CS目前有哪些热门的研究方向和应用
写在前面
21世纪的第二个十年，世界已然日新月异，计算机行业亦是如此。从高校的在校大学生，到走入社会的求职者，越来越多的人们前往，或者正在前往计算机的领域。那么，目前来说，计算机科学目前的热门研究方向和应用都有哪些呢？
本期岛主就来带大家仔细分析一下。
一、人工智能+行业
01、患者疾病模型和行为预测
由于新冠疫情的爆发，线上线下结合的治疗方式越来越受到重视，也产生了一系列相关的研究课题，包括并不限于：挖掘患者相关的医疗数据，进行疾病预测以及对应的疾病阶段预测；患者用药脱落风险预测，提高患者依从性；患者治疗后院外风险预测，是否会有并发症，抑郁等情况出现。研究这些课题，设计到医学数据挖掘，结合医学知识图谱和行为数据的预测模型、超长时间预测模型、少样本学习、医学预训练模型等技术。
02、医疗数据的主动学习/半监督学习
不同于自然图像，医疗图像（如CT、MRI）往往为3D数据，存在标注难度大、标注信息难以获取、标注成本高昂等问题。我们希望通过主动学习从未标注数据中挑选“更有训练价值的”样本，并进一步通过半监督算法，在降低标注成本的前提下，使深度学习在医疗图像相关任务上取得更好的效果。
03、交通大数据分析
基于交通大数据，研究城市时空动态预测、网络空间分析、空间决策优化、大数据可视化的理论方法和技术，并在实际场景中创新应用，解决复杂现实问题。
二、计算机视觉
01、激光点云的检测技术研究
对整个自动驾驶系统来说，高精度地图是核心技术之一，为自动驾驶提供超视距的感知能力，为车辆决策控制提供依据。高精地图生产需要消耗大量的人力财力，而生产效率的提升则非常依赖自动化算法的能力提升。在高精地图打底阶段，对于各要素的自动化算法的识别精度具有很高的要求，在更新阶段，则需要能够精确的找出点云上发生变化的要素。如何通过图像的数据提升在激光点云上的检测的效果、如何通过同一位置采集的多趟点云数据，准确的识别出发生变化的位置成了最热门的研究课题之一。
02、激光点云的线要素目标识别
车道线是高精地图业务中的最关键元素，精度是其最重要属性，在城市环境2D投影图噪音大，识别容易受车辆残影，护栏等干扰，直接在3D点云中检测车道线就非常必要。该研究包括如何基于点云深度学习，端到端地进行3D车道线检测，实现车道线的超高精度检测，简化算法流程，提高数据质量，加快数据更新速度，极大提高生产效率。
三、定位技术
01、基于泛在信号的智能感知与定位技术研究
近年来，随着各种移动和边缘智能设备以指数般速度的增加增加，感知、定位、应用的广度和深度得到了不断拓展，出现了基于泛在信号的智能感知新模式。该技术通常借助于日常使用的移动终端设备（手机、手表、音箱等），利用各类无线信号如WiFi、手机UWB、物联网LoRa等，提供对个体行为活动和位置的感知能力，实现定位精度的优化，开展对已有WiFi、LoRa、UWB、蓝牙等无线信号感知和定位效果的对比，研究定位性能提升方法，研究新兴消费类电子设备中UWB信号在各类场景如定位追踪、呼吸检测、手势识别等方面的应用。
02、基于图神经网络的定位算法研究与应用
随着移动互联网的发展，基于无线信号(WI-FI，蓝牙等)的网络定位方式获得了较大的研究关注和应用。传统方法依赖于GPS数据挖掘无线信号的位置和特征，部分场景由于GPS信号缺失定位造成精度较差。图神经网络具有直接对图进行特征提取和表示的优势，可以用于处理上述无线信号网络，提升定位精度，通过将图神经网络、定位信号处理和深度学习结合产出端到端的定位系统，可以解决实际场景中的定位问题。
03、基于视觉SLAM技术的定位和建图研究
随着自动驾驶的发展和计算机视觉技术的成熟，车辆对于自身定位的精度要求不断提升， 视觉SLAM作为机器人自主导航的经典方案，获得了越来越多的关注，在研究深度和创新性方面不断提升。SLAM可以辅助车辆进行同步定位和建图，解决一些场景卫星信号无法定位的问题。
四、机器学习及其相关应用
01、深度图学习中分布外（OOD）和长尾（LongTail）问题的研究和相关应用
图数据结构是实际应用中广泛出现的数据形式,比如分子建模、社交网络建模、化学反应建模以及知识图谱等.因此深度图学习的研究一直备受关注。分布外（OOD）和长尾（LongTail）学习问题是目前机器学习领域最具挑战性的研究课题,其聚焦在算法和理论层面, 如何使模型在NonIID及分布不均衡的数据中具备泛化能力，在药物发现、复杂系统建模等领域有巨大应用。
02、复杂游戏中的强化学习技术研究
游戏是人工智能算法的试金石之一，复杂游戏里的智能决策是当今研究热点和难点。决策和行动是智能体能够影响或控制环境，并达成其目标的唯一方式，人工智能领域中一个基础且根本的问题，就是如何让AI学习决策和行动，该方向旨在构建完全自主的智能体（能够从观察和感知中提取并利用相关信息学习可以适用于多种任务的模型）。
五、视觉及多媒体计算
01、基于深度学习的三维人脸重建与高保真渲染
借助于工业级的多视角高质量三维人脸表情数据集，探索基于深度学习与传统优化方法相结合的三维人脸重建和人脸图像合成算法。能够针对高光和阴影的光照条件、人脸不同情绪下的复杂表情和头部姿态等复杂条件下，高质量、稳定的获得人脸重建结果。
02、面向海量游戏视频的多模态自动标签算法
目前通用视频标签任务存在几大难题：标签体系极其庞大；标签关系错综复杂，部分标签有层次关系或有一定的关联性；每段视频标签数目不固定；标签长尾分布；人工标注质量参差不齐等问题。通过多模态深度学习，融合视觉、自然语言和语音等多模态特征，并结合视频细粒度识别理解算法，开发面向海量游戏视频的自动视频标签算法和服务成为了一大挑战。
六、广告与推荐系统
01、多模态广告融合推荐算法研究
推荐系统的物品侧一般会有图像、声音、文本等多种模态的信息，这些信息可以从多个方面刻画物品。如何去表征这些多模态的信息，并且将这些信息融入到推荐模型中，尤其是融入到当前的用户兴趣模型中，去动态地识别图像和文本中最影响用户兴趣的部分，是我们面临的一大挑战。
02、融合多场景的推荐系统研究
微信中存在不同的推荐场景，基于用户兴趣、社交等不同维度，满足用户多方面的信息获取需求，通过充分利用不同场景和业务的数据，可以进行推荐系统的多场景多任务联合优化。
03、基于知识图谱的兴趣推理及其在推荐系统中的应用
推荐系统中，往往基于用户-物品的交互来进行推荐。知识图谱中蕴含的结构化知识可以辅助推荐系统的可解释性，并扩展推荐系统的多样性。现有的知识图谱辅助推荐的方法，多考虑建模物品之间的实体与关系，而较少考虑刻画兴趣点之间的复杂关系及其演化。基于知识图谱的兴趣推理与扩展技术，通过弱监督学习、知识图谱结构挖掘、常识推理、强化学习等技术，习得基于用户-物品交互背后的显示兴趣表示，生成可解释的兴趣扩展路径。
七、知识图谱与自然语言处理
01、文本理解
研究和探索基于语义分析和知识推理的深度文本理解技术，包括但不限于新型的文本理解模型架构、针对社交文本的语言理解技术、引入常识及外部背景知识的语言理解模型、知识图谱的表示及推理等。
02、自然语言处理技术在软件安全领域的应用研究
随着软件复杂度的不断提升，大规模源代码和二进制软件的漏洞挖掘工作面临新的机遇和挑战。该项目希望把自然语言处理技术和深度学习相关技术（例如实体识别、关系抽取、文本生成、机器翻译、文本表示、文本相似度分析等）应用于软件安全研究中。
03、声纹识别
声纹识别技术是一种根据人的声音来进行身份判定的人机交互方式。该技术在智能家居、会议系统、商业支付、车载、司法刑侦等方面发挥着重要作用。目前基于短语音的身份判定受到研究者的广泛关注，深度学习技术的发展大幅提升了声纹识别的效果。
八、数据挖掘
游戏社交推荐算法优化
游戏社交推荐算法具有较多应用场景，如好友推荐、战队推荐、物品推荐、网络传播等，同时游戏社交数据纷繁复杂，包括玩家图片、社交网络、游戏数据等。如何设计有效的推荐算法，具有较高的研究价值。
九、计算机网络与物联网
01、超低延迟实时网络传输技术研究
从近年来直播和视频会议的火爆到VR、元宇宙等概念的兴起，应用对网络交互的实时性要求越来越高，如何搭建一套支持高带宽和超低延迟（10ms级别）的网络系统越来越成为一个计算机网络行业急需解决的问题，主要研究包括：具备超低延迟能力的流控/拥塞控制算法研究，低延迟友好的浅buffer路由研究等。
02、智慧交通5G低时延实时流媒体传输和应用关键技术研究
随着互联网业务在ToB垂直领域的蓬勃发展，如港口、航司、先导区、高速等场景均带来了强烈的行业属性，该研究旨在研究和解决5G流媒体、实时数字孪生、远程控制等技术在上述移动、低时延等环境中传输和应用时遇到的问题，以提升终端客户的业务体验。
总结
今天的分享就到这里啦，不知道有没有哪个方向让你最感兴趣呢～如果有的话，就朝着心仪的方向攻读硕博学位吧！希望看到这里的你，在不久的将来能成为CS科研大佬！
人工智能十大发展方向
人工智能（ArtificialIntelligence），英文缩写为AI.它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
人工智能是对人的意识、思维的信息过程的模拟。但不是人的智能，能像人那样思考、也可能超过人的智能。但是这种会自我思考的高级人工智能还需要科学理论和工程上的突破。从诞生以来，人工智能理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的容器。正因为如此，人工智能的应用方向才十分之广。
1、机器视觉
机器视觉就是用机器代替人眼来做测量和判断。机器视觉系统是指通过机器视觉产品（即图像摄取装置，分CMOS和CCD两种）将被摄取目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。
人工智能能使机器能够担任一些需要人工处理的工作。而这些工作需要做一定的决策，要求机器能够自行的根据当时的环境做出相对较好的决策。这就需要计算机不仅仅能够计算，还能够拥有一定得智能。而要对周围的环境进做出好的决策就需要对周边的环境进行分析，即要求机器能够看到周围的环境，并能够理解它们。就像人做的那样。所以机器视觉是人工智能中非常重要的一个领域。
机器视觉在许多人类视觉无法感知的场合发挥重要作用，如精确定律感知、危险场景感知、不可见物体感知等，机器视觉更突出他的优越性。现在机器视觉已在一些领域的到应用，如零件识别与定位，产品的检验，移动机器人导航遥感图像分析，安全减半、监视与跟踪，国防系统等。它们的应用于机器视觉的发展起着相互促进的作用。
2、指纹识别
指纹识别技术把一个人同他的指纹对应起来，通过比较他的指纹和预先保存的指纹进行比较，就可以验证他的真实身份。每个人（包括指纹在内）皮肤纹路在图案、断点和交叉点上各不相同，也就是说，是唯一的，并且终生不变。依靠这种唯一性和稳定性，我们才能创造指纹识别技术。
指纹识别主要根据人体指纹的纹路、细节特征等信息对操作或被操作者进行身份鉴定，得益于现代电子集成制造技术和快速而可靠的算法研究，已经开始走入我们的日常生活，成为目前生物检测学中研究最深入，应用最广泛，发展最成熟的技术。
指纹识别系统应用了人工智能技术中的模式识别技术。模式识别是指对表征事物或现象的各种形式的（数值的、文字的和逻辑关系的）信息进行处理和分析，以对事物或现象进行描述、辨认、分类和解释的过程。很显然指纹识别属于模式识别范畴。
3、人脸识别
人脸识别，特指利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术。人脸识别是一项热门的计算机技术研究领域，人脸追踪侦测，自动调整影像放大，夜间红外侦测，自动调整曝光强度；它属于生物特征识别技术，是对生物体（一般特指人）本身的生物特征来区分生物体个体。
人脸识别技术是基于人的脸部特征，对输入的人脸图象或者视频流。首先判断其是否存在人脸，如果存在人脸，则进一步的给出每个脸的位置、大小和各个主要面部器官的位置信息。并依据这些信息，进一步提取每个人脸中所蕴涵的身份特征，并将其与已知的人脸进行对比，从而识别每个人脸的身份。
在人工智能与人脸识别技术结合上，百度可能已经领先众人一步，有人在秘密上爆料，说是百度人脸识别技术有了新成果，估计是与支付相关。如果百度这次推出的确实是人脸识别支付，则在移动支付上就可以甩开阿里、企鹅很大一步。
百度的人脸识别技术加支付场景，有两个层面上的解读。第一方面是将识图技术与商业层面打通，建立更加丰富的购物场景。目前我们的购物支付场景多是遵循常规的手法：code，命令。人脸在很大程度上可以提升交易安全性和速度，是未来的必要趋势。
而更深层次的是和大数据打通。尤其人脸大数据，无论在日常生活，还是商业运作上都是语音、动作之后最重要的数据之一，它更能够将个人大数据实现更大化的整合，甚至重建信用体系规则。
4、智能信息检索技术
数据库系统是储存某个学科大量事实的计算机系统，随着应用的进一步发展，存储的信息量越来越大，因此解决智能检索的问题便具有实际意义。
智能信息检索系统应具有如下的功能：
（1）能理解自然语言，允许用自然语言提出各种询问；
（2）具有推理能力，能根据存储的事实，演绎出所需的答案；
（3）系统具有一定常识性知识，以补充学科范围的专业知识。系统根据这些常识，将能演绎出更一般的一些答案来。
实现这些功能要应用人工智能的方法。
据此前百度公布的信息显示，百度已经建成全球规模最大的深度神经网络，这一称为百度大脑的智能系统，目前可以理解分析200亿个参数，达到了两、三岁儿童的智力水平。随着成本降低和计算机软硬件技术的进步，再过20年，当量变带来质变，用计算机模拟一个10-20岁人类的智力几乎一定可以做到。
似乎可以毫无悬念地预判到人工智能在互联网企业日后竞争中的核心地位，在这个发展的过程了，相信人工智能也会开始接触更多更大，那些我们本以为互联网很难渗透进去的领域。
5、智能控制
智能控制（intelligentcontrols）在无人干预的情况下能自主地驱动智能机器实现控制目标的自动控制技术。控制理论发展至今已有100多年的历史，经历了经典控制理论和现代控制理论的发展阶段，已进入大系统理论和智能控制理论阶段。智能控制理论的研究和应用是现代控制理论在深度和广度上的拓展。20世纪80年代以来，信息技术、计算技术的快速发展及其他相关学科的发展和相互渗透，也推动了控制科学与工程研究的不断深入，控制系统向智能控制系统的发展已成为一种趋势。
对许多复杂的系统，难以建立有效的数学模型和用常规的控制理论去进行定量计算和分析，而必须采用定量方法与定性方法相结合的控制方式。定量方法与定性方法相结合的目的是，要由机器用类似于人的智慧和经验来引导求解过程。因此，在研究和设计智能系统时，主要注意力不放在数学公式的表达、计算和处理方面，而是放在对任务和现实模型的描述、符号和环境的识别以及知识库和推理机的开发上，即智能控制的关键问题不是设计常规控制器，而是研制智能机器的模型。
此外，智能控制的核心在高层控制，即组织控制。高层控制是对实际环境或过程进行组织、决策和规划，以实现问题求解。为了完成这些任务，需要采用符号信息处理、启发式程序设计、知识表示、自动推理和决策等有关技术。这些问题求解过程与人脑的思维过程有一定的相似性，即具有一定程度的智能。
随着人工智能和计算机技术的发展，已经有可能把自动控制和人工智能以及系统科学中一些有关学科分支（如系统工程、系统学、运筹学、信息论）结合起来，建立一种适用于复杂系统的控制理论和技术。智能控制正是在这种条件下产生的。它是自动控制技术的最新发展阶段，也是用计算机模拟人类智能进行控制的研究领域。
6、视网膜识别
视网膜是眼睛底部的血液细胞层。视网膜扫描是采用低密度的红外线去捕捉视网膜的独特特征，血液细胞的唯一模式就因此被捕捉下来。
视网膜也是一种用于生物识别的特征，有人甚至认为视网膜是比虹膜更唯一的生物特征，视网膜识别技术要求激光照射眼球的背面以获得视网膜特征的唯一性。
虽然视网膜扫描的技术含量较高，但视网膜扫描技术可能是最古老的生物识别技术，在20世纪30年代，通过研究就得出了人类眼球后部血管分布唯一性的理论，进一步的研究的表明，即使是孪生子，这种血管分布也是具有唯一性的，除了患有眼疾或者严重的脑外伤外，视网膜的结构形式在人的一生当中都相当稳定。
7、虹膜识别
人的眼睛结构由巩膜、虹膜、瞳孔三部分构成。虹膜是位于黑色瞳孔和白色巩膜之间的圆环状部分，其包含有很多相互交错的斑点、细丝、冠状、条纹、隐窝等的细节特征。这些特征决定了虹膜特征的唯一性，同时也决定了身份识别的唯一性。
虹膜的形成由遗传基因决定，人体基因表达决定了虹膜的形态、生理、颜色和总的外观。人发育到八个月左右，虹膜就基本上发育到了足够尺寸，进入了相对稳定的时期。除非极少见的反常状况、身体或精神上大的创伤才可能造成虹膜外观上的改变外，虹膜形貌可以保持数十年没有多少变化。另一方面，虹膜是外部可见的，但同时又属于内部组织，位于角膜后面。要改变虹膜外观，需要非常精细的外科手术，而且要冒着视力损伤的危险。虹膜的高度独特性、稳定性及不可更改的特点，是虹膜可用作身份鉴别的物质基础。
在包括指纹在内的所有生物识别技术中，虹膜识别是当前应用最为方便和精确的一种。虹膜识别技术被广泛认为是二十一世纪最具有发展前途的生物认证技术，未来的安防、国防、电子商务等多种领域的应用，也必然的会以虹膜识别技术为重点。这种趋势已经在全球各地的各种应用中逐渐开始显现出来，市场应用前景非常广阔。
8、掌纹识别
掌纹识别是近几年提出的一种较新的生物特征识别技术。掌纹是指手指末端到手腕部分的手掌图像。其中很多特征可以用来进行身份识别：如主线、皱纹、细小的纹理、脊末梢、分叉点等。掌纹识别也是一种非侵犯性的识别方法，用户比较容易接受，对采集设备要求不高。
掌纹中最重要的特征是纹线特征，而且这些纹线特征中最清晰的几条纹线基本上是伴随人的一生不发生变化的。并且在低分辨率和低质量的图像中仍能够清晰的辨认。
点特征主要是指手掌上所具有的和指纹类似的皮肤表面特征，如掌纹乳突纹在局部形成的奇异点及纹形。点特征需要在高分辨率和高质量的图像中获取，因此对图像的质量要求较高。
纹理特征，主要是指比纹线更短、更细的一些纹线，但其在手掌上分布是毫无规律的。掌纹的特征还包括几何特征：如手掌的宽度、长度和几何形状，以及手掌不同区域的分布。
掌纹中所包含的信息远比一枚指纹包含的信息丰富，利用掌纹的纹线特征、点特征、纹理特征、几何特征完全可以确定一个人的身份。因此，从理论上讲，掌纹具有比指纹更好的分辨能力和更高的鉴别能力。
9、专家系统
专家系统是一个智能计算机程序系统，其内部含有大量的某个领域专家水平的知识与经验，能够利用人类专家的知识和解决问题的方法来处理该领域问题。也就是说，专家系统是一个具有大量的专门知识与经验的程序系统，它应用人工智能技术和计算机技术，根据某领域一个或多个专家提供的知识和经验，进行推理和判断，模拟人类专家的决策过程，以便解决那些需要人类专家处理的复杂问题，简而言之，专家系统是一种模拟人类专家解决领域问题的计算机程序系统。
专家系统是人工智能中最重要的也是最活跃的一个应用领域，它实现了人工智能从理论研究走向实际应用、从一般推理策略探讨转向运用专门知识的重大突破。专家系统是早期人工智能的一个重要分支，它可以看作是一类具有专门知识和经验的计算机智能程序系统，一般采用人工智能中的知识表示和知识推理技术来模拟通常由领域专家才能解决的复杂问题。
专家系统的发展已经历了3个阶段，正向第四代过渡和发展。第一代专家系统（dendral、macsyma等）以高度专业化、求解专门问题的能力强为特点。但在体系结构的完整性、可移植性、系统的透明性和灵活性等方面存在缺陷，求解问题的能力弱。第二代专家系统（mycin、casnet、prospector、hearsay等）属单学科专业型、应用型系统，其体系结构较完整，移植性方面也有所改善，而且在系统的人机接口、解释机制、知识获取技术、不确定推理技术、增强专家系统的知识表示和推理方法的启发性、通用性等方面都有所改进。第三代专家系统属多学科综合型系统，采用多种人工智能语言，综合采用各种知识表示方法和多种推理机制及控制策略，并开始运用各种知识工程语言、骨架系统及专家系统开发工具和环境来研制大型综合专家系统。
在总结前三代专家系统的设计方法和实现技术的基础上，已开始采用大型多专家协作系统、多种知识表示、综合知识库、自组织解题机制、多学科协同解题与并行推理、专家系统工具与环境、人工神经网络知识获取及学习机制等最新人工智能技术来实现具有多知识库、多主体的第四代专家系统。
10、自动规划
自动规划是一种重要的问题求解技术，与一般问题求解相比，自动规划更注重于问题的求解过程，而不是求解结果。此外，规划要解决的问题，如机器人世界问题，往往是真实世界问题，而不是比较抽象的数学模型问题。与一些求解技术相比，自动规划系统与专家系统均属高级求解系统与技术。
规划是一种重要的问题求解技术，它从某个特定的问题状态出发，寻求一系列行为动作，并建立一个操作序列，直到求得目标状态为止。
规划可用来监控问题求解过程，并能够在造成较大的危害之前发现差错。规划的好处可归纳为简化搜索、解决目标矛盾以及为差错补偿提供基础。