稀疏表示法 (sparse representation) 是許多 pattern recognition 與 signal processing方法之基礎。我們自2013年起開始進行此課題之合作與開發。目前我們正發展更快速準確的 analytic dictionary learning 架構，以及提出新的結合 forward 與 inverse 轉換的 sparse model，以強化 dictionary learning 之效果。此外，我們也探討新的核化 (kernel) low-rank matrix fitting 方法。這些成果將有利於在相關機器學習與電腦視覺問題上模型之改善及達成更好的效果。目前成果包括以下論文：

相關論文著作:

Kuang-Yu Chang, Cheng-Fu Lin, Chu-Song Chen, and Yi-Ping Hung, "Single-Pass K-SVD for Efficient Dictionary Learning," Circuits, Systems, and Signal Processing, volume 33, number 1, pages 309-320, January 2014.

Ming-Hang Fu, Yu-Chiang Frank Wang, and Chu-Song Chen, "Exploiting Low-Rank Structures from Cross-Camera Images for Robust Person Re-Identification," International Conference on Image Processing, ICIP 2014, October 2014.

Kuang-Yu Chang and Chu-Song Chen, "Facial Expression Recognition via Discriminative Dictionary Learning," IEEE International Conference on Cyber, Physical and Social Computing (CPSCom), September 2014.

Chih-Hung Lai, Chu-Song Chen, Shih-Yu Chen and Keng-Hao Liu, "Sequential Band Selection Method Based on Group Orthogonal Matching Pursuit," 8th Workshop on Hyperspectral Image and Signal Processing : Evolution in Remote Sensing, WHISPERS 2016, August 2016.

「數位經濟前瞻技術研發與應用」專案推動計畫涵蓋四個項目：人工智慧(AI)、大數據(Big Data)、金融科技(Fintech)、虛擬實境與擴增實境(VR/AR)。於2017年

本專案通過之計畫於2017年6月份開始執行。本人將協助進行 VR/AR 項目通過計畫之成果整合與管考。

家用機器人因廣大的潛在應用如家庭照護、兒童教育、及老人陪伴等，成為學界、產業界重要的研究議題。在本計畫中，我們提出以深度學習理論提升機器人視、聽的感知、適應能力以及回憶、檢索能力。本計畫預計發展之關鍵技術包含四個部分：(1)深層聽覺；(2)深層多模態行為感知；(3)深層適應學習；(4)深層視聽回憶與檢索。針對(1)，目標以深度學習補償失真的語音訊號，有效提升機器人在真實環境下語者辨識、語音辨識、聲音事件偵測效能。針對(2)，目標是結合多模態處理(包括語音與視覺等)，提升機器人對家庭成員動作與事件辨識能力，以利提供更即時、貼切的服務。針對(3)，目標是提升機器人對於新成員、新物體、新事件快速學習、快速適應的能力。最後針對(4)，目標是提升深層學習提升機器人的檢索與搜尋能力，並結合其他三個部分，使機器人能與家人、環境、甚至物品與事件有效地互動，以實現智能生活之目的。

本計畫結合中研院資訊所與資創中心相關同仁，進行深度學習之關鍵視聽技術開發以應用於家用機器人系統。共分為四個子計畫 Deep hearing (Yu Tsao, CITI; Hsin Min Wang, IIS); Subproject 2: Deep visual recognition (Yen-Yu Lin, CITI); Subproject 3: Deep domain adaptation (Frank Wang, CITI/NTU); Subproject 4: Deep search and retrieval (Chu-Song Chen, IIS)。

本計畫於於2016年9月向科技部申請 AI & Deep Learning 專案獲得通過（通過率為 13/49），目前第一年計畫正執行中。