近日，我校計(jì)算機(jī)與人工智能學(xué)院張笑欽教授為第一作者的科研論文（長(zhǎng)文）：Robust Low-Rank Tensor Recovery with Rectification and Alignment（具有校正和對(duì)準(zhǔn)的魯棒低秩張量恢復(fù)）在IEEE模式分析與機(jī)器智能匯刊（IEEE T-PAMI, DOI: 10.1109/TPAMI.2019.2929043）上發(fā)表。論文的第一作者單位為溫州大學(xué)計(jì)算機(jī)與人工智能學(xué)院。

張量（多維數(shù)組）是現(xiàn)實(shí)世界中多元關(guān)系和多方面特性的一種數(shù)據(jù)表示，是矩陣從二維向三維或更高維的拓展。在計(jì)算機(jī)視覺領(lǐng)域，把圖像序列作為三維張量進(jìn)行建模分析能夠完全保留圖像數(shù)據(jù)之間的結(jié)構(gòu)信息，比傳統(tǒng)的基于矩陣分析的方法效果更好。然而以往的張量分析模型基于最小平方誤差，對(duì)噪聲和外點(diǎn)較為敏感，即使只有一個(gè)樣本被噪聲嚴(yán)重污染或者是外點(diǎn)，所獲得模型也將完全偏離真實(shí)子空間。該論文通過定義一組變換參數(shù)，使得張量特征經(jīng)過變化后可分解為一個(gè)具有低秩結(jié)構(gòu)的張量和一個(gè)稀疏噪聲張量，并采用交替方向法對(duì)上述變換參數(shù)進(jìn)行快速有效地求解，從而實(shí)現(xiàn)對(duì)目標(biāo)圖像的準(zhǔn)確匹配和對(duì)齊。大量真實(shí)數(shù)據(jù)上的實(shí)驗(yàn)驗(yàn)證了該模型能夠有效地處理稀疏噪聲、稀疏和高斯混合噪聲以及塊狀遮擋等。本文工作獲得了國(guó)家自然科學(xué)基金項(xiàng)目和國(guó)家科技部項(xiàng)目的資助。

IEEE T-PAMI，全稱為IEEE Transactions on Pattern Analysis and Machine Intelligence，是人工智能、模式識(shí)別、圖像處理、計(jì)算機(jī)視覺等多個(gè)領(lǐng)域的頂尖國(guó)際期刊，其2018年度影響因子為17.73，5年影響因子（5-year Impact factor）為16.887，屬于中科院一區(qū)期刊，2018谷歌學(xué)術(shù)影響力排名的期刊（計(jì)算機(jī)視覺和模式識(shí)別領(lǐng)域）中位列第一，CCF人工智能領(lǐng)域A類推薦期刊中影響因子排名第一。

張笑欽教授為我校計(jì)算機(jī)與人工智能學(xué)院院長(zhǎng)，國(guó)家優(yōu)秀青年基金獲得者、德國(guó)洪堡學(xué)者，浙江省杰出青年基金獲得者、萬人計(jì)劃領(lǐng)軍人才。