CSIG图像图形中国行-华南理工大学站：面向工业级应用的深度学习前沿论坛将在广州召开

• 会议介绍

“CSIG图像图形中国行”和“CAAI模式识别专家论坛”，旨在推动模式识别、机器学习以及图像图形学科的普及，加强各高校科研以及与企业间的合作交流。本次会议将于2020年1月9日在广州举办，主题为“面向工业级应用的深度学习前沿”，由华南理工大学谭明奎教授、贾奎教授担任学术主任，邀请多位专家进行分享与讨论，从多个角度介绍当前面向工业级应用的深度学习的研究成果，使学员加深对前沿热点和发展现状的了解，激发科研热情，增加与顶尖学者间的学术交流。

• 举办单位

主办单位：

        中国图象图形学学会

        中国人工智能学会

承办单位：

        中国图象图形学学会机器视觉专委会

        中国人工智能学会模式识别专委会

        华南 理工大学软件学院

• 时间地点

2020年1月9日

广州市华南理工大学大学城校区 B2 医学院3楼学术厅

• 特邀讲者

    1. 张兆翔

张兆翔

中国科学院自动化研究所研究员

中国科学院大学岗位教授

CVPR、ICCV、AAAI等会议的Area Chair、Senior PC和PC

讲座题目：Visual Object Detection: Our Recent Progress

摘要：视觉物体检测一直以来就是计算机视觉与模式识别领域的核心问题，在实际应用中具有广泛前景。其通过对视觉信息进行有效分析，同时完成视觉物体的What和Where两个问题，是实现神经科学、认知科学与人工智能交叉的重要切入方向。本报告首先对计算机视觉领域的物体检测问题进行简单综述，探讨当前神经网络方法解决物体检测问题的关键问题，以及其存在的一系列不足，进而从生物启发的角度给出我们在物体检测领域开展的一系列最新工作，如多尺度感受野的三叉戟网络、尺度自适应选择和神经网络结构搜索、面向视频的物体检测等。

讲者简介：张兆翔，中国科学院自动化研究所模式识别国家重点实验室研究员，博士生导师，中国科学院脑科学与智能技术卓越创新中心年轻骨干，中国科学院大学岗位教授，IEEE高级会员，中国计算机学会杰出会员，中国人工智能学会杰出会员，国家自然科学基金重点项目负责人，MIT麦戈文脑科学研究所高级访问学者。张兆翔博士致力于生物认知启发的视觉感知与理解的理论与方法研究，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200余篇，SCI收录期刊论文60余篇，担任了CVPR、ICCV、AAAI、IJCAI、NeurIPS、ICPR等多个国际会议的Area Chair、SeniorPC或者PC，SCI期刊《IEEE T-CSVT》、《PR》、《Neurocomputing》编委，获中国人工智能学会技术发明奖二等奖。入选“第四批国家万人计划青年拔尖人才”、“教育部新世纪优秀人才支持计划”等。

2. 张拳石

张拳石

上海交通大学副教授

AAAI、CVPR大会可解释性方向的分论坛主席

讲座题目： Deep Learning: Interpretability, Capacity, and Evaluation

摘要： Although deep neural networks (DNNs) have achieved superior performance in different visual tasks, the knowledge representation inside a DNN is still considered as a black box. In this talk, I mainly introduce several core issues in the semantic interpretation of deep feature representations and the quantification of the representation capacity of DNNs, which include:

1.  Learning a deep coupling of semantic graphs and DNNs

2. Learning disentangled and interpretable feature representations in DNNs

3. Learning DNNs with interpretable modular architectures

4. Mathematically explanation of representation capacity of DNNs

5. Evaluation of explanation methods

讲者简介： 张拳石，上海交通大学，约翰•霍普克罗夫特计算机科学中心，副教授，主要从事计算机视觉和机器学习研究，尤其在神经网络可解释性方向取得了多项具有国际影响力的重要创新性成果。张拳石于2009年在北京大学获得理学学士学位，于2011年和2014年于日本东京大学获得硕士和博士学位。2014年10月入职美国加州大学洛杉矶分校，任博士后研究员，展开神经网络可解释性的相关研究。尤其近三年内，张拳石在神经网络可解释性方向投稿20多篇，并先后担任了AAAI和CVPR大会可解释性方向的分论坛主席，其提出了“可解释性卷积神经网络”、“神经网络向解释性图模型的转化”、“利用语义决策树解释神经网络”、“网络嫁接算法”和“神经网络中层语义信息量的统一建模与知识表达一致性评测”，成为神经网络可解释性领域中的主要研究者，赢得国际学术界和工业界的广泛关注。

3. 周天异

周天异

新加坡科技研究局高性能研究所科学家

IEEE Access、IEEE MultiMedia等重要SCI期刊副主编，NeurIPS、ICML等会议审稿人

NeurIPS-17最佳审稿人

讲座题目：面向工业级应用的序列标注前沿与进展

摘要：序列标注任务是中文自然语言处理（NLP）领域在句子层面中的主要任务，在给定的文本序列上预测序列中需要作出标注的标签。常见的子任务有命名实体识别（NER）、Chunk提取以及词性标注（POS）等。序列标注任务的主要应用有，简历解析时的字段切分、抽取工作经历（CV）和职位描述（JD）中的实体名词等。本讲座主要探讨深度学习在序列标注的应用中出现的问题与最新的进展。

讲者简介：周天异博士，毕业于新加坡南洋理工大学，现为新加坡科技研究局高性能研究所担任科学家（Scientist）职位，并且担任高效人工智能团队带头人（Efficient AI Group Head）。周天异博士主持多项人工智能的项目累计经费超过1000万人民币，并且已在机器学习、人工智能、信息安全等领域核心期刊和国际会议上发表论文50余篇，其中一座代表作包括TPAMI、JMLR、AIJ等，申请专利一项；此外他是IEEE Access（影响因子：4.098），IEEE MultiMedia （影响因子：3.566）和IET Image Processing（影响因子 1.401）等国际重要SCI 期刊的副主编/特邀编委；是多个国际顶级/重要学术会议（例如CCF A类会议IJCAI）等的专题报告组织联合主席和国际旗舰会议MOBIMEDIA 2020技术程序委员会联合主席；获得IJCAI、ECCV、ACML等多个国际顶级/重要学术会议及其专题报告会最佳论文奖；担任NeurIPS、ICML、CVPR、ICLR、ACL、AAAI、IJCAI等国际顶级会议审稿人包括，并且获得NeurIPS-17最佳审稿人称号。

4. 韩波

韩波

香港浸会大学助理教授

NeurIPS、ICML、ICLR等的PC

讲座题目：Robust Deep Learning with Noisy Labels

摘要：It is challenging to train deep neural networks robustly with noisy labels, as the capacity of deep neural networks is so high that they can totally overfit on these noisy labels. In this talk, I will introduce two orthogonal techniques in robust deep learning with noisy labels, namely data perspective “estimating the noise transition matrix” and training perspective “training on selected samples”. First, as an approximation of real-world corruption, noisy labels are corrupted from ground-truth labels by an unknown noise transition matrix. Thus, the accuracy of classifiers can be improved by estimating this matrix. We present a human-assisted approach called “Masking”. Masking conveys human cognition of invalid class transitions, and naturally speculates the structure of the noise transition matrix. Given the structure information, we only learn the noise transition probability to reduce the estimation burden. Second, motivated by the memorization effects of deep networks, which shows networks fit clean instances first and then noisy ones, we present a new paradigm called “Co-teaching” even combating with extremely noisy labels. We train two networks simultaneously. First, in each mini-batch data, each network filters noisy instances based on the memorization effects. Then, it teaches the remaining instances to its peer network for updating the parameters. To tackle the consensus issue in Co-teaching, we propose a robust learning paradigm called “Co-teaching+”, which bridges the “Update byDisagreement” strategy with the original Co-teaching.

讲者简介：Bo Han is currently an Assistant Professor of Computer Science at Hong Kong Baptist University and a Visiting Scientist at RIKEN Center for Advanced Intelligence Project (RIKEN AIP). He was a Postdoc Fellow at RIKEN AIP (2019-2020), advised by Masashi Sugiyama. He received his Ph.D. degree in Computer Science from University of Technology Sydney (2015-2019), advised by Ivor W. Tsang and Ling Chen. During 2018-2019, he was a Research Intern with the AI Residency Program at RIKEN AIP, working on robust deep learning projects with Masashi Sugiyama, Gang Niu and Mingyuan Zhou. His current research interests lie in machine learning, deep learning and artificial intelligence. His long-term goal is to develop trustworthy intelligent systems, which can learn from a massive volume of complex (e.g., weakly-supervised, adversarial, and private) data (e.g., single-/multi-label, ranking, domain, similarity, graph and demonstration) automatically. He received the National Scholarship (2013), UTS International Research Scholarship (2014) and UTS Research Publication Award (2017 and 2018).

5. 李文

李文

电子科技大学教授

国家青年特聘专家

迁移学习领域重要研讨会ICCV/ECCV Workshops on TASK-CV的主办者

讲座题目： 计算机视觉中的领域适应问题

摘要： Computer vision tasks like object detection and semantic segmentation typically assume that training and test data are drawn from an identical distribution, which, however, does not always hold in practice. Such a distribution mismatch often leads to a significant performance drop, which is also known as the domain adaptation problem. In this talk, I will start with a machine learning perspective on the domain adaptation problem. Then I will discuss the potential problems when directly applying these domain adaptation algorithms to computer vision tasks. Next, I will introduce our recent work on deep domain adaptation for object detection and segmentation. Further directions will be discussed afterwards.

讲者简介： 李文，电子科技大学教授，博士生导师，国家青年特聘专家，2015年获新加坡南洋理工大学博士，2015年至2019年在瑞士苏黎世联邦理工学院计算机视觉实验室从事研究工作。主要研究领域为计算机视觉与机器学习，专注于计算机视觉任务种的领域适应、迁移学习、弱监督学习、半监督学习等关键问题，在T-PAMI、IJCV、CVPR、ICCV、ECCV等在内的领域重要国际期刊和国际会议论文40余篇，Google Scholar的总引用次数2100余次。是迁移学习领域重要研讨会ICCV/ECCV Workshops on TASK-CV的主办者之一，以及互联网数据学习研讨会CVPR Workshops on WebVision的发起人之一。

6. 荣钰

荣钰

腾讯AI Lab机器学习中心高级研究员

讲座题目：图深度表示基础和前沿进展

摘要：现实世界中的复杂关系往往可以通过图这一数据结构进行建模，例如社交网络，分子结构等。如何有效的对图数据进行建模、理解和推断，一直以来是机器学习领域一个重要的课题。随着深度学习发展，基于复杂网络结构的图表示学习算法模型得到了长足进步。本次报告将主要介绍图表示学习模型的发展沿革以及AI Lab在深度图表示学习方向的最新研究和工程成果。

讲者简介：荣钰博士，AI Lab机器学习中心高级研究员。深圳市政府认定海外高层次人才。荣钰博士在2016年于香港中文大学获得系统工程与工程管理博士学位及进行博士后研究。2017年6月加入腾讯AI Lab。主要研究方向是社交网络分析，深度图学习算法以及大规模图系统。在相关方向发表高水平学术论文数十篇，包括KDD、WWW、NEURIPS、ICLR、CVPR、ICCV等数据挖掘和机器学习顶级会议。荣钰博士在图卷积神经网络，大规模深度图学习算法的研究和应用上取得了一系列创新成果。

• 学术主任

谭明奎

华南理工大学教授

国家特聘专家

个人简介：谭明奎博士，现担任华南理工大学软件学院教授、博士生导师，以及广州市机器人软件及复杂信息处理重点实验室主任、华南理工大学计算中心主任。谭明奎目前为华南理工大学软件学院“人工智能与机器学习”团队负责人，是广东省“珠江人才团队”的核心成员；现主持国家自然科学基金青年项目、广东省新一代人工智能重点研发项目等多个项目；主要从事机器学习和深度学习方面的研究工作，并在神经网络结构搜索方面发表了多篇高水平论文；以第一作者或者通讯作者完成的相关成果发表于人工智能顶级国际会议如 NeurIPS、ICML、CVPR、KDD、ICCV、AAAI和人工智能权威期刊如JMLR、TNNLS、TIP等。曾获得 ICCM（世界华人数学家联盟）最佳论文奖、第六届MICCAI workshop最佳论文奖、华南理工大学建校65周年校长基金“最具科研潜质”奖、2019年“TVP腾讯云最具价值专家”奖等。

贾奎

华南理工大学教授

广东省“珠江人才计划”创新创业团队带头人

个人简介：贾奎，博士，华南理工大学教授（国家特聘专家），博士生导师，广东省“珠江人才计划”创新创业团队带头人。2001年于西北工业大学获得学士学位，2004年于新加坡国立大学获得硕士学位，2007年于伦敦大学玛丽女王学院获得计算机科学博士学位。博士毕业后，曾先后于中科院深圳先进技术研究院、香港中文大学、伊利诺伊大学香槟分校先进数字科学研究中心、及澳门大学从事教学和科研工作。贾奎博士的主要研究方向是计算机视觉、机器学习、模式识别和图像处理等，近期主要侧重于深度学习的基础理论研究，及其在三维流形等非欧数据上的应用。

• 会议时间安排

 

• 报名及注册

1. 本次会议限报200人，按先后顺序录取，先到先得，报满为止。

2. 报名方式：扫描下方二维码进行报名

3. 联系方式

 联系人：谭老师

 Tel：18680553985

QQ群：811349737