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

第12期CSIG图像图形学科前沿讲习班成功举办

2019-08-05

        2019年7月31日,中国图象图形学学会(CSIG)主办的第12期“图像视频理解”学科前沿讲习班(IGAL 12)在清华大学圆满闭幕。本次活动由CSIG多媒体专业委员会和清华大学承办,中国科学院计算技术研究所陈熙霖研究员担任学术主任,来自全国各地的120余位老师、学生以及企业工程师参加。

image.png

讲习班现场

        7月30日上午,学会副秘书长、北京大学彭宇新教授代表学会在开幕式上致辞。彭老师介绍了学会的基本情况、主办的特色活动及本期讲习班学术主任、中国科学院计算技术研究所陈熙霖研究员,并对各位讲者表示感谢,对各位参会者的到来表示欢迎。

彭宇新致辞.JPG

彭宇新教授致辞

        讲习班学术主任陈熙霖研究员在开幕式上作开班致辞,希望大家在接下来为期两天的时间内与8位知名的国内一线青年学者们充分交流,学有所获。

陈熙霖研究员总结.JPG

陈熙霖研究员致辞

        第一场报告由上海科技大学何旭明副教授主讲“Learning structured visual concepts with few-shot supervision”。何老师指出,当下数据驱动的深度神经网络等方法在计算机视觉问题中取得了优异的表现,但实际场景中仍然存在大量标注数据较少甚至没有的视觉任务。针对这类问题,何旭明副教授主要介绍了团队在小样本监督学习的工作,例如小样本学习处理视觉任务时如何探索结构化表征,如何设计模块化可解释的网络等。

何旭明.JPG

何旭明副教授作报告

        中国科学院自动化研究所刘静研究员围绕“图像语义分割研究回顾与前瞻”作分享,报告回顾了继FCN之后通过增加模型感受野、反卷积网络、融合全局上下文与多尺度信息等不同改进方式的各项研究工作,介绍了上下文反卷积网络、双重注意力网络、自适应上下文网络等课题组最新的几个研究工作,最后对图像语义分割未来值得探讨的研究问题进行了简单讨论。

刘静.JPG

刘静研究员作报告

        下午,中国科学院计算机技术研究所王瑞平研究员作题为“开放场景中的物体识别”报告。报告首先简要回顾了过去几年物体识别任务在数据构建、方法研究方面所取得的主要进展;接下来分析了真实开放场景中面临的主要挑战,比如海量物体类别间的复杂语义与视觉关联、开放场景中天然的长尾分布导致的标注数据稀缺、跨场景应用所面临的视觉识别模型推广与知识迁移等,接着王老师重点介绍了近几年围绕开放场景识别所开展的一些探索,包括:属性与类别关联的多任务图像检索、属性辅助的零样本物体识别、开放环境下的增量物体识别、场景推理驱动的物体检测与关系分析等。

王瑞平.JPG

王瑞平研究员作报告

        天津大学胡清华教授给大家分享了“多模态数据的高阶信息表示学习”的成果。胡老师在报告中提到,文本图像语音视频等数据被广泛用于表达语义信息,这些多模态数据互为补充、有时又相互矛盾,不同模态间蕴藏着复杂的高阶关联。近些年提出了多种高阶表示以挖掘和利用多模态数据之间的复杂关联,实现有效的多模态数据融合。胡老师在报告中进一步介绍了多模态数据的应用场景、多模态数据的高阶表示以及基于高阶表示的多模态数据的高效融合策略

胡清华.JPG

胡清华教授作报告

       31日上午,微软亚洲研究院王井东博士以“Efficient and High-Resolution Representation Learning for Visual Recognition”为主题,重点讲述了怎么提高卷积神经网络的有效性以及High -resolution网络的结构设计两个方面的内容

王井东.JPG

王井东博士作报告

        哈尔滨工业大学左旺孟教授作了题为“深度卷积神经网络的灵活性初探”的报告。报告围绕“当前针对不同的底层视觉任务,需要重新设计以及训练深度网络模型”这一问题展开,介绍了结合底层视觉和图像转换的一些可行解决思路,对一些单一高层视觉任务,通过引入类似的角度设计和学习深度网络,可以改善模型性能和适应性

左旺孟.JPG

左旺孟教授作报告

        下午,中国科学院自动化研究所赫然研究员作了题为“生成式图像分析与理解”的报告,主要介绍了与视觉数据生成相关的视觉信息采集、视觉认知机理和概率生成模型,并从生成式机器学习角度,分析了图像视频理解的行业需求以及对人工智能发展的影响

赫然.JPG

赫然研究员作报告

        最后,清华大学鲁继文副教授以“深度强化学习与视觉内容理解”为主题,简述了深度强化学习的基本概念与原理,然后重点介绍了近年来面向视觉内容理解所发展的多个深度强化学习方法,包括多智能体深度强化学习、图深度强化学习、和结构化深度强化学习等,以及它们在物体检测与识别、目标跟踪与检索、行为预测与识别、图像与视频编辑、和深度模型压缩等多个视觉内容理解任务中的应用

鲁继文.JPG

鲁继文副教授作报告

        8场专家的报告,拓展了学员的视野,激发了大家的研究兴趣和热情,同时通过相互交流,认识了新的同行。

交流.png

交流环节

        报告结束后,本期讲习班学术主任陈熙霖研究员在结营仪式上总结致辞,感谢报告嘉宾和各位参会者的支持。

合影2.jpg

部分参会者合影

        第12期“图像视频理解”CSIG图像图形学科前沿讲习班在各位老师和广大同行的大力支持下,取得了圆满成功。