欢迎光临中国图象图形学学会官方网站,让我们一起努力,探索图象图形领域的广袤天地!
首页 > 学会动态 > 学会新闻

CSIG-MV走进高校之机器视觉与智能媒体技术高端论坛在福州成功举办

2018-12-20

        由中国图象图形学学会(CSIG)主办,中国图象图形学学会机器视觉专业委员会、福州大学数学与计算机科学学院承办,东南大学儿童发展与学习科学教育部重点实验室协办的2018年中国图象图形学学会“机器视觉与智能媒体技术”高端论坛于2018年12月16日在福州大学成功举办,200余位师生参加了本次论坛。


image.png

论坛部分参会人员合影


        本次论坛邀请了北京交通大学赵耀教授、上海交通大学沈红斌教授、北京大学林宙辰教授、中国科学院自动化研究所徐常胜研究员、南京信息工程大学刘青山教授、电子科技大学陈华富教授作了特邀报告。


image.png

福州大学副校长杨黄浩教授致开幕词


        论坛开幕式由福州大学的吴英杰教授主持,福州大学副校长杨黄浩教授出席了论坛,并代表福州大学对远道而来的各位学者专家表示热烈的欢迎和衷心的感谢。


 image.png

赵耀教授作报告


        赵耀教授作了题为“基于深度学习的弱监督图像语义分割”的特邀报告。他指出为了减少像素级标注的巨大负担,近年来提出了许多弱监督语义分割技术。随着深度卷积神经网络的进步,我国在物体语义分割领域的研究取得了显著的进步。赵教授重点介绍了他所带领的团队在基于深度学习的弱监督语义分割方面的部分研究成果,让同学们对深度学习与图像分割有了更加深刻的理解。


image.png

 刘青山教授作报告


        刘青山教授作了题为“视觉特征学习”的特邀报告。机器视觉的目标就是让机器能像人一样自动“看懂”外部环境,是人工智能领域的一个重要研究方向。图像特征学习是机器视觉研究的核心问题,其目的是对视觉信息进行加工分析,以便进一步实现视觉理解。在报告中,刘青山教授以高维视觉特征表达和深度视觉特征学习两个方面为重点向大家详细地剖析了视觉特征学习,并将近年来他的团队在图像特征学习方面的一些研究成果分享给在座的师生们。


image.png

林宙辰教授作报告 


        林宙辰教授作了题为“优化与深度神经网络”的特邀报告。该报告基于林教授最近发表的AAAI 2019和ACML 2018两篇论文。林教授向大家展示了优化不仅能用于训练深度神经网络,还可以用于网络设计。在AAAI 2019论文中,林教授提出了提升近邻算子机(LPOM),把前向神经网络的训练问题近似为一个多凸(Multi-Convex)优化问题,从而可以方便地求解。在ACML 2018论文中,林教授首先证明了具有固定权重的深度神经网络等价于用梯度法来极小化某目标函数,并基于快的算法对应于好的网络的假设,用比梯度法快的算法来极小化该目标函数,从而得到相应的深度网络,所得网络结构多样,ResNet和DenseNet为其特例,而且在标准数据集上达到了比ResNet和DenseNet更低的错误率。


 image.png

徐常胜研究员作报告


        徐常胜研究员作了题为“连接社会多媒体大数据”的特邀报告。在报告中,徐研究员从以用户为中心的角度介绍跨社会媒体网络数据挖掘和应用的基本研究框架,并结合了研究案例介绍了在该框架下的两个基本任务:(1)From User:跨社会媒体网络关联挖掘;(2)For User:跨社会媒体网络用户建模。


image.png

沈红斌教授作报告


        沈红斌授作了题为“基于分子图像理解的蛋白质功能预测与结构重构”的特邀报告。分子成像作为一项描述蛋白质的新技术,在蛋白质功能预测和结构求解中发挥着越来越重要的作用,沈教授在分享中介绍他的团队近期面向分子图像基于智能算法研究提出的蛋白质功能预测和图像3D重构方面的最新进展。


 image.png

陈华富教授作报告


        陈华富教授作了题为“神经精神疾病多模态磁共振脑网络方法研究”的特邀报告。众所周知,有些疾病在检查中漏检率极高,甚至在早期检测中无客观指标可以使用。陈教授的报告是关于神经精神疾病脑影像分析中涉及复杂信息分析的模型和方法。主要是利用磁共振脑成像提供的功能和结构影像信息,探测脑功能活动特征、功能和结构网络特征,揭示神经精神疾病的影像学神经机制,并发展多模态网络特征模式识别方法,提高分类准确率,为临床诊断和评估提供信息学的客观指标。


image.png

 现场提问


        参加论坛的师生们与各位专家学者进行了深入的交流与探讨,气氛活跃。特邀嘉宾主讲的内容均为国际前沿领域中最新的研究成果,为师生们展现了国内外机器视觉与智能媒体技术领域发展的最新动态,给相关领域的研究人员提供了一次全面、深入的学习机会,推动了机器视觉与智能媒体技术的发展与相关技术的普及。与会者纷纷表示,专家们精彩的报告让他们受益匪浅。


CSIG机器视觉专业委员会供稿