后记为原创，转载请标明
报告题目：大数据时代的模式识别
报告人：谭铁牛
演讲摘要：模式识别是人类的一项基本智能，也是人工智能研究的一项核心内容。报告在简要介绍模式识别基本概念宇发展历程的基础上，重点阐述模式识别的发展现状和大数据给模式识别带来的新机遇和新挑战。报告最后着重讨论未来模式识别研究特别值得关注的一些趋势与方向。
1、所谓模式识别，分为两个部分——模式（pattern）和识别（recognition）。其中，模式指的是存在于时间与空间中具有可观测性、可度量性和可区分性的信息；而识别指的是对模式进行分析与处理，进而实现描述、辨识、分类与解释。
2、模式识别的发展现状有：
模式识别的典型成功应用：步态识别
还有远距离虹膜识别
3、现有模式识别的局限性
鲁棒性与适应性（比如适应环境变化以及适应年龄变化）
4、模式识别发展现状概述
面向特定任务的模式识别已经去得突破性进展，有的性能已经可与人媲美。
统计与基于神经网络的模式识别目前占主导地位，深度学习开创了新局面。
通用模式识别系统依然任重道远。
鲁棒性、自适应性和可泛化性是进一步发展趋势。
5、大数据时代模式识别的发展机遇
发掘数据金矿的钥匙：大数据价值利用的最大瓶颈不是千万亿次的计算能力和千兆级的网络通信能力，而是智能化的信息处理能力。模式识别技术在大数据时代具有更加广阔的用武之地，需要处理的对象模式和识别任务需求快速增长。
加速学科领域交叉与渗透
引领信息科技发展新变革：宰信息过载的大数据时代，有价值的信息情报和知识服务至关重要、以模式识别为智慧引擎的IPU（intelligent processing unit）或将在下一代ICT体系中占据更加重要的核心位置，甚至引领传感、存储、网络、计算等技术的变革。
6、大数据时代模式识别的重大挑战
复杂的大数据：数据海量庞杂、异构多元、模态多样，还有社会文化心理等行为属性。
大数据的语义计算与理解：在人类社会宇信息网络升读融合的时代，只有对大数据进行生层次语义解读的技术才能激发大众信息消费的新高潮。——语义就是人们根据自己对显示世界的理解而赋予信息的解释。语义来源于人类认知系统对现实世界信息意义的解释，又最终服务于人类对信息的处理和利用。
7、值得关注的研究方向
面向大规模多源异构数据的鲁棒特征表达：如何宰跨景跨媒、多源异质的视觉大数据中找到具有较好泛化性和不变性的表达->鲁棒特征表达
结构与统计相结合的模式识别新理论：结构模式识别由原理清晰、样本要求少、便于复用等优点，但同时也有问题描述困难、建模困难、没有充分利用数据的缺点；而统计模式识别有充分利用数据、应用范围广、建模方法丰富等优点，但同时也对数据质量要求高，并且存在泛化性存在局限性、原理不清晰的缺点。将结构与统计相结合的模式识别可以取长补短。
数据与知识相结合的模式识别
具有鲁棒性和自适应性的生物启发模式识别
基于跨领域跨模态知识迁移的模式识别