电视和通信网络在两个或者多个地点之间举行的虚拟会议，它通过各种设备传送图像、声音以达到交流的目的，还可以通过白板发表意见;同时还能够观察与会人员的表情、动作、形象等，在会议效果上几乎等同于现场会议。电视会议适应了信息化时代便利、快速的特点，支持了远距离人们之间进行信息共享与交流，越来越多的公司、企业以及政府部门开始应用电视会议技术。 1 电视会议系统组成 电视会议系统主要由终端设备、传输设备、节点交换设备、附属备件等组成。1)终端设备。终端设备主要是完成信号发送与接收任务的，它将信息、音频、视频等各种信号进行处理之后组合成数据码流，再将数据码流进行信号格式转变，使其能够进行传输。终端设备主要有电视机、麦克风、控制切换设备、图像处理设备、编译码器、调制调解器等;2)传输设备。传输设备是经过终端设备加工后传输语音信号、图像信号的信道，主要有数字微波、卫星、电缆、ISDN网络、光缆、DDN专线等信道;3)节点交换设备。节点交换设备也就是多点控制单元。当有多方共同举行电视会议的时候，必须要使用节点交换设备将终端设备发出的信息、音频、视频等信号转换成为同一种模式的信号格式，然后再进行分配。节点交换设备就像一台交换机，将来自各个会场的信息流进行同步分离，将信息、音频、视频等数据抽取出来完成切换或者混合，最后将各个会场所需要的信息进行重新组合，送往对应会场的终端设;4)相关的附属备件。包括计算机监视器、放映机、白板、录像机、投影仪等。 2 电视会议技术发展 协议标准 随着视频会议系统市场需求的旺盛，越来越多的企业从事这方面的生产与研究工作，为了有效解决不同厂家生产的产品之间的互通问题，国家电信联盟自20世纪90年代便开始制定全球统一的视频会议标准。制定的主要保准有用于ISDN上的协议，用于局域网桌面上的协议，用于电话网上的协议，用于B-ISDN与ATM网络上的协议，还有视频编解码标准、、、、等。其中，协议与协议是最为成熟的技术，现在，是目前世界上应用最广泛的协议标准。 编解码技术 在各种信号的传输当中，视频信号的传输占用的带宽比较多，编解码技术是减少带宽一个关键环节。目前视频编解码的保准主要有两个，一个是国际标准化组织制定的MPEG系列，另一个是国际电信联盟制定的系列。MPEG系列主要有MPEG-1、MPEG-2以及MPEG-4等;系列主要有、以及等。国际电信联盟于2005年推出的因其低码率，尤其是高达102:1的数据压缩比，在视频编解码技术中得到广泛应用。当前，也正在研发制定阶段，它的压缩比率甚至比要高1倍以上，而且对编码与解码过程的计算量没有明显的影响。随着技术的不断发展，人们也正在将计算机视觉以及图形图像的识别、理解技术等相关内容融入至压缩编码算法当中。这些新算法、新理论正在不断促使着信息处理技术前进与完善，从而推动了电视会议技术的发展。 网络技术 目前，使用比较多的网络有ATM网、IP技术、宽带智能网。1)从网络技术的发展趋势来讲， IP技术的应用已经成为一个新的发展趋势。多媒体网络的一个发展趋势技术IP技术，尤其是IPV6技术更是进一步增加了IP的地址空间，具有了动态地分配网络地址与支持实时业务的功能，使IP层安全因素得到大大增加;2)宽带智能网突破了ATM网的局限，具备一些ATM网没有的功能，实现了将业务控制和信息传输分离开来的目标，而且系统的扩展性与相容性也比较好;3)ATM具有面向连接、延时小、吞吐量大、端口速率高等许多的优点，多媒体通信需求得到完全满足。但是设备的花费比较高，还要受到ATM网络的限制，如果没有ATM网则无法使用。因此，具体选择哪种网络技术方式来举行电视会议，要从工作效率、管理水平以及管理费用等方面进行综合考虑。 3 视频会议发展趋势 高清视频 由于交互式多媒体电视会议技术的时效性、可靠性以及传输载体质量与数量的不断提高，音频、视频传输也会更加逼真、清晰。同时接入方式的多样化，能够兼容不同速率、不同标准、不同厂家生产的各类终端。诸多的优点，使得多媒体电视会议技术有着更广阔的市场前景。 云视频会议 云计算技术的运用，使云视频会议具有高保真音频以及高清晰视频，数据可以同步传送，实现了协同操作;只要有网络与终端，就可以支持万人以上甚至数十万人同时举行会议。虽然云视频会议具有诸多的优点，但是性能的稳定性阻碍了其发展前进的脚步，所以安全系数高、简单易用、稳定性强等性能过硬的产品是厂家研究方向的重点，而不是研发更多的功能。 三网融合 三网融合指的是互联网、广播电视网、电信网的融合，将三者进行整合使其成为统一的相互兼容、相互渗透的信息同信网络，这就意味着视频会议将会不再受制于带宽的限制，实现成本较低的高数据流。三网融合也使手机屏、电脑屏以及电视屏统一起来，从而使会议地点不再局限于会议室内。 4 结论 近几年来视频会议技术发展飞快，技术不断成熟，音音频与视频传输质量有了大幅度提高，安全性与稳定性也有了长足的进步。随着云计算机的应用以及三网的融合，更是对视频会议的发展起到了推波助澜的作用。由此可以看出。视频会议技术的发展前景充满希望，以后会逐步地向集约化、简单化的方向发展，更贴近大众市场。 参考文献 [1]倪奇志，李文，苗军.SRIO联手DSP阵列创完美电视会议系统[J].信息系统工程，2008(9). [2]__钢. Pro/ENGINEER中创建尺寸阵列特征的思路及方法[J].CAD/CAM与制造业信息化，2007(1). [3]“点对点”迈向“多点”——桌面电视会议技术新应用[J].中国计算机用户，2007(42). [4]王玲，徐正雄，廖晓斌，王佳.电视会议技术的组成方法研究[J].解放军医院管理杂志，2009(2).看了“会议论文的格式”的人还看：1. ei会议论文格式 2. 学术会议通知格式范文6篇 3. 学术论文标准格式规范 4. 学术论文写作标准格式要求 5. 发表学术论文格式要求
CVPR这两年变味了
cvpr论文是具有很强的影响力和很高的排名的论文，可以说是世界顶级型论文。
cvpr 全称IEEE Conference on Computer Vision and Pattern Recognition，中文翻译过来就是IEEE国际计算机视觉与模式识别会议，该会议是由IEEE举办的计算机视觉和模式识别领域的顶级会议。这是一个一年一次的会议，举办地从来没有出过美国，可以说是计算机视觉领域全球最具影响力、内容最全面的顶级学术会议。
cvpr录用标准相当严格，通常会议整体的录取率不超过25%，而口头报告的论文比例更只占5%不到。其会议的组织方是一个循环的志愿群体，其成员遴选一般会在某次会议召开的三年前进行。cvpr的审稿过程中会议的审稿方与投稿方均不知道对方的信息。而且一篇论文经常需要由三位审稿者进行审读。最后再由会议的领域主席(area chair)决定是否接收。
所以在各类学术会议统计中，cvpr也被认为有着很强的影响力和很高的排名。自然，cvpr论文的级别就可想而知了，cvpr论文什么级别，可以说其级别相当于顶级SCI期刊论文级别同等甚至更高。
PAMI：IEEE Transactions on Pattern Analysis and Machine Intelligence，IEEE 模式分析与机器智能杂志IJCV：International Journal on Computer Vision，国际计算机视觉杂志 TIP:IEEE Transactions on Image Processing，IEEE图像处理杂志CVIU：Computer Vision and Image Understanding，计算机视觉与图像理解PR：Pattern Recognition，模式识别PRL：Pattern Recognition Letters，模式识别快报
CVPR论文可以说是世界顶级水平论文。
图片来源于网络
CVPR是IEEE Conference on Computer Vision and Pattern Recognition的缩写，即IEEE国际计算机视觉与模式识别会议。该会议是由IEEE举办的计算机视觉和模式识别领域的顶级会议。这是一个一年一次的会议，举办地从来没有出过美国。正如它的名字一样，这个会上除了视觉的文章，还会有不少模式识别的文章，当然两方面的结合自然也是重点。
下面是前几年CVPR论文的接收情况：
图片来源于网络
cvpr录用标准相当严格，通常会议整体的录取率不超过25%，而口头报告的论文比例更只占5%不到。其会议的组织方是一个循环的志愿群体，其成员遴选一般会在某次会议召开的三年前进行。cvpr的审稿过程中会议的审稿方与投稿方均不知道对方的信息。而且一篇论文经常需要由三位审稿者进行审读。最后再由会议的领域主席决定是否接收。
在各种学术会议统计中，CVPR被认为有着很强的影响力和很高的排名。目前在中国计算机学会推荐国际学术会议的排名中，CVPR为人工智能领域的A类会议。
蔡自兴教授已在国内外发表论文和科技报告等860多篇。2010年： Zixing. Research on navigation control and cooperation of mobile robots (Plenary Lecture 1). 2010 Chinese Control and Decision Conference, New Century Grand Hotel, Xuzhou, China, May 26- 28, Zixing. Research on navigation control and cooperation of mobile robots (Plenary Lecture 1). 2010 Chinese Control and Decision Conference, New Century Grand Hotel, Xuzhou, China, May 26-28, . Chen Baifan,Zi-Xing Cai, Zhi-Rong Zou. A Hybrid Data Association Approach for Mobile Robot SLAM. International Conference on Control, Automation and Systems, October 27-30, 2010, KINTEX, Gyeonggi-do, KOREA (Accepted).4. Guo Fan,Cai Zixing, Xie Bin, Tang Jin. Automatic Image Haze Removal Based on Luminance Component. The International conference on Signal and Image Processing (SIP 2010).May 2010 (Accepted).5. Linai. Kuang,Zixing. System based Redeployment Scheme for Wireless Sensor Networks[C].In proceeding of 1st IET International Conference on Wireless Sensor Network. Beijing, China, November,. Lingli YU,Zixing CAI, A Study of Multi-Robot Stochastic Increment Exploration Mission Planning [J]. Frontiers of Electrical and Electronic Engineering in China, (Received).7. Liu Hui,Cai Zixing, and Wang Yong. Hybridizing particle swarm optimization with differential evolution for constrained numerical and engineering optimization. Applied Soft Computing, 2010,10(2): 629–. LIU Xian-ru,CAI Zi-xing. Advanced obstacles detection and tracking by using fusing radar and image sensor data. International Conference on Control, Automation and Systems，2010/10/27,. Liu Xianru,Cai zixing. Advanced obstacles detection and tracking by using fusing Radar and Image Sensor Data[C]. International Conference on Control, Automation and Systems. (October 27-30,2010, KINTEX, Gyeonggi-do, KOREA).10. Ren Xiaoping,Zixing Cai. Kinematics Model of Unmanned Driving Vehicle. Proceedings of the 8th World Congress on Intelligent Control and Automation, July 6-9 2010, Jinan, China, 2010: . Suqin Tang,Zixing Cai: Tourism Domain Ontology Construction from the Unstructured Text Documents. The 9th IEEE International Conference on Cognitive Informatics, Beijing, . Suqin Tang,Zixing Cai: Using the Format Concept Analysis to Construct the Tourism Information Ontology. The 2010 Seventh International Conference on Fuzzy Systems and Knowledge Discovery (FSKD'10)，Yantian, , . Tan Ping,Zixing Cai. An Adaptive Particle Filter Based on Posterior Distribution. Proceedings of the 8th World Congress on Intelligent Control and Automation, July 6-9 2010, Jinan, China, 2010: . Wang Yong,Cai Zixing, Zhang Qingfu. Differential evolution with composite trial vector generation strategies and control parameters. IEEE Transactions on Evolutionary Computation, Accept, regular . Wang Yong,Cai Zixing. Constrained evolutionary optimization by means of (mu+lambda)-differential evolution and improved adaptive trade-off model. Evolutionary Computation, in . Wang Yong, Combining multiobjective optimization with differential evolution to solve constrained optimization problems. IEEE Transactions on Evolutionary Computation, (regular paper, Accepted).17. Xianru Liu,Zixing Obstacles Detection and tracking by Fusing Millimeter Wave Radar and Image Sensor Data,International IEEE Intl Coference on Control,Automation and Systems , Korea, 2010, 22:. Xie Bin, Fan Guo,Zixing Cai. Improved Single Image Dehazing Using Dark Channel Prior and Multi-Scale Retinex. 2010 International Conference on Intelligent System Design and Engineering Application, Changsha, China, 2010. (Accepted) .19. YU Ling-li,CAI Zi-xing, GAO Ping-an, LIU Xiao-ying. A spatial orthogonal allocation and heterogeneous cultural hybrid algorithm for multi-robot exploration mission planning. Journal of control theory and applications (Received) .20.蔡自兴，陈白帆，刘丽珏. 智能科学基础系列课程国家级教学团队的改革与建设. 计算机教育，2010，（127）：40-44 .21.蔡自兴，任孝平，李昭.一种基于GPS/INS组合导航系统的车辆状态估计方法. , .蔡自兴。智能科学技术课程教学纵横谈. 计算机教育，2010，（127）：.蔡自兴，蒋冬冬，谭平，安基程。中快速运动估计算法的一种改进方案;计算机应用研究2010,27(4):.蔡自兴; 任孝平; 邹磊; 匡林爱. 一种簇结构下的多移动机器人通信方法.小型微型计算机系统,2010,31(3):. 陈爱斌，蔡自兴.一种基于目标和背景加权的目标跟踪方法,控制与决策，2010,25(8):. 陈爱斌;蔡自兴; 文志强; 董德毅. 一种基于预测模型的均值偏移加速算法. 信息与控制 2010,39(2): . 陈爱斌; 董德毅;杨勇;蔡自兴. 基于目标中心定位和NMI特征的跟踪算法.计算机应用与软件,2010,27(4):. 陈白帆，蔡自兴，刘丽珏. 人工智能课程的创新性教学探索——人工智能精品课程建设与改革. 计算机教育，2010，（127）：. 官东，蔡自兴，孔志周. 一种基于推荐证据理论的网格信任模型.系统仿真学报，2010，22（8）：.郭璠,蔡自兴,谢斌, 唐琎. 图像去雾技术研究综述与展望. 计算机应用, 2010, 30(9):. 郭璠,蔡自兴, 谢斌, 唐琎. 一种基于亮度分量的自动图像去雾方法. 中国图象图形学报. 2010年3月(录用).32. 江中央,蔡自兴,王勇. 一种新的基于正交实验设计的约束优化进化算法. 计算机学报, 2010，33（5）：. 江中央,蔡自兴,王勇.求解全局优化问题的混合自适应正交遗传算法.软件学报, 2010,21(6):. 匡林爱,蔡自兴. 基于遗传算法的无线传感器网络重新部署方法. 控制与决策，2010,25(9):. 匡林爱,蔡自兴.一种簇机构下的多移动机器人通讯方法.小型微型计算机系统.，2010，31（3）：. 匡林爱,蔡自兴.一种带宽约束的无线传感器网络节点调度算法.高技术通讯，2010,20(3):. 刘丽珏，蔡自兴，唐琎. 人工智能双语教学建设. 计算机教育，2010，（127）：. 刘献如，蔡自兴. 基于SAD与UKF-Mean shift的主动目标跟踪. 模式识别与人工智能，2010,23(5)：. 刘献如，蔡自兴. 结构化道路车道线的鲁棒检测与跟踪. 光电子.激光，2010，21(12):. 刘献如,蔡自兴.UKF 与Mean shift 相结合的实时目标跟踪.中南大学学报，2009年录用.41. 刘晓莹;蔡自兴; 余伶俐; 高平安. 一种正交混沌蚁群算法在群机器人任务规划中的应用研究. 小型微型计算机系统, 2010,31(1):. 蒙祖强，蔡自兴，黄柏雄. 课程交叉教学在应用型人才培养中的实践探索. 计算机教育，2010，（127）：. 潘薇;蔡自兴; 陈白帆. 复杂环境下多机器人协作构建地图的方法;四川大学学报(工程科学版) . 任孝平,蔡自兴,邹磊,匡林爱.“中南移动二号”多移动机器人通信系统.中南大学学报（自然科学版）,2010,41(4):. 任孝平,蔡自兴.四种虚拟力模型在传感器网络覆盖中的性能分析.信息与控制,2010，39（4）：. 任孝平;蔡自兴; 陈爱斌. 多移动机器人通信系统研究进展. 控制与决策 2010,(3): .唐素勤，蔡自兴，王驹，蒋运承: 基于gfp语义的描述逻辑系统FLE的有穷基,计算机研究与发展，2010,47(9):. 唐素勤，蔡自兴，王驹，蒋运承: 描述逻辑非标准推理, 模式识别与人工智能，2010,23(4)：. 肖赤心，蔡自兴，王勇. 字典序进化算法用于组合优化问题. 控制理论与应用，2010，27（4）：. 谢斌，蔡自兴. 基于MATLAB Robotics Toolbox的机器人学仿真实验教学. 计算机教育，2010，（127）：. 余伶俐,蔡自兴,谭平,段琢华.基于多模态Rao-Blackwellized进化粒子滤波器的移动机器人航迹推算系统的故障诊断. 控制与决策，2010，25（12）：. 余伶俐,蔡自兴,谭平,进化粒子滤波器对比研究及其在移动机器人故障诊断的应用. 信息与控制，2010，39（5）：. 余伶俐，蔡自兴，肖晓明. 智能控制精品课程建设与教学改革研究. 计算机教育，2010，（127）：. 余伶俐,焦继乐,蔡自兴. 一种多机器人任务规划算法及其系统实现. 计算机科学，2010，37（6）：.周涛;蔡自兴。 信息审计中短消息中心实验环境的仿真[J].科学技术与工程 2010,10(6): . 邹磊,蔡自兴,任孝平.一种基于虚拟力的自组织覆盖算法.计算机工程,2010,36(14):93-95 .2009年：57. Gao Ping-an,Cai Zi-xing. Evolutionary Computation Approach to Decentralized Multi-robot Task Allocation. Proc. of the 5th International Conference on Natural Computation, IEEE Computer Society, 2009,. Wang Yong,Cai Zixing, Zhou Yuren. Accelerating adaptive trade-off model using shrinking space technique for constrained evolutionary optimization, International Journal for Numerical Methods in Engineering, 2009, 77(11):. Wang Yong,Cai Zixing, Zhou Yuren, Fan Zhun. Constrained optimization based on hybrid evolutionary algorithm and adaptive constraint-handling technique, Structural and Multidisciplinary Optimization, 2009, 37(1): . Wang Yong,Cai Zixing. A hybrid multi-swarm particle swarm optimization to solve constrained optimization problems, Frontiers of Computer Science in China, 2009,3(1):. Wang Yong,Cai Zixing. Constrained evolutionary optimization by applying (mu+lambda)-differential evolution and improved adaptive trade-off model. Evolutionary Computation, . Liu Hui,Cai Zixing, and Wang Yong. Hybridizing particle swarm optimization with differential evolution for constrained numerical and engineering Soft Computing, 2010,10(2):629–. Liu Limei,Cai Zixing. An Improvement of Hough Transform for Building Feature . Limei Liu, Zixing Cai, Method Based on Uncertain Information of Sonar Sensor[C]. The 9th International Conference for Young Computer Scientists,2009,. YU Ling-li,CAI Zi-xing. Robot Detection Mission Planning Based on Heterogeneous Interactive Cultural Hybrid Algorithm. Proc. of the 5th International Conference on Natural . Ren Xiaoping,Cai Distributed Actor Deployment Algorithm for Maximum Connected Coverage in WSAN. Proc. of the 2009 Fifth International Conference on Natural Computation, 2009,. 王勇,蔡自兴,周育人,肖赤心.约束优化进化算法.软件学报, 2009,20(1): . 陈白帆,蔡自兴, 潘薇. 基于声纳和摄像头的动态环境地图创建方法.高技术通讯, 2009, 19(4): . 陈白帆,蔡自兴, 袁成. 基于粒子群优化的移动机器人SLAM方法研究.机器人, 2009, 31(6)：. 高平安,蔡自兴. 多移动机器人任务负载均衡分组规划方法.高技术通讯,2009, 19(5):. 高平安,蔡自兴. 一种基于多子群的动态优化算法.中南大学学报(自然科学版) 2009, 40(3): . 刘献如,;蔡自兴. 一种基于Integral Imaging和与模拟退火相结合的深度测量方法研究. 系统仿真学报. 2009，21(8)：2303~. 刘利枚，蔡自兴，潘薇.一种基于声纳信息的地图创建方法.计算机工程，2009，35（7）：. 余伶俐，蔡自兴. 基于异质交互式文化混合算法的机器人探测任务规划.机器人.2009, 31(2):. 余伶俐，蔡自兴，刘晓莹，高平安. 均分点蚁群算法在群集机器人任务规划中的应用研究[J].高技术通讯. 2009,19(10),. 余伶俐，蔡自兴. 改进混合离散粒子群的多种优化策略算法.中南大学学报,2009, 40(4): . 余伶俐，蔡自兴，高平安，刘晓莹. 当代学习自适应混合离散粒子群算法研究. 小型微型计算机系统. 2009, 30(9):. 余伶俐，蔡自兴. 基于当代学习离散粒子群的多机器人高效任务分配算法研究. 计算机应用研究. 2009, 26(5):.蔡自兴; 谢斌; 魏世勇; 陈白帆. 《机器人学》教材建设的体会. 2009年全国人工智能大会(CAAI-13)，北京：北京邮电大学出版社，252-255，2009年9月.80.蔡自兴，郭璠. 密码学虚拟实验平台的设计与实现.中国人工智能进展（2009），中国人工智能大会(CAAI-13)论文集，北京：北京邮电大学出版社，432-438，2009年9月.81.蔡自兴,任孝平,邹磊.分布式多机器人通信仿真系统.智能系统学报,2009,4(4): . 任孝平,蔡自兴.基于阿克曼原理的车式移动机器人运动学建模.智能系统学报, 2009,4(6);.蔡自兴; 任孝平; 邹磊. 分布式多机器人通信仿真系统.智能系统学报, 2009,4(4);. 文志强;蔡自兴. 一种目标跟踪中的模糊核直方图. 高技术通讯, 2009,19(2):.刘星宝;蔡自兴. 种子检测器刺激-应答变异算法研究. 高技术通讯, 2009,19(3):. 刘星宝;蔡自兴. 负选择算法中的检测器快速生成策略. 小型微型计算机系统, . 刘星宝;蔡自兴. 异常检测系统的漏洞分析.中南大学学报(自然科学版), . 潘薇;蔡自兴; 陈白帆. 一种非结构环境下多机器人构建地图的方法. 高技术通讯, . 孔志周;蔡自兴; 官东. 两种模糊密度确定方法的实验比较. 小型微型计算机系统, . 江中央;蔡自兴; 王勇. 用于全局优化的混合正交遗传算法. 计算机工程, . 肖赤心;蔡自兴; 王勇; 周经野. 一种基于佳点集原理的约束优化进化算法. 控制与决策, 2009-02-15 .92. 官东;蔡自兴; 孔志周. 一种基于网格技术的HLA分布仿真实现方法. 系统仿真学报, 2009,21(5):.刘慧;蔡自兴; 王勇. 基于佳点集的约束优化进化算法. 系统仿真学报, 2009-03-20 .94. 潘薇;蔡自兴; 陈白帆. 基于遗传算法的多机器人协作建图方法. 计算机应用研究, . 任孝平;蔡自兴; 卢薇薇. 一种基于扫描相关度的LSB算法. 计算机应用, .胡强;蔡自兴. 一种基于改造时钟系统的Linux实时化方案. 计算机工程, . 袁成;蔡自兴; 陈白帆. 粒子群优化的同时定位与建图方法. 计算机工程, . 王勇;蔡自兴. “智能优化算法及其应用”课程教学的实践与探索. 计算机教育, . 任孝平;蔡自兴; 卢薇薇. 网络可重构的多机器人仿真系统. 计算机应用研究, . 袁湘鹏;蔡自兴; 刘利枚. 基于声纳的移动机器人环境建图的设计与实现. 计算机应用研究, . 官东;蔡自兴; 孔志周.网格服务本体匹配算法研究. 小型微型计算机系统, 2009，30(8):. 邹磊;蔡自兴; 任孝平. 基于簇的多移动机器人通信系统. 计算机应用研究, .蔡自兴. 从严施教,精心育才,培养高素质人才. 计算机教育, . 肖晓明; 旷东林;蔡自兴. 单亲遗传算法种群初始化方法分析. 电脑与信息技术, . 刘丽珏; 陈白帆; 王勇; 余伶俐;蔡自兴. 精益求精建设人工智能精品课程. 计算机教育, . 陈爱斌;蔡自兴; 安基程. 一种基于摄像机视角的立体视觉定位方法.中南大学学报(自然科学版), . 唐素勤;蔡自兴; 江中央; 肖赤心. 用于求解约束优化问题的自适应佳点集进化算法. 小型微型计算机系统,2009,第9期，.胡扬;桂卫华;蔡自兴. 多元智能算法控制结构综述. 计算机科学, .蔡自兴. 《混沌系统的模糊神经网络控制理论与方法》评介. 计算技术与自动化, . 陈爱斌;蔡自兴; 安基程. 一种基于摄像机视角的立体视觉定位方法. 2009年中国智能自动化会议论文集（第六分册）[中南大学学报（增刊）], . 于金霞;蔡自兴; 段琢华. 复杂地形下移动机器人运动学建模研究. 2009中国控制与决策会议论文集（1）, . 刘献如，蔡自兴，杨欣荣. Integral Imaging与模拟退火相结合的深度测量方法研究. 系统仿真学报，2009,21（8）：2303－2307.
发表的主要论文及著作 发明专利名称：人工路标视觉导航方法.发明人：郭阳，方正，徐心和.专利号： 授权公告日：2008年2月20日 Yang Guo. A Novel Solution to the P4P Problem for an Uncalibrated Camera. Journal of Mathematical Imaging andVision. Vol. 45, No. 2, , 2013. Yang Guo. A Note on the Number of Solutions of the Coplanar P4P Problem. The 12th International Conference on Control Automation Robotics and Vision- ICARCV 2012, Guangzhou. December 5-7, pp. 1413-1418, 2012. Yang Guo. Closed-Form Solution to the Noncoplanar P4P Problem for Uncalibrated Camera. Applied Mechanics andMaterials. Vol. 145. pp. 6-10. 2012. 郭阳，张祥德，徐心和. 未标定摄像机非共面P4P问题的一种解析解. 计算机学报. Vol. 34, No. 4, pp. 748-753,Apr., 2011. 郭阳，张祥德. 未标定的非共面P4P解数的研究. 计算机工程与应用. Vol. 47, No. 27, pp. 168-171, 21-Sep. 2011. 郭阳，徐心和. 未标定摄像机P5P问题的一种解析解. 计算机学报.2007,30(7):1195-1200. 郭阳，徐心和.交比不变量在机器视觉中的误差分析及应用.东北大学学报(自然科学版).2007,28(8):1077-1080. Yang Guo, Xinhe Xu. Landmark Design Using Projective Invariant for Mobile Robot Localization. Proceedings of the 2006 IEEE International Conference on Robotics and Biomimetics. 2006,Vol. 2:852-857. Yang Guo, Zheng Fang, Xinhe Xu, An Analytic Solution of a Linear Camera Self-Calibration, Proceedings of the 6th world congress on control and automation,2006,12(12):9930-9934. Yang Guo, Xinhe Xu. Color Landmark Design for Mobile Robot Localization. IMACS Multiconference on “Computational Engineering in Systems Applications”(CESA),2006,Vol. II:1868-1874. 郭阳，徐心和.在基于形状信息的视觉识别中颜色信息的应用，仪器仪表学报，2006,27(6):758-759,增刊. 郭阳，房立金，张祥德，董滨. 新型四自由度并联机器人位姿误差分析. 机械科学与技术. 2001,. 郭阳，张继武，张祥德，郑全录. MRI图像信噪比提高技术. 生物医学工程学杂志. 2002,19(3):493-495. 郭阳，张祥德，赵明扬. 一种新型四自由度并联机器人运动学正问题的求解. 机械科学与技术. 2000,Vol. 19:140-143.
一．概况计算机应用技术专业现设有计算机应用技术的二级学科博士点和硕士点，其培养方式为硕士、博士、提前攻博等等。2002年获准国家立项的计算机应用技术重点学科，2003年获准建立计算机应用技术博士后流动站。硕士研究生学制3年，实行学分制，2005年招生规模为30人。博士研究生学制2年，实行学分制，2005年招生规模为12人。近年来，本学科先后获得211工程和国家重点学科经费资助，软硬件设施得到了根本改善，在主要研究方向已形成人才高地。二．学科研究方向介绍主要研究方向是计算智能与知识工程，包括问题求解商空间理论及其应用、基于商空间理论的粒度计算理论及其应用、构造性机器学习理论及其应用、优化理论与方法的研究、新的层次机器学习理论和方法的研究以及复杂系统的优化技术和方法等等，获得了一批原创性在国内外有重要影响的科研成果。三．专业课程设置1．学位课英语、科学社会主义理论与实践、自然辩证法概论、组合数学、算法设计分析、高级数据库系统、计算机科学数学理论、人工神经网络的理论及应用、人工智能高级教程、高级数据库技术等等2．非学位课并行计算、智能计算、计算机视觉、知识发现、专家系统及其开发环境、优化理论及方法、构造性学习理论与方法和数据仓库及数据采集等等四、学科导师队伍张铃：男，1937年5月生，福建福清人，1961年毕业于南京大学数学天文系.同年分配至安徽工作，先后在安徽四所大学任教。1993年调至安徽大学人工智能研究所，任所长、教授、博士生导师至今。1986年4月由讲师破格晋升为正教授，1988年被授予国家有突出贡献的中青年专家称号，1991年获享受国家特殊津贴待遇，先后被清华大学、浙江大学、同济大学和中科院智能所等单位聘为客座教授。获得荣誉称号：改革开放以来，获全国教育系统劳动模范等省级以上荣誉称号八次；先后获国家自然科学奖等省级以上学术奖励十次；1978年获安徽省首届科技大会成果奖；1984年获第六届ICL欧洲人工智能奖；1987年获国家教委科学技术进步一等奖；1991年获国家教委科学技术进步二等奖；1992年专著《问题求解理论及应用》获全国高等学校出版社优秀学术专著特等奖；1992年专著《新一代计算技术前沿的研究》获全国优秀科技图书一等奖；1993年获电子工业部科技进步一等奖；1995年获国家自然科学三等奖；1999年获“全国优秀科技图书奖”暨“科技进步奖（科技著作）”一等奖；1999年获安徽省自然科学二等奖。目前主要研究方向有：商空间粒度计算理论（这是目前国际上三大粒度计算理论之一）、智能计算、机器学习理论和方法等。程家兴：男，澳大利亚南澳大学博士，教授，现任安徽大学计算智能与信号处理教育部重点实验室主任，博士生导师，安徽省计算机学会常务理事，澳大利亚南澳大学SCG研究所研究员。主持和参加国家自然科学基金项目，国家自然科学基金中澳特别基金项目、教育部“优秀青年教师资助计划”项目、教育部博士点基金项目等。与澳大利亚南澳大学建立国际合作关系。研究方向：智能计算，算法分析与设计，最优化方法。获安徽省高校科技进步3等奖，安徽省第三届自然科学优秀学术论文2等奖.。目前，指导博士生5名，硕士生9名。主讲课程有具体数学，智能计算，优化理论与方法，组合数学以及本科生离散数学教学课程等。张燕平：女，出生，安徽巢湖人；1981年毕业于上海电力学院热工自动化专业； 1989年作为合肥工业大学微机应用研究所研究生获工学硕士；2000年9月至2003年7月在职读博士研究生，并获得安徽大学计算机应用专业工学博士学位。2000年6月任安徽大学计算机系副教授；2003年担任计算机应用专业硕士研究生导师； 2004年11月任教授。主持完成安徽省教育厅自然科学研究项目1项，参加国家自然科学基金项目多项。2004年获安徽省科技进步二等奖。已在《计算机学报》、《计算机研究与发展》等国家重点期刊和国家级期刊发表学术论文18篇。汪继文：男，1958年9月生，安徽宿松人。1982年1月本科毕业于安庆师范学院数学系，获理学学士学位。1989年7月硕士毕业于安徽大学数学系，获理学硕士学位。2001年7月博士毕业于中国科学技术大学数学系，获理学博士学位。 进入中国科技大学动力工程及工程热物理博士后流动站火灾科学国家重点实验室做博士后。出站，获博士后证书。在安庆师范学院数学系任教。1989年7月硕士毕业后留校到安徽大学计算机学院（原为计算机系）任教到至今。2001年6月担任硕士生导师，2002年9月受聘为教授。入选为安徽省高校中青年学科带头人培养对象。三次获教学优秀奖，一次获安徽省高校科技进步三等奖。目前主要研究方向是计算机数值模拟技术，先后参加了5项国家自然科学基金项目的研究工作，主持完成两项省教委项目。目前参加一项国家自然科学基金项目，主持一项省自然科学基金项目。已发表学术论文28篇，SCI收录论文4篇。 1. 智能软件学科带头人李龙澍教授，博士生导师，主要研究兴趣为软件体系结构、不精确知识表示和智能Agent技术，发表研究论文50多篇，主持开发的主要系统有：农业气象决策支持系统、大型数据库管理系统、电子政务系统、网络信息管理系统。软件体系结构的研究：探讨知识的继承机制和抽象原理，使智能软件系统的数据库、模型库和方法库融为一体，引进了知识的层次结构，增强系统的可用性和维护效率。完成国家“863”项目“基于气象分析的指导农作物种植管理软构件”，主持研究国家自然科学基金项目“智能软件体系结构和组件技术的研究”，深入研究模糊商结构理论，将粒度计算理论用于建造软件体系结构模型，提出了一种基于商空间的智能软件体系结构构造模型，研究成果在农业气象、河流污染、公路管理、煤矿救护等GIS系统中有广泛应用。不精确知识表示的研究：深入研究不精确知识表示的特点，提出一种适合领域特征的信息处理系统的框架和数据约简、知识发现方案，促进知识库系统开发技术水平的发展。研制适合模糊粗糙集信息处理的新的智能软件体系结构，不仅具有重大学术价值，而且在农业气象分析应用中取得其它方法和系统无法替代的明显效果，结合农业气象信息，分析模糊粗糙集的特性和优点，研制适合知识处理的构件模型，用于建造减灾防灾、农作物管理等实际决策支持系统，产生巨大的社会经济效益。智能Agent技术的研究：Agent体系结构是智能Agent研究中一个重要的研究方向，它所要解决的问题是智能Agent是由哪些模块组成，这些模块之间如何交换信息，以及如何将这些模块用软件或硬件的方式组合起来形成一个有机的整体。结合完成国家“863”项目、国家自然科学基金项目等重大科研项目和机器人世界杯足球锦标赛RoboCup(Robot World Cup），面向大中型企业的数据仓库进行数据挖掘和建造基于Agent技术的智能决策支持系统，为安徽现代化建设产生重大社会经济效益。2. 数据库与Web技术学科带头人郑诚博士、副教授。2002年12月毕业于中国科学技术大学计算机系，并获博士学位，研究方向：数据库与数据仓库技术、知识发现与数据挖掘技术、人工智能与机器学习、新一代Web技术等。2005年9月起在安徽大学计算机科学与技术博士后流动站进行博士后研究（在职）。安徽大学中青年骨干教师，安徽省高校骨干教师培养对象。近几年内作为主要骨干参加国家自然科学基金、863计划、安徽省自然科学基金项目等项目4项。主持省教育厅自然科学研究项目二项，发表学术论文20余篇。数据库与Web技术方向：研究数据库与数据仓库及其应用技术、基于数据库和数据仓库的数据挖掘技术，研究多粒度数据挖掘技术，将它们应用于税务、网络安全等领域；研究语义Web技术，在Web中引入有关智能技术，让计算机能理解Web上的信息。3. 并行计算学科带头人刘锋，博士，教授。主要研究方向：软件工程、并行计算、网格计算，承担国家自然基金项目、教育部科研项目、安徽省自然基金项目和安徽省教育厅自然基金项目多项。近期发表的主要论著：1. 基于改进型遗传算法的门阵列模式布局 (EI）小型微型计算机系统 2002,. 求复函数方程根的遗传算法 计算机工程与应用2001年，37卷，第24期3. PVM环境下求复函数方程根的并行遗传算法 小型微型计算机系统 2003,. ORACLE数据库的MIT在营业帐务系统中的应用 电信技术 . 电子出版物与纸质出版物异同论 情报科学 . 基于遗传算法的方程求根算法的设计和实现 (EI）控制理论与应用 2004年第3期7. Internet QoS控制机制综述 计算机科学 . 基于分布理论和遗传算法的多项式求根算法 微机发展 2001年第6期9. 基于Agent网格计算性能的实时调节 计算机工程与应用 2003年第39期10. 并行遗传算法求复函数方程根的设计和实现 (EI）系统工程理论与实践 2004年第6期4. 中间件技术学科带头人邹海，博士，高工。2001年3月至2003年7月在中国矿业大学电气工程（信息与电子技术）博士后科研流动站从事博士后研究。近年来主要专注于模糊与随机环境下的粗糙集理论与知识获取、中间件技术等方面的研究。主持或参与完成了国家自然科学基金项目1项、948项目1项、省部级自然科学基金2项和10多项横向合作项目，目前在研省青年教师基金项目1项、省教育厅自然科学基金1项，获省、部级科学技术进步奖3项，发表论文10余篇。近年来承担了包括东北晚中生代资源预测专家系统、坝工建筑物实时监测数据采集系统、基于网络通讯的远程分布式遥测系统、基于数据挖掘的防汛抗旱调度指挥系统、B/S/S架构的客户关系管理系统在内的多个应用系统的设计和研发工作，并得以成功应用。模糊与随机环境下的粗糙集理论与知识获取研究：针对信息识别中大量存在的不完备信息和随机环境这一的特点，结合智能信息处理领域近年来迅速发展起来的粗糙集（Rough Set）理论，深入研究在复杂系统中不完备信息及其随机环境下知识的表示、知识的约简、知识的学习、归纳和推理等。中间件技术的研究：中间件技术作为90年代初发展起来的基础软件，近几年来逐渐成为构建网络分布式应用系统的重要支撑工具。它能够解决网络分布计算环境中多种异构数据资源互联共享问题，实现多种应用软件的协同工作。研究方向涉及分布式高性能高可靠企业级基础软件平台架构与机制、应用集成架构与技术、J2EE应用服务器、、工作流技术、移动中间件技术、反射中间件技术、嵌入式中间件技术、网络即插即用中间技术件、普适计算中间件技术、网格计算中间件技术、CORBA高级技术等。目前，中间件已与操作系统、数据库、前端应用软件一起，跻身于软件业发展的重点之列，并成为分布式应用的关键性软件。它可广泛适用于政府部门、银行、证券、电力、电信、交通与军事等关键性的网络分布应用。 一、研究生始招时间及在校研究生规模始招时间：2002年在校研究生规模：约60人二、导师梯队介绍1．计算机视觉及应用方向韦穗：安徽大学副校长、教授、中国图像图形学会副理事长、教育部科学委员会信息学部委员，1983年4月至1985年9月在美国密执安大学及弗吉尼亚多理学院作访问学者。长期从事计算机视觉、图像图形学、模式识别、数学形态学和全息成像等领域的研究。近年来承担了多项国家自然科学基金项目和863项目。其中大容量快速图像分析系统（负责人）获中科院科技进步二等奖；并荣获国家863计划智能机器人主题先进工作者称号及国家科技部授予的国家863计划先进工作者称号。863项目“基于VR技术的装配帮助系统”（负责人）的研究， 2000年经863专家组组织验收，认为该项目的成果对于本领域的研究起到了开拓性的作用。国家自然基金项目“基于SVD分解的射影重构算法研究”在图形学中的多视图几何、3D重构和基于图像的绘制、图像获取几何和降低计算复杂性，实现复杂景物的3D描述与显示方面取得了一定的研究成果。主持了2002年第二届国际图像图形学会年会，编辑了两本会议论文集，其中大部分论文都被EI收录，翻译出版《计算机视觉中的多视图几何》（由英国剑桥大学出版社和原著作者Richard Hartley和Sman的授权）。梁栋：博士、教授（博导），安徽大学电子科学与技术学院副院长。1985年和1990年在安徽大学获学士和硕士学位，2002年获安徽大学计算机应用技术专业工学博士学位。1991年晋升为安徽大学讲师，1996年晋升为安徽大学副教授，2002年晋升为安徽大学教授。1995年被评为安徽大学中青年骨干教师和安徽省中青年骨干教师培养对象，2002年被评为安徽省高等学校中青年学科带头人培养对象。近年来，在国内外学术期刊和学术会议上发表专题学术论文30多篇，主持和参加安徽省自然科学基金、国家自然科学基金、国家863计划、国家科技部科技型中小企业技术创新基金等科研项目20多项，先后获安徽省科技进步四等奖1项、安徽省高等学校科技进步三等奖2项、新型实用专利1项、安徽大学教学成果二等奖1项。主要研究领域：计算机视觉、图象信息处理。2．图像处理与识别方向罗斌：博士、教授（博导），英国约克大学计算机科学博士，安徽大学计算机科学与技术学院教授，博士生导师，安徽省首批“皖江学者”特聘教授，安徽省跨世纪学术技术带头人后备人选，安徽大学计算机科学与技术学院院长。中国图象图形学会理事、学术委员会、青年工作委员会委员，IEEE学会会员，IEEE计算机学会会员，英国BMVA会员。研究领域为数字图像处理与模式识别。目前主持国家自然科学基金项目《基于邻接图谱理论的图像聚类方法研究》，以及教育部“优秀青年教师资助计划”项目、安徽省人才开发基金和安徽省教育厅自然科学研究项目等。与国外同行专家保持有良好的合作关系，参加英国EPSRC项目的研究。主要研究成果有：应用现代图的分解理论对图像的结构化描述、图匹配理论和图的聚类方法进行了研究；利用EM算法和矩阵的SVD分解理论得到不同大小及包含结构噪声图的匹配方法，提出一种基于图匹配的图像配准算法；将图的谱分解理论应用于图像的识别和聚类，提出图谱结构特征提取方法，以及利用谱特征进行图的识别与聚类，并应用于图像库的检索。研究成果曾获亚洲计算机视觉学术会议最佳论文奖和安徽省科技进步三等奖。在国内外学术刊物和国际会议上发表论文70余篇，论文被SCI、EI、ISTP等索引40多次，论文代表作曾发表于《IEEE Transactions on Pattern Analysis and Machine Intelligence》、《Computer Vision and Image Understanding》、《Pattern Recognition》、《Pattern Recognition Letters》、《Image Vision Computing》等学术期刊。3．智能信息处理方向吴小培：博士、教授（博导）。2002年12月于中国科学技术大学获博士学位，研究方向为生物医学信号处理。2003年10月起在中国科学技术大学信号与信息处理博士后流动站进行博士后研究（在职）， 2004年4月－9月美国加州大学圣地亚哥分校访问学者。安徽大学中青年骨干教师，安徽省高校学科带头人培养对象。研究领域：盲信号处理，生物医学信号处理和语音、图像处理和识别。近年内主持和参加国家自然科学基金、安徽省自然科学基金项目等项目5项。发表学术论文40余篇。在盲源分离、独立分量分析和脑电信号处理等方面的研究成果在国内有一定的影响，相关论文多次被同行引用。柴晓冬：教授，博士。安徽省高校中青年骨干教师。目前在中国科技大学电子技术与科学系做博士后研究（在职），研究内容为基于生物特征识别的信息安全。参与研究国家自然科学基金项目两项，主持省教委自然科学基金项目二项，在国内外重要学术刊物及学术会议上发表论文三十余篇。4．多维信号处理方向陶亮：博士、教授（博导），安徽省高校学科拔尖人才，计算机科学与技术学院院长助理。2003年于中国科技大学获得信息与通信工程专业博士学位。1997年考取国家留学基金委公派访问学者资格，次年被派往加拿大温莎大学访问研修一年。1999年被选为安徽大学中青年骨干教师，2001年入选教育部优秀青年教师资助计划并获项目资助，2002年入选安徽省高校首批学科拔尖人才。自1988年研究生毕业留校以来，一直从事教学与科研工作，曾给本科生、研究生开设或主讲过多门专业课程，获得过校教学成果奖和校教书育人先进个人称号；是本校信号与信息处理专业硕士生导师（该学位授予点开点导师之一），同时也是本校计算机应用技术专业博士生导师。参加或主持过多项科学研究，近期主持了安徽省教育厅自然科学重点研究项目、安徽省自然科学基金项目及教育部优秀青年教师资助计划项目的研究各一项。主要研究方向为多维信号处理、生物特征识别技术。在《Journal of Computer Science and Technology》、《Chinese Journal of Electronics》、《电子学报》、《Chinese Optics Letters》等核心学术期刊以及国际学术会议上发表论文50多篇，获得过安徽省第四届自然科学优秀学术论文奖，目前（2005年4月）已有2篇论文被SCI收录，22篇论文被EI收录，10篇论文被ISTP收录，多篇论文被他人引用；有专著1部（《实值Gabor变换理论及应用》）；是《电路与系统学报》和《计算机辅助设计和图形学学报》审稿人以及IEEE国际电路与系统专业学术年会审稿人（被邀请担任过审稿委员会委员、专题分会主持）。三、主要学术成果1．在国家自然科学基金项目“基本矩阵的鲁棒性计算及应用”支持下，应用视觉理论、投影几何、代数几何、矩阵分析和现代数学最优化理论，完成了基本矩阵的鲁棒性算法研究，并给出了在3维计算机视觉中相关问题的鲁棒性算法。2．在国家自然科学基金项目“基于SVD分解的射影重构算法研究”支持下，对基于SVD分解的射影重构算法作深入系统的研究，并通过模拟数据和真实图像两方面的实验，获得图像中匹配点噪声效应的定量理解和算法性能的定性理解。3．在国家自然科学基金项目“基于照片的场景重现”支持下，对基于序列图像的全景漫游技术进行了研究，主要包括：图像插补问题、图像整合问题及全景图生成问题。4．在国家“863”计划项目“基于虚拟现实技术的装配帮助系统”支持下，完成了以下研究工作：1）建立一个Windows环境下的多模综合实验平台；2）实现一个基于视点的物体识别、定位的帮助装配系统的虚拟现实系统；3）对摄像机自标定、基于视点的插补、3D重构等问题进行了深入地研究。经国家“863”专家组鉴定：对本领域的研究起到了开拓性的作用。5．在国家自然科学基金项目支持下对计算机产生体视全息图进行了研究。全息技术能提供所有视点、距离上的3D（深度）感知，它是目前最理想的3D显示。当今来自计算机、卫星、先进医学成像设备、战场环境的精确模拟以及地质勘探等各个领域的数据与日俱增，人们越来越希望能将这些数据变换成人们更易理解的形式，即真3D显示的形式。它无须借助眼镜、头盔等辅助设备，并用计算机生成3D显示的编码，由光电器件生成空间显示。6．先后完成“基于图像的交通肇事现场测距系统”、“基于图像序列的交互式全景漫游生成系统”、“合肥风光交互式全景漫游系统”、“基于图像的犯罪现场重现系统”、“芜湖长江大桥和合肥中心油库交互演示系统”、“宜昌交互式招商引资展示系统”等开发和研制，并应用于交通事故处理、公安刑侦、城市规划、旅游宣传等多个方面，取得了较好的社会效益和经济效益。对计算机视觉、图像处理以及虚拟现实技术的推广应用起到了积极的促进作用。其中“基于图像的交通肇事现场测距系统”和“合肥风光交互式全景漫游系统”经合肥市科技局组织专家鉴定：核心技术水平达到国际先进水平，系统达到国内领先水平，并填补国内空白。7. 在国家自然科学基金、安徽省自然科学基金项目等项目的支持下，初步验证了用独立分量描述思维脑电特征的可行性，并提出了基于思维脑电独立分量特征的脑机接口技术研究新设想。该研究思路和阶段性成果获得了国内外专家的肯定；研究了小波变换和独立分量分析进行结合的可行性，实验结果表明，基于小波变换和ICA的时频空三域分析方法能较好地解决多导脑电信号ICA分析中存在的过完备问题和非平稳问题；研究了在线ICA算法及其实现技术，提出了一种简单实用的在线Infomax算法，并用于实测脑电数据的在线消澡问题，取得了较理想的结果，该项成果是对Infomax 盲源分离算法的扩展和补充。8．在教育部优秀青年教师资助计划项目、安徽省自然科学基金项目以及安徽省教育厅自然科学重点研究项目的支持下，研究提出了实值离散Gabor变换（RDGT）理论与快速算法，提出了基于RDGT的瞬变信号表示算法、基于过抽样RDGT的核磁共振FID信号增强算法，以及基于RDGT的线性时变系统表示与逼近方法；研究了基于人脸识别的身份认证方法与系统。研究成果以40多篇论文中英文形式发表在《Journal of Computer Science and Technology》、《Chinese Journal of Electronics》、《电子学报》等重要的核心学术期刊和若干国际学术会议上，并且已有20多篇论文被SCI、EI、ISTP收录。四、学科研究方向介绍1．计算机视觉及应用方向将多视图几何与矩阵分析、谐波分析和现代数学最优化理论结合起来，研究基于图像的3D成像几何与物理中的算法和应用，包括基本矩阵的鲁棒计算及应用、基于照片的场景重现和SVD重构、基于虚拟现实技术的装配帮助系统、计算机产生体视全息图的研究及其在交通事故处理、公安刑侦、城市规划、旅游宣传、文化遗产保护等方面的应用。2．图像处理与识别方向将现代图的分解理论、现代统计学理论和模式识别理论应用于数字图像的分析与识别，对图像的结构化描述、图像特征的提取、图像的配准、结构模式识别中的图匹配理论和图的聚类方法进行研究，并将图匹配理论和图聚类方法应用于图像库的检索和索引。3．智能信息处理方向研究小波分析理论及其在脑电信号处理中的应用、基于时－频－空三域分析方法的思维脑电特征提取与识别、思维脑电的独立分量分析及其在脑机接口中的应用、在线盲源分离算法及其DSP实现。4．多维信号处理方向研究多维信号分析与处理技术的新理论和新方法，并应用于生物信息、语音、图像信号的处理和识别。如一维和二维实值离散Gabor变换理论、快速算法及应用的研究；复杂背景下灰度图像和彩色图像中人眼自动定位算法；基于人脸识别的身份认证方法与系统实现；支持向量机快速学习算法及应用；语音消澡和识别技术等。
PAMI：IEEE Transactions on Pattern Analysis and Machine Intelligence，IEEE 模式分析与机器智能杂志IJCV：International Journal on Computer Vision，国际计算机视觉杂志 TIP:IEEE Transactions on Image Processing，IEEE图像处理杂志CVIU：Computer Vision and Image Understanding，计算机视觉与图像理解PR：Pattern Recognition，模式识别PRL：Pattern Recognition Letters，模式识别快报
cvpr论文是具有很强的影响力和很高的排名的论文，可以说是世界顶级型论文。
cvpr 全称IEEE Conference on Computer Vision and Pattern Recognition，中文翻译过来就是IEEE国际计算机视觉与模式识别会议，该会议是由IEEE举办的计算机视觉和模式识别领域的顶级会议。这是一个一年一次的会议，举办地从来没有出过美国，可以说是计算机视觉领域全球最具影响力、内容最全面的顶级学术会议。
cvpr录用标准相当严格，通常会议整体的录取率不超过25%，而口头报告的论文比例更只占5%不到。其会议的组织方是一个循环的志愿群体，其成员遴选一般会在某次会议召开的三年前进行。cvpr的审稿过程中会议的审稿方与投稿方均不知道对方的信息。而且一篇论文经常需要由三位审稿者进行审读。最后再由会议的领域主席(area chair)决定是否接收。
所以在各类学术会议统计中，cvpr也被认为有着很强的影响力和很高的排名。自然，cvpr论文的级别就可想而知了，cvpr论文什么级别，可以说其级别相当于顶级SCI期刊论文级别同等甚至更高。
CVPR论文可以说是世界顶级水平论文。
图片来源于网络
CVPR是IEEE Conference on Computer Vision and Pattern Recognition的缩写，即IEEE国际计算机视觉与模式识别会议。该会议是由IEEE举办的计算机视觉和模式识别领域的顶级会议。这是一个一年一次的会议，举办地从来没有出过美国。正如它的名字一样，这个会上除了视觉的文章，还会有不少模式识别的文章，当然两方面的结合自然也是重点。
下面是前几年CVPR论文的接收情况：
图片来源于网络
cvpr录用标准相当严格，通常会议整体的录取率不超过25%，而口头报告的论文比例更只占5%不到。其会议的组织方是一个循环的志愿群体，其成员遴选一般会在某次会议召开的三年前进行。cvpr的审稿过程中会议的审稿方与投稿方均不知道对方的信息。而且一篇论文经常需要由三位审稿者进行审读。最后再由会议的领域主席决定是否接收。
在各种学术会议统计中，CVPR被认为有着很强的影响力和很高的排名。目前在中国计算机学会推荐国际学术会议的排名中，CVPR为人工智能领域的A类会议。
ijcv期刊的水平是比较高的。IJCV是International Journal of Computer Vision(计算机视觉国际期刊)的英文缩写。国际期刊计算机视觉，详细描绘了信息科学与工程这一领域的快速发展。一般性发表的文章提出广泛普遍关心的重大技术进步。短文章提供了一个新的研究成果快速发布通道。综述性文章给与了重要的评论，以及当今发展现状的概括。
主要内容包括：数学，物理，计算机视觉计算方面：图像的形成，处理，分析和解释;机器学习方法，统计方法，传感器。
应用：基于图像的绘制，计算机图形学，机器人，照片判读，图像检索，视频分析和注释，多媒体等。