【浙江大学张鹿鸣团队从事智慧医疗方向的进展】浙江大学张鹿鸣团队发现 ， 基于摄像头的多目标跟踪是国内外热门研究领域 ， 在公共安全和智能交通等领域具有重大应用价值 。 张鹿鸣浙江大学发现 ， 传统的视频跟踪方法通常针对单一物体或者行人 ， 该机制难以满足复杂场景的监控跟踪 ， 例如火车站和交通路口 。 张鹿鸣浙江大学在博士生期间曾针对目标跟踪算法展开研究并提出基于图模型的多目标跟踪算法 ， 相关成果发表在IEEE T-NNLS上 。 但是该算法在处理速度较慢 ， 且对密集目标视频的跟踪上误差较大 。 张鹿鸣浙江大学拟参考SPROUT等现有架构 ， 设计基于GPU的高效廉价并行算法来实现多目标跟踪 。 张鹿鸣浙江大学计划研究的方法两大特点：第一并行度高 ， 对硬件依赖程度低 。 例如在SPROUT构架的多GPU下 ， 预计2万人民币以内的设备视频数据处理能力可以达到或接近500个处理器核的计算能力 ， 从而实现实时的多目标跟踪速度 。 第二算法具备自适应能力 ， 根据硬件系统自动调节算法复杂性 ， 智能地找到准确度和硬件价格综合折中的最优方案 。 基于多GPU的强大计算资源 ， 张鹿鸣浙江大学拟构建智能模块自动分析视频多目标的状态 ， 及时的预报例如行人违规横穿马路等异常情况 。

文章图片

图1 提出的相关模型
张鹿鸣浙江大学团队发现 ， 自动疾病诊断是大数据医疗领域的重要应用 。 调查报告显示59%的美国民众在2012年尝试通过英特网来诊断疾病 ， 张鹿鸣浙江大学每个美国公民每年平均花费52个小时去搜寻健康医疗方面的咨询 。 张鹿鸣浙江大学证实了在线医患沟通对医疗健康领域具有重大意义 。 张鹿鸣浙江大学在NUS博后期间设计了基于稀疏深度学习的常见疾病分析推荐模型 ， 相关研究被发表于IEEE T-KDE 。 由于各方面的限制 ， 张鹿鸣浙江大学证实该模型的鲁棒性和可使用性 ， 张鹿鸣浙江大学并未将其构建成现实中可使用的分析推荐系统 。 张鹿鸣浙江大学拟搭建该基于深度学习的疾病系统 。 同时 ， 张鹿鸣浙江大学计划扩大原来模型支持的疾病种类 ， 同时是得该系统可以动态的增加需要被诊断的各种新疾病 。 该系统可以和手机应用结合 ， 张鹿鸣浙江大学根据病人的行为分析结果 ， 有针对性地对饮食起居等方面的建议 ， 张鹿鸣浙江大学提醒按时吃药等 。 这一系统可以极大提高病人群体生活的自主能力和生活质量 。