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圆满结束

2020年01月09日，历时一天的“CSIG图像图形中国行”和“CAAI模式识别专家论坛”在华南理工大学大学城校区完满落幕。本次论坛由中国图象图形学学会（CSIG）和中国人工智能学会（CAAI）主办，由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和华南理工大学软件学院共同承办。论坛主题为“面向工业级应用的深度学习前沿”，旨在推动模式识别、深度学习以及图像图形学科的普及，加深同学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，并促进高校与企业之间的合作与交流。来自广州、北京和香港各大高校的近300名学生和老师、以及30多名来自各大企业和科研机构的研究人员参与了本次论坛。

华南理工大学谭明奎教授、贾奎教授共同担任了本次论坛的学术主任，邀请了六名深度学习领域资深专家进行分享与讨论。出席论坛的嘉宾包括：华南理工大学软件学院王振宇教授，中国科学院自动化研究所张兆翔研究员，上海交通大学张拳石副教授、新加坡科技研究局高性能研究所科学家周天异博士、香港浸会大学助理教授韩波博士、电子科技大学李文教授、以及腾讯AI Lab机器学习中心高级研究员荣钰博士。

软件学院王振宇院长致辞

 

论坛现场

 

论坛开幕式由华南理工大学软件学院谭明奎教授主持，介绍了本次论坛的主题和受邀嘉宾，对参与论坛的近300名师生和企业人员表示了热烈欢迎。华南理工大学软件学院王振宇院长代表承办方在开幕式上致辞。他首先对本次论坛的所有参与人员表示热烈欢迎和衷心感谢，介绍了软件学院近年来的发展状况和所取得的成就，指出了软件工程在各项技术落地中发挥的重要作用。王院长肯定了机器学习领域尤其是深度学习在近年来的飞速发展，高度认可了国内青年科学家在人工智能领域的成就，尤其强调了人工智能需要以软件形式落地，鼓励学员将面向工业应用的深度学习结合软件工程进行研究。最后，王院长寄望本次论坛与会人员收获满满，祝愿论坛圆满成功。

 

张兆翔研究员作报告

 

开幕式结束之后，中国科学院自动化研究所的张兆翔研究员带来了题为“Visual Object Detection: Our Recent Progress”的学术报告。目标检测是计算机视觉领域的热门研究方向之一，同时在产业界也具有广阔的应用前景。张研究员首先在报告中介绍了目标检测任务的研究背景，介绍了解决目标检测任务的传统方法和基于深度学习的方法，包括R-CNN、Fast R-CNN、FasterR-CNN、YOLO、SSD，并指出当前目标检测任务所面临的挑战，如尺度变化、目标模糊、遮挡等问题。最后，张研究员展示了其团队为解决上述挑战所取得的最新研究成果。张兆翔研究员的报告分享循序渐进、层层深入，让学员们深入地了解了该领域的研究进展和未来研究方向。

 

周天异研究员作报告

 

接下来，来自新加坡科技研究局高性能研究所的周天异研究员为学员们带来了题为“序列标注的最新进展”的学术报告。周天异研究员首先介绍了序列标注的研究背景，包括词性标注、组块标注、命名实体标注，从传统方法、深度学习方法、迁移学习方法三个方面介绍了一些常用的序列标注模型。之后，周天异研究员指出序列标注的现有问题，并结合其团队近期工作深入浅出地阐述了这些问题的解决思路。在报告最后，周天异研究员针对深度模型训练调参困难的问题，总结其多年实验经验，为大家指明了模型训练的技巧。周天异研究员干货满满的报告引发了学员们的思考，他与现场的老师、同学们展开了热烈的讨论。

  

张拳石副教授作报告

 

张拳石副教授作了题为“Deep Learning: Interpretability, Capacity, and Evaluation”的特邀报告。张博士围绕深度学习的可解释性展开了讨论：强调定量、严格地解释神经网络在实际应用和理论研究中的必要性。他指明两个主要研究方向——从语义层面解释、和从数学层面上建模神经网络潜在的表达能力。张博士进一步从如下三个方面介绍了深度学习的可解释性：首先，他从语义层面解释神经网络，讲述了用层次化的图模型解释神经网络内部表达的方法，阐述了如何端到端地学习到能被人理解的神经网络特征，具体地介绍了一个神经网络的解释过程。随后，张博士分析了层间传递在神经网络中的效果，量化地研究了神经网络的表达能力。他指出神经网络会遗忘更多的背景信息而保留更多前景信息，阐述了神经网络信息的可靠性和知识表达的一致性，介绍了神经网络的知识同构。最后，张博士讲述了如何对可解释性进行评估，强调要客观性地评价神经网络的结果。通过与张博士热烈讨论，同学们加深了对神经网络可解释性的认识。

 

 韩波教授作报告

 

下午，来自香港浸会大学的韩波教授进行了题为“Robust Deep Learning with Noisy Labels”的学术报告。在报告的开始，韩教授介绍了现实场景所采集的数据普遍带有噪声的问题，解释了Robust Deep Learning研究的重要性。之后，他分别从数据和训练两个角度介绍了Robust Deep Learning with Noisy Labels的背景知识，进一步提出该任务所面对的主要挑战是正确估计噪声矩阵的问题。针对这个挑战，韩教授提出了基于Masking和Co-teaching的研究思路。在报告的最后，韩教授介绍了Robust Deep Learning with Noisy Labels在医疗领域的应用前景，他的报告层层深入，引发会场学员们的思考。报告结束后，韩教授和现场的老师、同学们热烈讨论，引发了一场精彩的思维碰撞。

 

李文教授作报告

 

接下来，电子科技大学李文教授作了题为“计算机视觉中的领域适应问题”的学术报告。他首先介绍了计算机视觉中源域数据和目标域数据不匹配的问题，解释了对领域适应问题进行研究的重要意义。随后，李文教授分析了领域适应任务的难点和挑战，同时从传统方法和基于深度神经网络的两个方面简单回顾了近年来的主要研究方法。在报告的最后，李文教授分享了其团队在目标检测、图像分割和风格迁移等任务中的研究成果。李教授逐层深入地讲解了领域适应问题的基本理论与前沿方法，将复杂问题讲解得十分透彻，加深了学员们对此领域的理解。

 

荣钰博士作报告

 

最后，腾讯AI Lab机器学习中心高级研究员荣钰博士带来了题为“图深度表示基础和前沿进展”的学术报告。他介绍了图表示学习的两大研究分支及其对应的研究现状，分析了目前图深度学习面临的两大挑战：如何将图神经网络应用于更大的图以及如何训练更深层的图神经网络模型。随后，他展示了为解决上述挑战所做的研究工作。他还生动形象地介绍了图深度学习在工业场景中的应用情况，如社交行为分析、药物属性分析等。荣钰博士深入浅出的报告引发学员们的思考，加深了学员们对该领域的了解，使学员们受益匪浅。

 

提问环节

 

论坛圆满结束

 

在全体参会者热烈的掌声中，本次深度学习前沿论坛圆满结束。在本次论坛中，受邀专家们用生动幽默的语言介绍了六个不同主题的深度学习前沿技术，学员们积极提问，现场气氛活跃。本次活动加深了学员们对前沿热点问题和领域发展现状的了解，促进了与顶尖学者间的学术交流，拓宽了对这个领域的知识和视野，增加了学员们从事相关科研的兴趣和动力。