智慧交通系统作为智慧城市的重要组成部分，正面临着日益复杂的感知挑战。传统的静态机器学习方法难以适应交通环境的动态变化、多样化场景和实时性要求。在线进化学习作为一种新兴的学习范式，能够在动态环境中持续学习和自适应，为智慧交通感知系统提供了新的解决方案。

本讲习班聚焦于智慧交通感知中的三个核心研究任务：时空异常检测、协同感知和生成-感知-控制一体化。时空异常检测旨在利用监控摄像头采集的时空数据实时无接触地识别各类可能影响交通参与主体安全的异常行为；协同感知通过车-车、车-路通信实现多源信息融合和共享感知，以全面提升交通感知系统的准确性和可靠性；生成-感知-控制一体化则将环境建模、感知理解和决策控制统一到端到端的学习框架中，实现更加智能和高效的交通系统。

在线进化学习为这三个任务提供了统一的理论框架，通过时空表征学习、协同感控和自适应优化等核心技术，使智慧交通系统能够在复杂多变的真实环境中保持高效运行。本讲习班将从理论基础出发，深入探讨在线进化学习的核心算法，并结合智慧交通的实际应用场景，为参会者提供从理论到实践的全面指导。

组织者1：刘洋
所属机构： 同济大学电子与信息工程学院
职务： 助理教授
联系方式： yang_liu@ieee.org
个人简介： 刘洋博士于2020 年获得南京大学自动化学士学位，2025 年获得复旦大学计算机科学博士学位，并于2023 年至2025 年在加拿大多伦多大学计算机系进行联合博士研究，合作导师包括Liang Song 教授(加拿大工程院院士) 和Victor C.M. Leung (加拿大工程院院士、加拿大皇家科学院院士、IEEE Life Fellow)。他的研究方向为异常检测和在线进化学习及其在智慧交通系统和自动驾驶中的应用。截止目前，刘洋博士以第一/通讯作者在ACM CSUR、IEEE TIP、TII、TNNLS 和TIE 等知名期刊上发表了多篇论文，相关研究成果申报国家专利10 余项。他曾担任IEEE ICASSP 2026 异常检测专栏主席，BMVC 2025 领域主席，IEEE ICIP 2025 在线进化学习研讨会联合主席和IEEE WF-IoT 2025 专题论坛联合组织人。

组织者2：宋梁
所属机构： 复旦大学智能机器人与先进制造创新学院
职务： 教授，博士生导师；加拿大工程院院士；复旦大学智联网络研究中心主任
联系方式： songl@fudan.edu.cn
个人简介： 宋梁教授现任复旦大学教授和智联网络研究中心（FINSAI）主任，加拿大工程院院士。他在通信网络和AI 系统交叉领域有超过20 年的研究经验，发表200 多篇高质量论文和8 本专著。宋梁教授在大规模系统架构设计和网络优化方面有深厚造诣，特别是在车联网通信协议、边缘计算和分布式学习系统方面。他领导的团队在5G/6G 车联网、协同感知网络和智能交通系统方面取得了突破性进展。在在线进化学习领域，他专注于面向L4 级别以上自动驾驶系统的大规模生成-感知-控制一体化算法设计，为智慧交通系统的实际部署提供了关键技术支撑。

组织者3：李迪
所属机构： 宁波大学信息科学与工程学院
职务： 讲师
联系方式： lidi1@nbu.edu.cn
个人简介： 李迪博士现为宁波大学信息科学与工程学院计算机系所讲师，智联网络系统学会理事。他于2022 年获河南科技大学检测技术与自动化装置专业博士学位，主要研究方向为弱监督学习、多模型协作的在线进化学习。近年来，在半监督学习算法的效能优化、多模型交互式知识传递、多智能体协同感知等方向发表研究论文十余篇，也曾受邀担任IEEE TCSVT、TMM、AAAI 等期刊和会议的客座编辑或长期审稿人。

组织者4：孙鹏
所属机构： 昆山杜克大学数据科学系
职务： 助理教授，博士生导师
联系方式： peng.sun568@duke.edu
个人简介： 孙鹏教授现为昆山杜克大学数据科学系助理教授，IEEE 高级会员。他于2016年获得加拿大渥太华大学电气与计算机工程博士学位，专注于AI 辅助的智慧交通系统、车联网和移动车载边缘计算研究。孙教授在协同感知领域有深入研究，特别是在车载通信网络、分布式感知算法和边缘-云协同计算方面。他发表40 多篇高质量论文，2019 年获得IEEE GLOBECOM 最佳论文奖。他的代表性工作包括车联网中的层次化节点部署策略、交通流预测和异常检测算法等。在智慧交通系统的实时性和可扩展性方面，他提出了多项创新性解决方案，为大规模车联网部署提供了重要的理论基础和技术支撑。

本讲习班与近年来相关讲习班形成互补和拓展关系：
CVPR 2023 "Anomaly Detection" (链接： https://sites.google.com/view/cvpr2023-tutorial-on-ad) 由Guansong Pang、Joey Tianyi Zhou、Radu Tudor Ionescu 等专家主讲，涵盖无监督/自监督异常检测、弱监督异常检测等方法，主要针对图像和视频数据的通用异常检测技术。相比之下，本讲习班专门针对智慧交通场景，强调实时性、多模态协同感知和在线进化学习机制，不仅关注异常检测算法，还与协同感知和控制系统一体化集成。

CVPR 2024 "Self-Driving Cars: A Full Day Tutorial" (链接：https://waabi.ai/cvpr-2024/) 由Waabi 主办，全面覆盖自动驾驶技术栈，包括传感器融合、3D 感知、预测与规划等，主要关注单车智能。本讲习班则扩展到车-车、车-路协同的智慧交通生态系统，强调在线进化学习和动态适应能力，将异常检测深度集成到感知系统中，形成完整的感知-检测-控制一体化框架。

ICCV 2025 "Foundation Models in Visual Anomaly Detection" (链接：https://iccv.thecvf.com/virtual/2025/events/tutorial )专注于基础模型在视觉异常检测中的应用，涵盖零样本/少样本学习、多模态对齐等技术。本讲习班深入交通感知具体需求，强调毫秒级实时响应，提供边缘-云协同部署方案，支持大规模交通网络应用，并结合生成-感知-控制一体化框架。

本讲习班的独特价值：

• 技术整合创新：首次将在线进化学习作为统一框架，有机结合异常检测、协同感知、生成-感知-控制一体化三大核心任务
• 垂直领域深耕：专门针对智慧交通这一重要应用领域，而非通用技术方法
• 实时工程优化：强调毫秒级响应和边缘-云协同部署，满足交通安全的严格要求
• 完整技术链条：提供从理论基础到工程部署的完整解决方案，弥合学术研究与产业应用的gap

在线进化学习核心理论：
1.Liu J, Liu Y, Lin J, et al. Networking systems for video anomaly detection: A tutorial and survey[J]. ACM Computing Surveys, 2025, 57(10): 1-37.
2.Song L, Hu X, Zhang G, et al. Networking systems of AI: On the convergence of computing and communications[J]. IEEE Internet of Things Journal, 2022, 9(20): 20352-20381.
3.Li D, Zhu X, Song L. Mutual match for semi-supervised online evolutive learning[J]. Applied Intelligence, 2023, 53(3): 3336-3350.

时空学习与异常检测：
4.Liu Y, Wang H, Wang Z, et al. Crcl: Causal representation consistency learning for anomaly detection in surveillance videos[J]. IEEE Transactions on Image Processing, 2025.
5.Liu Y, Yang D, Wang Y, et al. Generalized video anomaly event detection: Systematic taxonomy and comparison of deep models[J]. ACM Computing Surveys, 2024, 56(7): 1-38.
6.Liu Y, Liu J, Yang K, et al. Amp-net: Appearance-motion prototype network assisted automatic video anomaly detection system[J]. IEEE Transactions on Industrial Informatics, 2023, 20(2): 2843-2855.

协同感知与车联网：
7.Sun, P., et al. (2019). "A Novel Hierarchical Two-Tier Node Deployment Strategy for Sustainable Wireless Sensor Networks." IEEE Transactions on Sustainable Computing.
8.Yang K, Yang D, Zhang J, et al. Spatio-temporal domain awareness for multi-agent collaborative perception[C]//Proceedings of the IEEE/CVF international conference on computer vision. 2023: 23383-23392.
9.Zhang J, Yang K, Wang Y, et al. Ermvp: Communication-efficient and collaboration-robust multi-vehicle perception in challenging environments[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2024: 12575-12584.

生成-感知-控制一体化：
10.Jin J, Qian L, Zhang J, et al. EvoPSF: Online Evolution of Autonomous Driving Models via Planning-State Feedback[J]. arXiv preprint arXiv:2508.11453, 2025.
11.Jin J, Qian L, Song L. Multi-agent Framework Based on Coordinated Sensing and Control with Online Evolutive Learning[C]//2024 IEEE 10th World Forum on Internet of Things (WF-IoT). IEEE, 2024: 1-6.
12.Qian L, Sun P, Wang Y, et al. A new online evolutive optimization method for driving agents[C]//GLOBECOM 2024-2024 IEEE Global Communications Conference. IEEE, 2024: 2244-2249.