中国计算机学会计算机视觉专业组走进高校系列报告会

CCF－CV Series Lectures

哈尔滨工业大学·哈尔滨（第 6期）

2016年1月9日（星期六）9:00-12:00

哈尔滨工业大学学生活动中心327

http://biometrics.hit.edu.cn/CCF/index.html

报告会主题

计算机视觉前沿技术及应用

程 序

8:30 签到

9:00 报告会开始

特邀讲者：王　亮 博士，中国科学院自动化所研究员

演讲题目：Deep Relation Learning

特邀讲者：徐 勇 博士,哈尔滨工业深圳研究生院教授

演讲题目：信号处理中的稀疏建模和字典学习

特邀讲者：林 倞 博士，中山大学数据科学与计算机学院教授

演讲题目：融合语法知识的深度模型及场景解析

特邀讲者：张兆翔 博士，中国科学院自动化所研究员

演讲题目：类脑视觉：现状、思考与尝试

执行主席：左旺孟 博士，哈尔滨工业大学副教授

中国计算机学会计算机视觉专业组委员

参加人员：视觉领域专业人士、研究生、媒体、其他有兴趣者

报名方式：Email：cswmzuo@gmail.com (请于1月8日前将参会回执回复至该邮箱，邮件主题请注明“CCF－CV哈尔滨工业大学报告会回执”)

参加方式：免费参加，敬请光临。

参会回执

注：回执仅仅针对外地和外校的人员，本校人员无需提供。

特邀讲者 王亮　

博士，中科院自动化所研究员，博导，IEEE高级会员、国际模式识别协会会士（IAPR Fellow），国家杰出青年科学基金获得者，中科院自动化所模式识别国家重点实验室副主任、计算机学会计算机视觉专业组秘书长、图像视频大数据产业技术创新战略联盟秘书长。2004-2010年分别在英国帝国理工学院、澳大利亚莫纳什大学、墨尔本大学及英国巴斯大学工作。主要从事计算机视觉和模式识别等相关领域的研究。现为《IEEE Transactions on Information Forensics and Security》、《IEEETransactions on Cybernetics》等国际期刊编委。

报告摘要：Deep learning is a powerfultechnique which is able to learn discriminative and task-orientedrepresentations for data contents in various pattern recognition applications.Recently, it is demonstrated that, deep learning technique can also be adaptedto data relation learning, namely deep relation learning, by achievingstate-of-the-art results in many relation learning tasks. This talk will firstpresent the background of deep relation learning, including deep neuralnetworks, deep learning and its applications to data relation learning. Then itwill describe our recent work on learning pairwise similarity relation for faceverification using conditional high-order Boltzmann machines, and learningtemporal dependency relation for multi-frame super-resolution usingbidirectional recurrent convolutional networks, as well as some futuredirections.

特邀讲者 徐勇　

博士，教授，博导，IEEE高级会员、哈尔滨工业大学深圳研究生院教授。2005年获南京理工大学工学博士学位，主要从事计算机视觉和模式识别等相关领域的研究。2008年度教育部新世纪优秀人才获得者，全国青年科学之星获得者，入选2014年度国内高被引作者。获得省部级一、二等奖各一项。

报告摘要：子空间学习已经成功应用于机器学习和计算机视觉领域。近年来，许多研究者都把目光放在基于低秩分解和稀疏编码的子空间学习与数据表示上。与传统的子空间学习方法相比，基于低秩分解和稀疏编码的子空间学习方法更鲁棒、更灵活和有效，已成为当今机器学习和计算机视觉领域十分热门的话题。本报告首先讨论传统子空间学习方法存在的不足。接着，从正则技术的角度阐述低秩分解和稀疏编码在子空间学习中的作用，介绍团队近年来提出的包括基于低秩和稀疏约束的子空间学习框架、基于非负低秩表示的数据表达方法、以及联合稀疏图的方法。这些基于低秩分解和稀疏编码技术的方法可有效抓住数据的内在子空间结构，进而可以准确地进行数据表达并在模式分类等问题中获得优异的结果。

特邀讲者 林倞　

\林倞，中山大学数据科学与计算机学院教授，博士生导师，IEEE高级会员。2007-2009年在美国加州大学洛杉矶分校工作，2013-2014年在香港理工大学访问。长期从事视觉计算与智能感知等相关领域的研究，迄今已在权威期刊IJCV (Springer) / IEEE T-PAMI / Proceedingof the IEEE发表论文6篇，在IEEETrans / Pattern Recognition等知名期刊发表论文25篇，在CVPR/NIPS/ICCV/ACM MM等顶级国际会议发表论文30篇。获得2010年 ACM NPAR最佳论文奖，2012年Google Faculty Award，2014年ICME最佳学生论文奖。2012年入选教育部新世纪优秀人才支持计划，2013年获广东自然科学杰出青年基金。

报告摘要：自然场景的理解是计算机视觉的核心问题之一，目前的相关研究主要集中在场景标注或语义分割方面，而忽略了场景的层次结构、物体之间的关联关系等信息。本报告将介绍了一种混合了卷积神经网络与递归神经网络的深度模型，该模型的学习是基于图像及相关的内容描述语句，通过弱监督方式来实现的。实验表明，该模型能够从自然场景中自动抽取出结构化的、符合语法规则的场景语义配置。

特邀讲者 张兆翔

张兆翔，博士，中国科学院自动化研究所研究员，中国科学院脑科学与智能技术卓越创新中心年轻骨干，IEEE高级会员，计算机学会YOCSEF委员，计算机视觉专委会委员，模式识别与人工智能专委会委员，人工智能学会模式识别专委会委员。2004年毕业于中国科学技术大学，获得电路与系统专业学士学位；2004年进入中国科学院自动化研究所硕博连读，于2009年获得工学博士学位；2009年入职北京航空航天大学计算机学院，历任讲师、副教授、硕士生导师、计算机应用技术系副主任。2015年通过公开竞聘任职中国科学院自动化研究所类脑智能研究中心研究员。张兆翔博士一直从事智能视觉监控方面的研究工作，近期进一步聚焦在结合类脑智能和类人学习机制的视觉计算模型，在可用信息建模和基于模型的物体识别问题上开展了系统工作，在面向国家公共安全和智慧城市监管需求的系统平台上取得成功应用，取得显著社会影响和经济效益，近五年来在国际主流学术期刊与会议上发表论文75篇，SCI收录期刊论文35篇，担任了ICPR、IJCNN、AVSS、PCM等多个国际会议的程序委员会委员，SCI期刊《Neurocomputing》副主编，《IEEE Access》副主编，《Frontiers ofComputer Science》青年副主编和TPAMI、TIP、TCSVT、PR等20余个本领域主流期刊的审稿人。入选“教育部新世纪优秀人才支持计划”、“北京市青年英才计划”和“微软亚洲研究院铸星计划”。

报告摘要：近年来，类脑智能得到世界各国政府的重视，被认为是智能科学的下一个发展突破口，并得到智能领域科研工作者的广泛关注。类脑视觉信息处理是类脑智能中的重要组成部分，对于研究类脑智能实质，推广类脑智能应用具有重要研究意义和应用价值。在本报告中，我将结合类脑智能的发展态势和前期开展的若干代表性科研工作，从借鉴人脑视觉机理和模拟人脑视觉感知通路的角度，给出类脑视觉信息处理的研究现状、态势，分享我们的若干思考和尝试。

会场路线图

西大直街92号哈尔滨工业大学正门，按路线走约800米即可到达。