• MIRACLE深耕人工智能、机器学习和计算机视觉领域，致力于多模态信息的感知与处理。
• 我们立足于严谨理论研究，着眼于复杂场景下应用落地，致力于多域联合下跨模态数据挖掘、表达、推理与应用算法研究和系统开发。
• 我们的研究方向包括但不限于：

       一、几何深度学习 (Geometric Deep Learning)

       几何深度学习旨在将现有神经网络模型推广到非欧式空间，以此来处理基于非欧式空间底层结构的数据。团队目前重点图神经网络、深度测度学习等方向，并以此为基础促进深度神经网络的可解释性、可推理性研究。

       二、深度持续学习 (Deep Continual Learning)

       深度持续学习旨在模拟人脑的知识学习过程，让深度模型在学习新知识的同时有效保留旧知识。团队目前着重于研究深度模型持续学习机制，解决灾难性遗忘问题，针对不同的计算机视觉任务实现有效知识传递。

       三、跨域表示学习 (Cross-Modal Representation Learning）

       跨模态信息检索的目的是实现不同模态之间的相互检索。团队目前着重于跨模态统一表征、关系挖掘和特征融合，解决模态鸿沟和语义鸿沟问题，并针对跨模态信息检索系统的安全性，设计可信的跨模态信息检索系统。

       四、跨域视觉理解 (Cross-Modal Visual Understanding)

       跨模态视觉理解旨在通过多模态数据的关联与交互，加深对视觉内容的分析理解。团队主要研究基于语言驱动的多模态视觉理解，实现目标识别、视频定位、视频分割等任务。

       五、跨域知识推理 (Cross-Modal Knowledge Reasoning)

       跨域知识推理，旨在挖掘跨模态数据的有用知识，并提升知识表示的泛化性和可解释性，让处于开放环境下的智能体具有类人的认知和推理能力，可广泛应用于自动驾驶、智能安防、智能医疗诊断等领域。