近期，重点实验室视觉计算与智能感知创新团队牛四杰博士、高希占博士通力合作，面向计算机视觉领域存在的问题，在深度神经网络轻量化以及图像集合聚类度量学习深入探索，并取得两项重要研究成果。相关成果分别以 “Exploiting Sparse Self-Representation and Particle Swarm Optimization for CNN Compression”（牛四杰博士、高鲲博士为共同第一作者，高希占博士为通讯作者）和“Joint Metric Learning-based Class-specific Representation for Image Set Classification”（高希占博士第一作者，牛四杰博士为通讯作者）为题，发表于国际顶级期刊IEEE Transactions on Neural Networks and Learning Systems （中科院JCR一区，影响因子：14.451）。

随着数字成像和通信技术的快速发展，近年来基于图像集合的视频序列分类受到了极大的关注，并在许多现实场景中得到了广泛的应用。团队在类特定协同表示理论的基础上，针对非受控环境下的低分辨率图像集合数据，探索了不同距离度量之间的相互关系，构建了基于联合度量学习的类特定表示图像集分类方法，将相关距离度量与无关距离度量的学习统一到同一个优化模型中，突破现有图像集合距离度量方法的局限性，实现了鲁棒、精准的图像集合数据分类。此外，所提出的方法可以作为基础部件嵌入到多种人工智能系统中。深度神经网络因其强大的表征能力，在图像识别、自然语言处理、自动驾驶等多个领域取得了突破性进展。然而，庞大的模型参数和高昂的存储给模型在移动设备或嵌入设备上的部署带来了不小的挑战。团队将稀疏自表示、模式聚类与粒子群优化算法相结合，构建了一种基于自适应分层剪枝模型，获得了可以轻便部署、快速推理的轻量化模型，克服了传统深度模型无法在边缘设备有效部署的局限性。由于在剪枝过程中使用了联合优化，所提出的方法可以轻松处理多种不同的网络架构，并可扩展到更深层次的神经网络，因此，该方法对于推动网络模型落地应用具有重要意义。

研究成果得到了国家自然科学基金、山东省自然科学基金、中国博士后基金、山东省高等学校人才引育创新计划等项目的资助。

《IEEE Transactions on Neural Networks and Learning Systems》前身是IEEE Transactions on Neural Networks，由 IEEE于1990年创办，最新的影响因子为14.255，目前位列中科院期刊分区一区。该期刊属人工智能、机器学习、计算机科学的交叉学科领域，主要刊发神经网络和学习系统相关的最新研究成果，是IEEE计算智能学会的旗舰刊物，神经网络和学习系统方面的国际顶级期刊。