2020全球人工智能技术大会——模式识别前沿论坛成功举办

7月26日，2020全球人工智能技术大会——模式识别前沿论坛在线上召开虚拟会议。本次研讨会由中国人工智能学会和中国图象图形学学会联合主办，中国人工智能学会模式识别专委会、中国图象图形学学会机器视觉专委会联合承办。

论坛开始前，论坛共同主席北京大学林宙辰教授首先对各位专家学者和观众的参与表示热烈的欢迎和衷心的感谢。林教授指出，近几年，模式识别无论是学术领域的进展还是各方面的应用都已取得长足进步，今天的论坛旨在分享模式识别领域前沿的研究进展，探讨潜在的研究问题，以促进学术界和工业界的交流和共同发展。

首先，来自微软亚洲研究院的周明副院长报告了《Pre-trained Models in Multi-Lingual and Multi-Modality Tasks》的研究内容。该报告专注于自然语言处理领域的预训练模型，首先从预训练和微调两个步骤介绍了预训练模型的基本范式，并阐述了预训练模型在学习通用的语法句式知识、开放域知识迁移、性能表现和可扩展性方面的重要优势。此外，周博士着重介绍了以Transformer、自监督学习和基于判别训练的细调（fine-tuning by discriminative training）为代表的三大预训练模型关键技术，并结合丰富的实例强调了其在多语言和多任务中的具体应用。基于当前模型预训练对算力需求极大的困境，周博士指出，未来工作可以着眼于发展具有更小的模型规模和更快的训练速度的新的模型结构，并要关注模型的可解释性。

其次，澳大利亚科学院院士、欧洲科学院院士、澳大利亚悉尼大学的陶大程教授进行了题为《Trustable AI for Livable City》的报告。陶博士将构建宜居城市的新型基础设施分为智慧安防、智慧交通、智慧医疗和智慧电网等几大系统，分别探讨了5G和以深度学习为代表的新型人工智能技术在其中发挥的潜在作用。具体地，陶博士首先介绍了深度学习在多个视觉信息处理任务上的最新研究工作，如行人再识别(Re-ID)、视觉关系检测、道路检测、文本检测、深度估计、图像去雾等；然后，陶博士总结了现有的与深度学习相关的基础理论研究进展，提出随机梯度下降算法、损失曲面可能是取得理论突破的几个有效着力点；最后，陶博士倡议从公平性、安全性等角度建立可信的人工智能技术和智慧城市。

接下来，来自澎思科技的首席科学家、新加坡研究院的申省梅院长做了题为《基于迁移学习的视觉智能发展与应用》的报告。申博士从传统机器学习泛化能力弱的痛点谈起，提到了由大数据、GPU（算力）、和深度学习网络的开拓者（技术）共同作用为深度学习带来的突破。然而，目前深度学习仍然面临落地难的问题。为此，申博士结合无监督/自监督学习、小样本学习、多任务学习、多模态学习等方法在深度迁移学习中的具体应用，指出迁移学习将会为AI技术在工业界的落地带来新的希望。

随后，国家杰青、四川大学计算机学院与软件学院院长吕建成教授作行了题为《人工智能与艺术》的报告。吕博士首先给出了自己对人工智能艺术的定义：创作过程中使用人工智能技术；然后，他基于大量计算机生成的绘画作品重点介绍了人工智能绘画艺术，指出绘画作品的创意、思想、情感在一定程度上可由机器（算法）产生；此外，吕博士还从分形艺术、数字艺术的角度出发，阐述了人工智能绘画艺术的探索与发展历程，探讨了科学与艺术的关系；在报告的最后，吕博士简要介绍了研究小组基于生成对抗网络、对偶学习、图像超分辨率等技术来使计算机生成抽象画、水墨画及书法字体等方面的最新研究成果。

最后，来自南京信息工程大学的刘光灿教授进行了题为《数据预测的压缩感知观点》的报告，主要讲解了以张量序列预测为代表的时间序列预测问题，指出当前基于深度学习的预测方法尽管自适应性强、效果出众，但仍有可解释性差、无法处理不完整训练数据的局限性。为此，刘教授从压缩感知的角度提出了进行数据预测的新方法，即基于离散循环卷积矩阵把张量补全问题转化为低秩矩阵补全问题，并提供了问题可解的理论分析，在数字和车辆轨迹的预测任务上验证了所提方法的有效性。

论坛结束时，论坛共同主席、京东集团技术委员会主席、京东智联云总裁周伯文博士再次感谢了所有演讲嘉宾的精彩分享，并代表嘉宾感谢中国人工智能学会等机构对本次专题论坛的组织、协调和沟通。周博士指出，过去两年越来越多的人工智能技术走向了真实世界的应用场景，而可信赖的AI应该是今后十年人工智能技术能否大规模商用的关键因素，未来可以尝试从技术的成熟度、稳健性、可复制性、可解释性和公平性等维度来量化可信赖的AI，希望各位专家学者的精彩分享能为大家带来收获和启发。

论坛人气旺盛，累计在线观看达到670122人次，起到了良好的分享与交流的效果。