上海新闻网

首页 > 正文

报名倒计时3天 | 来清华参加SpringCamp,与大咖一起“智见AI”

www.hishidai.net2019-08-06
?

人工智能的未来在哪里?一些先驱已经看过了! 5月11日,在清华大学主楼二楼接待大厅蔑视8家学术咖啡馆,以人才培养和生产,学习和研究为目的,为年轻人才SpringCamp计算机带来“智能AI”视觉对象检测和深度神经网络模型设计特别,让大咖啡在这个论坛上告诉你。

该活动将于4月28日23点 00关闭。您可以通过扫描以下二维码进行注册:

img_pic_1556259659_0.png

该活动由中国计算机学会计算机视觉委员会(CCF-CV)主办,由清华大学自动化系和清华大学主办。媒体包括:Machine Heart,Quantum,AI Learning Society,Paperweekly,Cver。

此系列学术训练营旨在打造AI青年学术论坛品牌,为行业前沿人才提供尖端技术交流和学习机会。我希望通过邀请顶级学术大咖分享,吸引优秀的青年学者/行业人才参与,促进简历人才培养和生产研究。

以下是对此次活动的议程,嘉宾和报告的详细介绍:

img_pic_1556259659_1.png

戴吉峰:微软亚洲研究院计算机视觉集团高级研究员

卷积神经网络中的几何变形建模

报告简介:视觉识别任务的一个重要挑战是如何正确处理和模拟几何变形,包括尺度,姿势,视角和物体运动。从特征工程时代开始,已经开发了一系列着名的算法来试图解决这个问题,包括SIFT,DPM等。然而,它们的表现受到表达其表征和限制的能力的限制。在深度学习的时代,表达网络功能的能力远远超出了之前手动设计的特点。然而,现有的网络模块仍然难以有效地处理和模拟几何变形。本讲座将介绍深度神经网络中的几何变形建模技术,可以极大地增强深度神经网络的几何建模能力,并在各种识别任务中实现巨大的性能提升。

张世峰:中国科学院自动化博士。

物体检测算法的比较探索和前景

报告简介:目前,基于深度学习的目标检测算法大致可分为两类:一步检测器和两步检测器。一步检测器具有更高的检测速度,但检测精度不如两步检测器。两步法具有较高的检测精度,但检测效率不如一步检测器。为了使一步检测器在保持高检测效率的同时获得两步检测器的检测精度,我们对一步法和两步检测器进行了一系列探索,并提出了RefineDet,SRN,ISRN, RetinaFace等系列算法。这种共享将首先介绍目标检测算法,然后分享我们自己的一系列相关工作,最后讨论对象检测的发展。

张翔宇:研究所鄙视研究总监

高效轻量级深度模型的研究与实践

报告简介:深基础模型是现代深度视觉系统的核心。在实际应用中,取决于应用场景,目标任务,硬件平台等,模型的执行速度,存储大小和计算能耗通常是有限的。因此,如何为各种场景设计“好又快”的模型已成为深度学习系统实际应用的重要课题。本讲座主要介绍实用模型设计的两种常用技术:轻量级模型设计和模型切割,重点关注团队在高效深度模型领域的研究成果和实践经验。内容包括ShuffleNet v1/v2系列,以及最新研究成果,如自动模型设计和模型搜索。

白翔:华中科技大学电信学院教授,副院长,国家反假冒工程技术中心副主任

不规则文本检测和识别

个人简介:白象,华中科技大学电信学院教授,副院长,国家防伪工程技术中心副主任,全国万人计划“青年人才”,主要研究方向为计算机视觉和模式识别,文档分析。他在计算机视觉和模式识别领域的PAMI和CVPR等领先的国际期刊和会议上发表了50多篇论文。担任模式识别,模式识别快报,计算机科学前沿,自动化期刊编辑委员会期刊。他曾担任CVPR19和AAAI19等主流国际会议的主席/高级技术项目委员会成员或竞赛主席,并被邀请为ICDAR 2017提供会议主题报告。他被授予AAAI-2019杰出SPC奖,并于2014 - 2018年被选为Elsevier中国高度评价的学者。

胡杰:Momenta高级研发工程师

模式设计中视觉注意机制的开发与应用

报告简介:机器学习中的注意模型通过模拟人类视觉的注意机制来过滤和聚焦大量信息中对任务重要的信息,减少不重要信息和噪声的干扰。近年来,注意机制已经被引入到诸如计算机视觉和自然语言处理的许多领域中,并且已经在不同的任务上实现了显着的性能改进。本报告将重点关注计算机视觉中注意机制的应用,总结如何将神经网络(特别是体积机器神经网络)中的注意机制结合起来,以提高网络表达能力,从而达到有效改善系统的目的。性能。

于刚:绝望的研究负责人,检测组组长

超越RetinaNet和Mask R-CNN

个人简介:对象检测是计算机视觉中非常重要但也是基础的技术环节。在RetinaNet和Mask RCNN出现之后,对象检测领域已经在框架中成熟,但从技术登陆的角度来看,仍有许多细节需要克服。本报告将从六个维度开辟目标检测领域的一些新问题和方向。具体而言,六个方向是骨干,头部,比例变化,批量大小,人群和预训练。这些技术要点的突破和成果将极大地促进物体探测领域的实际着陆。

黄高:清华大学自动化系助理教授

快速推理的卷积神经网络结构设计

个人简介:近年来,随着深度学习从实验室转向越来越多的实际应用,人们对模型的关注不仅在于准确性,而且对计算和存储效率提出了更高的要求。在提高模型效率的众多方法中,神经网络结构创新始终是最有效的方法之一。本报告将简要回顾卷积神经网络的几种典型结构,并分析有助于提高模型效率的设计技术和原理。与结构设计密切相关的还有神经网络推理方法。从自适应推理的角度出发,报告将介绍如何通过合理的结构设计使模型为不同的样本分配相应的计算量,从而降低平均计算成本。

程明明:南开大学教授,全国“百万计划”青年顶尖人才,首批天津市优秀青年基金获奖者

开放环境中的自适应视觉感知

报告简介:现有的视觉学习技术通常依赖于大规模,准确标记的训练数据。在典型的实验室环境中设计和训练的人工智能模型可能会在行业应用场景变化时导致系统性能急剧下降。本报告将从弱监督视觉理解的角度介绍一些减少模型对特定应用场景数据依赖性的研究工作,包括如何学习一些共同属性,并利用这些共同属性构建弱监督检测和分割。楷模。

热门浏览
热门排行榜
热门标签
日期归档