2018《财富》500强 国资委监管48家中央企业上榜！

这次考察使我了解了这个东南沿海省份所呈现的多样性与复杂性，既有现代化的大城市，也有坐落于群山之中的古朴村落，这令我感叹于福建风貌之多样，同时也认识到治理这样一个省份的复杂性，进而联想到我们整个国家的复杂国情，进而无比钦佩中国共产党强大的治国理政能力。

继去年派出姚诠老师后，今年学校又派出基础医学院李瑞锡老师赴云南滇西应用技术大学援教，为建设教育强国贡献力量。更加精准做好服务保障工作，全面提升离退休服务管理质量和水平，更好地满足老同志对美好生活的新期待。

他强调，学校党委一直以来都高度重视离退休工作，始终把离退休工作放在全校改革发展的大局中去思考、谋划和落实，努力营造尊重老同志、爱护老同志的良好氛围。今年，复旦大学连续第四年开展金婚纪念活动，已成为离退休工作的品牌项目。物理学系张新夷、周映雪夫妇作为代表发言，用朴实无华的语言讲述了伉俪二人相濡以沫、相亲相爱、携手相伴的人生经历。会上，复旦大学2021年优秀离退休教职工名单公布，中文系关工委分会等4个优秀离退休教职工团体代表、生命科学学院陈曼莉等21位优秀离退休教职工个人获颁证书和鲜花。更加注重挖掘和发挥老同志独特优势，引导广大老同志在各项事业发展中发挥更大作用。

老同志们满怀深情回顾跟随党忠于党的心路历程，回首投身中国革命、建设和改革事业的峥嵘岁月，表达永远听党话跟党走、生命不息奋斗不止的崇高信念。为庆祝中国共产党成立100周年，老干部党委在全校离退休教职工中组织开展盛赞百年辉煌、助力百年征程主题活动，设计了主题征文、书画摄影作品征集等多个项目。例如，多种病原现场检测多形态终端，其中包括国际领先的空气采样设备、便携式检测设备

本研究提出的算法在KITTI，nuScenes，Waymo等自动驾驶权威数据集上取得了目前最先进（state-of-the-art）的指标结果。复旦大学类脑智能科学与技术研究院冯建峰教授团队联合百度视觉技术团队和南京一汽自动驾驶团队，提出了一种基于人脑联想感知机制的三维目标检测通用框架。在人脑感知物体的过程中，这种关联是自发进行的。基于激光雷达的三维目标检测技术是机器人和自动驾驶领域最重要的模式识别任务之一。

近年来，复旦大学以冯建峰、薛向阳、张军平、付彦伟等为核心研发力量的自动驾驶产学研合作团队，围绕领域关键核心技术深耕细作、持续攻关，自2019年至今，已就零样本学习及开集图像分类识别、行人重识别、物体3D性状构建、步态识别算法先后发表了5篇IEEE TPAMI研究成果。受联想感知的启发，研究团队通过模拟人脑感知物体的方式，搭建了一种高效且鲁棒的通用3D目标检测框架，使得神经网络能够脑补出缺失的特征信息。

网络训练完成以后，只需使用PFE就可以进行网络的推理预测。据介绍，红色框内的PFE是真实场景点云的特征编码网络。未来，研发团队将继续与产业界聚焦AI大数据与AI自动驾驶两大主业，实现中国首个纯视觉L4级自动驾驶车队产业化落地，共同推进人工智能算法创新及应用在自动驾驶领域的应用。具体而言，传统的算法通常直接对不完整点云进行编解码检测，而研究团队提出的算法基于特征域适配技术，将高维鸟瞰图视角下真实的不完整目标点云编码特征，与同类别的完整模型特征进行关联，从而使网络学习利用现有的点云上下文信息补全出完整点云，从本质上提升了网络提取特征的完整性以及检测的精度，同时不引入额外的计算资源。

研究团队给出了AGO-Net的网络结构以及其背后对应的生物模型（图2）。如何针对点云的稀疏性和不规则性设计鲁棒的特征表达，从而提升检测精度，是目前亟待解决的关键难题。这种脑补的能力就是人在感知目标过程中会进行的联想感知。从认知心理学的角度，这一过程可以分为两个阶段：第一阶段是以观察者为中心的表征阶段，在这个阶段中，目标的特征是从观察者的视角呈现的，这一阶段又被称为2.5D的表征阶段，2D指图像，0.5D指双目视觉产生的深度信息。

图1. IEEEExplore(Early Access)人类在驾驶车辆行驶的过程中，无论前方的车辆是否被遮挡或者距离远近，都能够快速准确地判断车辆的位置姿态，这得益于大脑的脑补能力，只需要一些车辆大致的轮廓信息和特征，就可以根据记忆中车辆的概念模型，推理想象出完整的车辆及其位置姿态。黄色标出的部分是特征关联模块，通过域适配算法优化缩减两个高维编码的特征距离，实现特征关联。

综上所述，AGO-Net将高维编码特征从真实场景提取的不完整点云特征域（Perceptual感知域），迁移至虚拟场景提取的完整点云特征域（Conceptual概念域），建立起了不完整和完整点云特征间的关联，模拟了人脑的联想感知机制，挖掘了神经网络对稀疏和被遮挡点云的信息补全能力。由于算法在推理阶段不需要引入额外的模块，因此在提升精度的同时不影响网络的推理速度，且易于集成到其他先进的三维目标检测算法中。

相关工作得到了上海市脑与类脑智能基础转化应用研究市级科技重大专项、国家自然科学基金和计算神经科学与类脑智能教育部重点实验室的支持。该研究工作的第一作者是复旦大学类脑智能科学与技术研究院博士研究生杜量，通讯作者为冯建峰教授。图2. AGO-Net网络分为四个部分：（a）基于感知的不完整点云特征编码网络PerceptualFeatureEncoder（PFE）。8月11日，相关研究成果以《AGO-Net：基于关联引导的三维点云目标检测网络》（AGO-Net: Association-Guided 3D Point Cloud Object Detection Network）为题在线发表于全球人工智能领域顶尖期刊《IEEE模式分析与机器智能汇刊》(IEEE Transactions on Pattern Analysis and Machine Intelligence，简称TPAMI)。（d）迁移加权模块SC-reweight。（b）基于概念的完整点云特征生成网络ConceptualFeatureGenerator（CFG）。

该成果为自动驾驶三维目标检测技术提供了全新的研究思路。二阶段是以目标自身为中心的表征阶段，在这一过程中，观测到的目标特征会与存储在大脑中的3D概念模型进行关联，该3D指不受观测角度影响，可以自由旋转的完整模型。

对于灰色框内的CFG，算法首先利用同源点云数据补全不完整的目标点云，生成概念场景，再提取特征，该特征提取模块将被预先训练好，最后在训练整体网络时固定权值，提供稳定的完整目标特征（b）基于概念的完整点云特征生成网络ConceptualFeatureGenerator（CFG）。

网络训练完成以后，只需使用PFE就可以进行网络的推理预测。综上所述，AGO-Net将高维编码特征从真实场景提取的不完整点云特征域（Perceptual感知域），迁移至虚拟场景提取的完整点云特征域（Conceptual概念域），建立起了不完整和完整点云特征间的关联，模拟了人脑的联想感知机制，挖掘了神经网络对稀疏和被遮挡点云的信息补全能力。

图2. AGO-Net网络分为四个部分：（a）基于感知的不完整点云特征编码网络PerceptualFeatureEncoder（PFE）。该研究工作的第一作者是复旦大学类脑智能科学与技术研究院博士研究生杜量，通讯作者为冯建峰教授。本研究提出的算法在KITTI，nuScenes，Waymo等自动驾驶权威数据集上取得了目前最先进（state-of-the-art）的指标结果。该成果为自动驾驶三维目标检测技术提供了全新的研究思路。

受联想感知的启发，研究团队通过模拟人脑感知物体的方式，搭建了一种高效且鲁棒的通用3D目标检测框架，使得神经网络能够脑补出缺失的特征信息。（d）迁移加权模块SC-reweight。

图1. IEEEExplore(Early Access)人类在驾驶车辆行驶的过程中，无论前方的车辆是否被遮挡或者距离远近，都能够快速准确地判断车辆的位置姿态，这得益于大脑的脑补能力，只需要一些车辆大致的轮廓信息和特征，就可以根据记忆中车辆的概念模型，推理想象出完整的车辆及其位置姿态。对于灰色框内的CFG，算法首先利用同源点云数据补全不完整的目标点云，生成概念场景，再提取特征，该特征提取模块将被预先训练好，最后在训练整体网络时固定权值，提供稳定的完整目标特征。

8月11日，相关研究成果以《AGO-Net：基于关联引导的三维点云目标检测网络》（AGO-Net: Association-Guided 3D Point Cloud Object Detection Network）为题在线发表于全球人工智能领域顶尖期刊《IEEE模式分析与机器智能汇刊》(IEEE Transactions on Pattern Analysis and Machine Intelligence，简称TPAMI)。基于激光雷达的三维目标检测技术是机器人和自动驾驶领域最重要的模式识别任务之一。

据介绍，红色框内的PFE是真实场景点云的特征编码网络。复旦大学类脑智能科学与技术研究院冯建峰教授团队联合百度视觉技术团队和南京一汽自动驾驶团队，提出了一种基于人脑联想感知机制的三维目标检测通用框架。从认知心理学的角度，这一过程可以分为两个阶段：第一阶段是以观察者为中心的表征阶段，在这个阶段中，目标的特征是从观察者的视角呈现的，这一阶段又被称为2.5D的表征阶段，2D指图像，0.5D指双目视觉产生的深度信息。黄色标出的部分是特征关联模块，通过域适配算法优化缩减两个高维编码的特征距离，实现特征关联。

由于算法在推理阶段不需要引入额外的模块，因此在提升精度的同时不影响网络的推理速度，且易于集成到其他先进的三维目标检测算法中。这种脑补的能力就是人在感知目标过程中会进行的联想感知。

如何针对点云的稀疏性和不规则性设计鲁棒的特征表达，从而提升检测精度，是目前亟待解决的关键难题。未来，研发团队将继续与产业界聚焦AI大数据与AI自动驾驶两大主业，实现中国首个纯视觉L4级自动驾驶车队产业化落地，共同推进人工智能算法创新及应用在自动驾驶领域的应用。

具体而言，传统的算法通常直接对不完整点云进行编解码检测，而研究团队提出的算法基于特征域适配技术，将高维鸟瞰图视角下真实的不完整目标点云编码特征，与同类别的完整模型特征进行关联，从而使网络学习利用现有的点云上下文信息补全出完整点云，从本质上提升了网络提取特征的完整性以及检测的精度，同时不引入额外的计算资源。二阶段是以目标自身为中心的表征阶段，在这一过程中，观测到的目标特征会与存储在大脑中的3D概念模型进行关联，该3D指不受观测角度影响，可以自由旋转的完整模型。