公开课丨如何设计高效CNN，微软资深研究员的“秘籍”了解一下？

点击上方“CSDN”，选择“置顶公众号”

关键时刻，第一时间送达！

图片源自：Detroit: Become Human

卷积神经网络在近几年获得了跨越式的发展，虽然它们在诸如图像识别任务上的效果越来越好，但是随之而来的则是模型复杂度的不断提升。越来越深、越来越复杂的卷积神经网络在训练阶段需要大量存储与计算资源，因此设计高效的卷积神经网络是非常重要和基础的问题，而消除卷积核的冗余性是该问题主要的解决方案。

如何消除消除卷积核的冗余性？我们邀请到微软亚洲研究院视觉计算组资深研究员王井东，他将在 31 号的直播公开课中为大家讲解发表在 ICCV 2017 和 CVPR2018 上基于交错组卷积的方法，这种方法优于 ResNet 和 MobileNet。

感兴趣的读者可以在直播前自行查阅论文或者下载代码，自己动手尝试，加深理解。

论文地址：

https://arxiv.org/abs/1707.02725

https://arxiv.org/abs/1804.06202

代码地址：

https://github.com/welleast

▌课程信息：

 主题：基于交错组卷积的高效深度神经网络 

 时间：5 月 31 日  20：00-21：00 

 地点：免费线上直播 

▌分享嘉宾：

王井东：微软亚洲研究院视觉计算组资深研究员

他的研究兴趣包括计算机视觉、多媒体以及机器学习。目前他研究的问题包括高效神经网络结构的设计、行人再识别以及多媒体搜索等。他曾担任 CVPR、ICCV、ECCV、AAAI、IJCAI、ACMMM 等计算机视觉和人工智能会议的领域主席和高级程序委员会委员。他也是 IEEE 汇刊 IEEE Transactions on Circuits and Systems for Video Technology 和 IEEE Transactions on Multimedia 的编委会成员。他是国际模式识别学会的会士。他在视觉、机器学习以及多媒体领域里发表了论文 100 余篇，个人专著一本。他的研究成果 10 多次转化到微软的关键产品和服务中。





▌适合对象：

对卷积神经网络和矩阵计算有初步了解，希望进一步提升的学习者。

▌课程大纲：

1. 深度卷积神经网络设计的两个主要研究方向：变深和消除冗余。总结和分类。

2. 交错组卷积版本一：大网络结构，优于 ResNet。 （ICCV 2017）

3. 交错组卷积版本二：小网络结构，优于MobileNet。（CVPR 2018）

▌课程安排：

19:45—20:00 学员提前入场

20:00—20:50 讲师课程分享

20:50—21:00 讲师答疑环节

▌温馨提醒：

1、开课前会有短信提醒或者邮件提醒，请报名的时候填写正确的手机号码及邮箱地址。

2、开课后 2-3 个工作日内会上传本节课的视频回放，报名后回放视频不限时观看。

▌参与方式：

点击左下方阅读原文进入报名链接。加入 AI 科技大本营公开课分享交流群，嘉宾 PPT 及整理笔记将在直播结束后在群内公开。