【预告】CSIG图像图形中国行—华中科技大学站将于9月25日举行

“CSIG图像图形中国行”是由中国图象图形学学会主办的学术活动，旨在推动图像图形学科的普及，加强各高校研究所以及企业间的交流。自2017年4月起，分别在扬州大学、哈尔滨工业大学、兰州大学、杭州电子科技大学、北京交通大学、海南大学、福州大学、西北农林科技大学、佛山科技学院等及深圳、烟台成功举办了80余期，线上线下参会人数累计数万人次，受到业界好评。本次“CSIG图像图形中国行”由CSIG机器视觉专委会、 CSIG图像视频通信专委会与华中科技大学电信学院联合承办，交流主题为“计算机视觉与机器学习”。

本次活动很荣幸邀请到王熙照教授、胡斌教授、段海滨教授、李培华教授、林宙辰教授等五位著名学者来做精彩的专题报告，采用线上腾讯会议结合B站直播的方式进行，热忱欢迎感兴趣的老师和同学前来参加，与专家互动。

会议组织

主办单位：中国图象图形学学会（CSIG）

承 办单位：CSIG机器视觉专委会

                 CSIG图像视频通信专委会

                 华中科技大学 电信学院

活动时间：2022年9月25日14:00-18:00

会议链接

腾讯会议ID ：453-631-650

https://meeting.tencent.com/dm/BYZYl7JLToh0

B站直播：https://live.bilibili.com/22300737

执行主席

刘文予 教授

个人简介：刘文予，华中科技大学电子信息与通信学院人工智能研究所所长、“华中学者”特聘教授。中国通信学会会士，中国图象图形学学会视频通信专业委员会主任，中国图象图形学学会常务理事。刘教授本科毕业于清华大学计算机系，之后于华中理工大学（华中科技大学）电子与信息工程系获硕士、博士学位。主要研究方向为计算机视觉、人工智能。获湖北省技术发明一等奖、自然科学二等奖、CSIG自然科学一等奖。在IEEE Trans.等国际著名期刊和顶级会议发表论文100余篇。谷歌学术总引用次数超20000次，入选中国人工智能高被引学者Top50榜单。

特邀专家

王熙照 教授

个人简介 ：博士，深圳大学教授，IEEE Fellow，IEEE-SMC计算智能专委会主席，Springer杂志Machine Learning and Cybernetics主编。中国人工智能学会（CAAI）会士，CAAI常务理事、CAAI知识工程专委会主任委员。曾获省部级自然科学一等奖和吴文俊人工智能自然科学一等奖。主要研究兴趣包括不确定性建模和机器学习，在该领域发表学术论文多篇；著有《基于不确定性的决策树归纳》和《Learning with Uncertainty》等著作；主持完成国家自然科学基金等项目多项；累计完成指导博士/硕士学位研究生200多名；曾担任多个国际/国内学术会议的大会或程序主席。

报告题目：深度学习可解释性的一些思考

报告摘要： 尽管深度学习已在众多领域有了很成功的应用，但这种成功缺乏一个理论或逻辑框架下的可解释性，而这种可解释性的缺乏已被公认为限制深度学习进一步发展的瓶颈问题。报告回顾了可解释性的一些基本概念，简述了深度学习的可解释性研究的一些不同观点和挑战性问题，进而从局部泛化、数据偏置、和决策度量等新的视角提出了关于深度学习的可解释性研究的一些思考。

胡斌 教授

个人简介：享受国务院政府特殊津贴，甘肃省领军人才，甘肃省可穿戴装备重点实验室主任；英国工程技术学会会士，教育部计算机学科教指委委员，科技委委员，IEEE Transaction on Computational Social Systems主编，国际社会神经科学中国分会副主席等；获2019年度中国专利金奖，2018年度国家技术发明奖二等奖、2016年度教育部技术发明奖一等奖（均为第一完成人）等。

报告题目：眼睛生理、行为信息感知与精神障碍诊疗

报告摘要：眼睛是面部情感表达最为丰富的区域，人类获得信息的90%来源于眼睛，眼睛的运动变化与人类的心理活动密切相关，基于眼睛的生理行为信息是当前研究人类高级认知功能和情感的有效方法之一。基于眼睛的生理和行为信息主要包括眼底造影、瞳孔直径、眼电和眼动事件等，这些信息能够反映人类的心理活动和情感状态，在发现精神障碍的客观生物学指标方面具有重大价值。报告人介绍其在基于眼睛的生理和行为信息感知及精神障碍诊疗方面的研究和探索。

段海滨 教授

个人简介：北京航空航天大学长聘教授、博士生导师。主持国家自然基金重大研究计划重点项目、国家自然科学基金企业创新联合基金重点项目、国家自然科学基金重点项目、国家级人才基金等课题。发表SCI论文70余篇，专著4部，发明专利32项，2020年爱思唯尔中国高被引学者，获中国航空学会科学技术一等奖、吴文俊人工智能科技创新一等奖、CAA技术发明一等奖、高等教育国家级教学成果二等奖(排名2)、中国青年科技奖、全国优秀科技工作者、中国青年五四奖章、茅以升北京青年科技奖、中国自动化学会首届青年科学家奖、杨家墀科技奖。《Guidance, Navigation and Control》创刊主编、《IEEE Trans Cybernetics》编委，IFAC TC 7.5委员。担任中国科协全国首席科学传播专家，第十二届、第十三届全国青联常委兼科学技术界别副主任委员。

报告题目：从鹰眼猛禽视觉到动物集群博弈

报告摘要：本报告结合自然界中鹰眼的特殊生理学机制，阐述了从鹰眼猛禽视觉到鹰群对抗博弈、狼群围攻博弈、鱼群对抗博弈等生物学机制和启发，并对未来发展趋势进行了讨论和展望。

李培华 教授

个人简介：大连理工大学信息与通信工程学院教授。2003年获哈尔滨工业大学博士学位，之后在法国INRIA/IRISA从事博士后研究。曾获全国优秀博士论文提名奖和黑龙江省青年科技奖，入选教育部新世纪优秀人才支持计划。所指导的博士生获中国人工智能学会优秀博士论文，带领团队多次获得国际竞赛冠军或亚军。主要研究兴趣为深度学习和计算机视觉，在高阶表征学习方面进行了深入和系统的研究。目前担任IEEE TIP Associate Editor (AE)；主持国家自然科学基金、教育部科学技术重点项目和企业合作项目等十几项；在TPAMI/TIP/TNNLS和CVPR/ICCV/ NeurIPS等国际期刊和会议发表几十篇论文。

报告题目：基于概率表征学习的少样本识别

报告摘要：少样本学习主要研究在标记数据稀少的情况下如何快速地进行知识迁移，是计算机视觉研究的热点问题。人类在少样本情况下具有快速学习新知识的能力；然而由于过分依赖大量的训练样本，经典的深度学习方法对此类问题显得力不从心。本次报告首先简要说明少样本识别的基本概念和基本方法。其次，简要介绍基于度量学习的少样本学习最新进展并着重关注基于概率表征学习的方法。最后重点介绍我们发表于CVPR 2022(oral)上的工作——基于深度布朗距离协方差(BDC)的少样本识别方法，包括BDC距离这一概率相似性度量的基本理论和性质、BDC距离在深度神经网络中的实现以及基于原型和基于简单迁移学习的DeepBDC少样本识别方法。

林宙辰 教授

个人简介：林宙辰，北京大学教授，IAPR/IEEE/CSIG Fellow，中国图象图形学学会机器视觉专委会主任，中国自动化学会模式识别与机器智能专委会副主任，中国计算机学会计算机视觉专委会常务委员，中国人工智能学会模式识别专委会常务委员。研究领域为机器学习、计算机视觉和数值优化。发表论文260余篇，谷歌引用2万5千余次，英文专著3本，中文专著1本，获2020年度中国计算机学会科学技术奖自然科学一等奖。多次担任CVPR、ICCV、NIPS/NeurIPS、ICML、IJCAI、AAAI和ICLR领域主席，担任ICPR 2022程序共同主席、ICML 2022/NeurIPS 2022/CVPR 2023资深领域主席，曾任IEEE T. PAMI编委，现任IJCV、Optimization Methods and Software编委。

报告题目：Tensor Q-Rank: New Data Dependent Definition of Tensor Rank

报告摘要：Recently, the Tensor Nuclear Norm (TNN) regularization based on t-SVD has been widely used in various low tubal-rank tensor recovery tasks. However, these models usually require smooth change of data along the third dimension to ensure their low rank structures. In this talk, I will introduce a new definition of data dependent tensor rank named tensor Q-rank by a learnable orthogonal matrix Q, and further introduce a unified data dependent low rank tensor recovery model. According to the low rank hypothesis, we introduce two explainable selection method of Q, under which the data tensor may have a more significant low tensor Q-rank structure than that of low tubal-rank structure. Specifically, maximizing the variance of singular value distribution leads to Variance Maximization Tensor Q-Nuclear norm (VMTQN), while minimizing the value of nuclear norm through manifold optimization leads to Manifold Optimization Tensor Q-Nuclear norm (MOTQN). Moreover, we apply these two models to the low rank tensor completion problem, and then give an effective algorithm and briefly analyze why our method works better than TNN based methods in the case of complex data with low sampling rate. Finally, experimental results on real-world datasets demonstrate the superiority of our proposed model in the tensor completion problem with respect to other tensor rank regularization models.

会议流程

14:00-14:10	领导致辞（华中科技大学）
14:10-14:15	合影
14:15-15:00	王熙照 教授
15:00-15:45	胡  斌 教授
15:45-16:30	段海滨 教授
16:30-17:15	李培华 教授
17:15-18:00	林宙辰 教授

联系方式

承办方联系人：王老师  18802729359   

                         xgwang@hust.edu.cn  

主办方联系人：徐老师  010-82544661   

                        info@csig.org.cn

来源：CSIG机器视觉专委会

中国图象图形学学会2022年度系列奖励推荐工作启动

中国图象图形学学会科普活动、素材征集通知

中国图象图形学学会高校志愿者招募

中国图象图形学学会关于组织开展科技成果鉴定的通知

2022年CSIG图像图形中国行承办方征集中