通知公告
首页 正文

关于举办《计算机视觉前沿技术及应用》学术报告会的通知

文章来源: 教科办 作者: 廉涛
2019-04-12

分享

4月16日下午14:00—17:30,大数据学院将在学院九层报告厅举办《计算机视觉前沿技术及应用》学术报告会。此次报告会也是大数据学院庆祝建校117周年校庆系列活动之一。届时,欢迎感兴趣的老师、同学积极参加。


4月16日下午14:00—17:30,大数据学院将在学院九层报告厅举办《计算机视觉前沿技术及应用》学术报告会。此次报告会也是大数据学院庆祝建校117周年校庆系列活动之一。届时,欢迎感兴趣的老师、同学积极参加。


报告一

报告题目:深度认知神经网络初探

主讲人简介:

A0A37

王亮,博士,中国科学院自动化所研究员、博士生导师,国际模式识别学会会士(IAPR Fellow, 2014),国际电子电气工程师学会会士(IEEE Fellow, 2019)。1997、2000年分别于安徽大学电子工程与信息科学系获得工学学士、硕士学位,2004年于中科院自动化所获得工学博士学位。2004-2010期间,先后于英国帝国理工学院、澳大利亚莫纳什大学、澳大利亚墨尔本大学、英国巴斯大学工作,历任助研、研究员和讲师。目前是模式识别国家重点实验室副主任,中科院自动化所智能感知与计算研究中心常务副主任,中国计算机学会计算机视觉专委会秘书长,中国图像视频大数据产业技术创新战略联盟秘书长,中国图象图形学学会视觉大数据专委会主任,中科院脑科学与智能技术卓越中心骨干人才,中国科学院大学特聘岗位教授,国家重点研发计划云计算与大数据重点专项项目首席科学家等。目前是IEEE TPAMI、IEEE TIP、Pattern Recognition等国际知名期刊的编委,曾是IEEE TIFS(2013-2016)、IEEE TSMC-B(2007-2016)、《自动化学报》(2015-2018)、Neurocomputing(2009-2014)等国内外学术期刊的编委,中国电子学会青年科学家俱乐部副主席(2015-2018),AVSS2012、ACPR2015、DSP2016、IJCB2017、ACPR2019、ICPR2018等国际会议的大会、程序或组织主席等。承担国家级、省部级各类科研项目20余项,主要从事计算机视觉、模式识别、机器学习、数据挖掘等相关领域的研究。截至目前,已申请或授权发明专利50余项,出版专著2部、编著7部,已发表或接收论文220余篇,其中IEEE TPAMI、IEEE TIP等领域高质量国际期刊45篇,ICCV、CVPR等领域顶级国际会议40篇,获得ICPR2014最佳学生论文奖、CCCV2015最佳学生论文奖、CCPR2016最佳论文奖等。目前,谷歌学术引用13400余次,H-index是49(2014-2018连续五年入选ESI高被引科学家名单)。已与华为、爱奇艺、腾讯、京东金融、高德、美的等知名企业进行技术研发或应用的广泛合作。研究成果部分已经实现技术的转移转化,如孵化银河水滴科技(北京)有限责任公司。

报告内容简介:

瞄准模式识别与认知科学发展前沿,突破现有神经网络在结构和功能上的局限性,我们希望创建视觉认知启发的融合反馈、注意、记忆等机制的新型深度认知神经网络新模型和新方法,并将其应用到视觉模式分析任务之中。本报告将主要介绍近期我们在深度认知神经网络方面的探索性工作。


报告二

报告题目:遥感图像智能分析与信息挖掘

主讲人简介:

1D684夏桂松,博士,武汉大学教授、博士生导师,IEEE Senior Member。2011年3月获得法国巴黎高科电信学院(Telecom Paris Tech)博士学位,随后在法国国家科学研究中心(CNRS)决策数学研究所(CEREMADE)从事博士后研究工作。2012 年11月起在武汉大学测绘遥感信息工程国家重点实验室工作。主要从事遥感图像分析和理解、模式识别等领域的研究工作。先后主持国家自然科学基金项目4项、主持湖北省自然科学基金杰出青年基金项目1项、其他科研项目10余项,获湖北省自然科学二等奖。在包括IJCV、IEEE TIP、PR、IEEE TGRS/GRSM、ISPRSJ P&RS等国际权威期刊和CVPR、ECCV、ICIP、ICPR等相关国际会议上发表学术论文110余篇,论文累计被SCI他引1100余次。应邀担任国际期刊Signal Processing:Image Communication和EURASIP Journal on Image and Video Processing副主编(Associate Editor),以及Pattern Recognition Letter、IEEE Trans. on Big Data等多个期刊客座编委(Guest Editor)。担任中国图象图形学会遥感图像专业委员会副秘书长、中国图象图形学会机器视觉专业委员会委员、中国计算机学会计算机视觉专业委员会委员、中国人工智能学会模式识别专业委员会委员。

报告内容简介:

空天地一体化的对地观测网络积累了丰富的遥感图像数据,同时随着图像分辨率的提高,遥感图像包含的信息迅速增长,如何有效分析遥感图像内容,从图像中挖掘关键的地物信息和地学知识是当前遥感信息分析的研究前沿之一。本报告面向遥感图像利用的瓶颈,结合当前新兴的计算机视觉和机器学习技术,分析遥感图像特征提取、场景分类、语义分割、目标检测与识别的研究难题,分享讲者在这些问题上的研究进展,具体包括:面向大规模遥感图像信息挖掘的图像数据库构建方法、高分辨率遥感图像高效特征计算模型、大规模遥感图像场景分类以及目标检测与识别的机器学习方法等。


报告三


报告题目:智能影像计算

主讲人简介:

61FEA刘家瑛,博士,北京大学副教授。2010年7月,毕业于北京大学计算机应用技术专业,获理学博士。同年留校任教,在北京大学计算机科学技术研究所承担教学科研工作,2012年8月晋升为副教授。2007年至2008年,在美国南加州大学电器工程系信号处理研究室任访问学者。2015年,在微软亚洲研究院任铸星计划访问研究员。研究领域包括图像/视频编码、增强与理解。担任亚太信号与信息处理协会(APSIPA)杰出讲者,IEEE/CSIG/CCF高级会员,IEEE MSA/VSPC技术委员会委员,CCF多媒体技术专委会副秘书长,CSIG视觉大数据专委会常委、副秘书长。累计发表高水平学术论文100余篇,其中IEEE汇刊与CCF A类会议论文42篇;申请国家发明专利70项,其中已授权中国专利31项/美国专利4项。担任ACM ICMR-2021 / IEEE VCIP-2019 会议程序主席、 ICCV-2019会议领域主席等多个国际会议组织工作,获教育部科技进步二等奖、CSIG首届石青云女科学家奖-青年奖、北京大学首届教学卓越奖、IEEE MMSP-2014 Top10% Paper Award等。主讲的全球MOOC课程获教育部首批“国家精品在线开放课程”。

报告内容简介:

图像自动风格化在智能影像编辑与生成方面有着飞速发展,将重点结合我们研究小组近期的几项工作,介绍基于统计特征的文字风格化,基于非监督的文字风格化与图文自动生成,以及基于生成对抗网络的文字风格化与去风格化技术研究。


报告四


报告题目:基于深度回归模型的视觉目标跟踪技术

主讲人简介:

72913马超,博士,上海交通大学人工智能研究院、教育部人工智能重点实验室助理教授。上海交通大学与加州大学默塞德分校联合培养博士。2016至2018年澳大利亚机器人视觉研究中心(阿德莱德大学)博士后研究员。主要研究方向计算机视觉与机器学习。研究工作多次发表在计算机视觉领域顶级期刊 (TPAMI/IJCV) 和会议 (ICCV/CVPR/ECCV/NIPS) 上。担任国际期刊Pattern Recognition和IEEE Access的客座编辑,多次担任ICCV/CVPR/ECCV/AAAI的程序委员和审稿人。2018年中国图象与图形学学会优秀博士论文奖获得者。CVPR 2018优秀审稿人。目前谷歌学术总引用超过1800次。



报告内容简介:

Visual object tracking is challenging as target objects often undergo significant appearance changes. In this talk, I will present our work on how to best exploit deep regression networks to improve tracking accuracy and robustness. First, I will introduce our TPAMI 2018 (ICCV 2015) work, in which we adaptively learn correlation filters on hierarchical convolutional layers to precisely locate targets. Second, I will present our ICCV 2017 work, where we reformulate correlation filters by a one-layer neural network. We additionally exploit the spatial and temporal residual learning scheme to facilitate visual tracking. Last, I will report our recent work in ECCV 2018. In this work, we propose a novel shrinkage loss to train deep regression networks for visual tracking. Extensive experimental results on large scale benchmark datasets show that the proposed algorithms perform favorably against state-of-the-art methods.



顶尖高手论坛137887

山西省空间信息网络工程技术研究中心

山西省工业智能大数据研究生教育创新中心

山西省空间信息网络研究生教育创新中心


校内网站

友情链接: