胡晓林

副研究员

电子邮件:xlhu@tsinghua.edu.cn

URL:http://www.xlhu.cn

电话:010-62795869

传真:010-62782266

教育背景

工学学士 (车辆工程), 武汉理工大学, 中国, 2001;

工学硕士 (车辆工程), 武汉理工大学, 中国, 2004;

工学博士 (自动化与计算机辅助工程), 香港中文大学, 中国, 2007.

社会兼职

Associate Editor, IEEE Transactions on Neural Networks and Learning Systems

研究领域

人工神经网络

计算神经科学

讲授课程

神经与认知计算(80240642,研究生);

研究课题

国家自然科学基金(青年): 基于KKT条件的优化递归神经网络簇设计(2009-2011);

国家自然科学基金(面上):基于稀疏编码模型的深层学习神经网络(2013-2016)

研究概况

我目前的工作集中在计算机科学与认知神经科学的交叉方向,研究兴趣包括人工神经网络和计算神经科学。一方面,我对揭开大脑的奥秘感兴趣,尤其是大脑处理感觉信息和决策信息的机制,主要使用的工具是层次化的计算模型和贝叶斯理论。目前也在尝试用功能性核磁共振成像(fMRI)结合机器学习的方法探索大脑的工作机制。另一方面,我对受大脑启发的计算方法感兴趣。前些年,我的研究集中在设计递归神经网络求解优化相关的问题。现在正在尝试结合更多的认知神经科学方面的知识,提高深度学习模型在物体识别和检测方面的精度和效率。

近年来,我们针对大脑的视觉腹侧通路的信息处理机制做了一些工作,建立了一系列层次化模型用来解释通路上各层(包括V1, V2, IT等区域)神经元的反应特性。两个较典型的工作是对HMAX模型进行改造,加上稀疏特性和反馈连接,能更好地解释一系列的神经科学数据,相关结果分别发表在PLoS ONE (2014)和Neural Computation (2010)上。

关于受大脑启发的计算方法,在过去的近十年间,我的大部分工作集中在递归神经网络求解优化问题的理论和方法上,深入挖掘了已有模型的特点,并设计了一系列新的模型,相关成果发表在多篇IEEE汇刊上。近年来,在深度学习方面也做了一些工作。在IJCNN2013年德国交通标志检测比赛中,我们使用卷积神经网络在两类标志上获得了第2名和第4名。除了物体识别和检测,图像的显著性区域检测也是我比较关注的应用。我们借鉴心理学中的一个理论Reverse Hierarchy Theory,构建了一个层次化模型,能较好地预测人眼在图像中的注视点。该成果被计算机视觉的重要会议CVPR’14录用。 

奖励与荣誉

教育部自然科学一等奖(排名第3):神经动力学优化模型及应用(2012)

清华大学优秀博士后(2009)

ICONIP 2012:最佳论文奖(2012) 

学术成果

[1] P. Qi, X. Hu, “Learning nonlinear statistical regularities in natural images by modeling the outer product of image intensities,” Neural Computation (accepted)

[2] X. Hu, J. Zhang, P. Qi, B. Zhang, “Modeling response properties of V2 neurons using a hierarchical K-means model,” Neurocomputing, vol. 134, pp. 198-205, 2014.

[3] X. Hu, J. Zhang, J. Li, B. Zhang, “Sparsity-regularized HMAX for visual recognition,” PLOS ONE, vol. 9, no. 1, pp. 1-12, 2014.

[4] X. Hu and J. Wang, “Solving the assignment problem using continuous-time and discrete-time improved dual networks,” IEEE Transactions on Neural Networks and Learning Systems, vol. 23, no. 5, pp. 821-827, 2012.

[5] X. Hu and B. Zhang, “A Gaussian attractor network for memory and recognition with experience-dependent Learning,” Neural Computation, vol. 22, no. 5, pp. 1333-1357, 2010.

[6] X. Hu, C. Sun and B. Zhang, “Design of recurrent neural networks for solving constrained least absolute deviation problems,” IEEE Transactions on Neural Networks, vol. 21, no. 7, pp. 1073-1086, July 2010.

[7] X. Hu and B. Zhang, “An alternative recurrent neural network for solving variational inequalities and related optimization problems,” IEEE Transactions on Systems, Man and Cybernetics - Part B, vol. 39, no. 6, pp. 1640-1645, Dec. 2009.

[8] X. Hu and B. Zhang, “A new recurrent neural network for solving convex quadratic programming problems with an application to the k-winners-take-all problem,” IEEE Transactions on Neural Networks, vol. 20, no. 4, pp. 654–664, April 2009.