【CVPR 2019 | tutorial】通过图结构网络学习表示Learning Representations via Graph-structured Networks，圣地亚哥大学|Xiaolong Wang，英伟达|Sifei Liu

题目： Learning Representations via Graph-structured Networks

报告简介： 近年来，在无数的计算机视觉任务中，采用卷积神经网络（ConvNets）的数量急剧增加。卷积的结构被证明在许多任务中都很强大，可以捕获图像像素中的相关性和抽象概念。但是，当计算机视觉处理更困难的AI任务时，ConvNets也被证明缺乏建模许多属性的能力。这些属性包括成对关系，全局上下文以及处理超出空间网格的不规则数据的能力。

一个有效的方向是根据手头的任务来重新组织要使用图形处理的数据，同时构建网络模块，这些模块在图形中的可视元素之间关联和传播信息。我们称这些网络为传播模块，称为图结构网络。在本教程中，我们将介绍一系列有效的图结构网络，包括非局部神经网络，空间传播网络，稀疏高维CNN和场景图网络。我们还将讨论许多视觉问题中仍然存在的相关开放挑战。

报告目录：

• 可学习的空间传播网络
• 学习图表示
• 场景图生成及其在视觉和语言任务中的应用
• 稀疏高维和内容自适应卷积

部分嘉宾介绍：

Xiaolong Wang，将于2020年秋天加入圣地亚哥圣地亚哥分校（ECE）部门担任助理教授。 目前是加州大学伯克利分校的博士后，与Alexei Efros和Trevor Darrell一起工作。 在卡内基梅隆大学（Carnegie Mellon University）获得机器人学博士学位，博导是Abhinav Gupta。

Sifei Liu ，英伟达研究员，博士就读于加州大学默塞德分校，与杨明教授一起研究计算机视觉，深度学习以及两者的结合。曾于2015年在香港中文大学的多媒体实验室（MMLAB）和2017年NVIDIA Research担任实习生。