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 > 活动预告

2021CSIG机器视觉与智能研讨会将于11月19-21日举办

2021-11-05

为了促进中国图象图形学学会(CSIG)机器视觉专委会与国内外同行在人工智能领域前沿理论与技术方面的交流,特举办2021 CSIG机器视觉与智能研讨会。本研讨会由中国图象图形学学会(CSIG)主办,CSIG机器视觉专委会、福州大学计算机与大数据学院、福建省网络计算与智能信息处理重点实验室联合承办,为CSIG机器视觉专委会2021年度学术会议。本研讨会很荣幸邀请到李树涛教授、王熙照教授、聂飞平教授、纪荣嵘教授、夏元清教授、胡清华教授、刘新旺教授、马佳义教授、林宙辰教授等九位著名学者来做精彩的专题报告,采用线上和线下结合的方式,热忱欢迎感兴趣的老师和同学前来参加,与专家互动。

一、主办单位

中国图象图形学学会

二、承办单位

中国图象图形学学会机器视觉专委会

福州大学计算机与大数据学院          

福建省网络计算与智能信息处理重点实验室

三、会议时间

2021年11月19日-21日

四、会议地点

福建省福州市苍山凯悦酒店2楼会议厅

直播链接:https://live.bilibili.com/22300737

五、会议内容

CSIG机器视觉与智能研讨会将于2021年11月19-21日在福建省福州市苍山凯悦酒店(2楼会议厅)隆重召开,同时通过B站VALSE平台进行直播,本次研讨会以“智能感知、福聚英才,推进新时代产研双赋能”为主题。

研讨会邀请了来自湖南大学、深圳大学、西北工业大学、厦门大学、北京理工大学、天津大学、国防科技大学、武汉大学、北京大学等多所高校专家,以高光谱图像智能处理与识别、对抗机器学习中的不确定性建模与分析、高效求解聚类问题的坐标下降法、深度神经网络的压缩与加速研究等主题作精彩报告。

本次会议旨在搭建高水平的学术交流平台、展示最新研究成果、加强学科间的合作交流、促进青年人才的成长、加快福建省建设创新型省会、深入实施“名校+”带动战略。会议议程详见附件一。

联系人:郭文忠教授、王石平教授

联系电话:18344939872

电子邮箱:shipingwangphd@163.com

、会议日程

微信截图_20211104143411.png

七、出席嘉宾介绍

李树涛.jpg

李树涛 Shutao Li

报告题目:高光谱图像智能处理与识别

报告摘要:本报告首先介绍基于稀疏表示、深度学习等理论的高分辨率高光谱融合成像方法,旨在突破成像传感器空间和光谱分辨率的物理限制;然后介绍几种典型的高光谱图像智能识别方法,实现复杂场景下地物类型的精准识别;最后,介绍所提出方法的应用情况,并对未来研究工作进行展望。

嘉宾简介:李树涛,湖南大学教授,博士生导师,教育部长江学者奖励计划特聘教授,国家“万人计划”科技创新领军人才,IEEE Fellow,担任IEEE Trans. Geosci. Remote Sen.、Information Fusion等国际期刊编委,Clarivate Analytics高被引科学家。一直从事视觉感知与人工智能理论方法和关键技术研究,先后承担了国家杰出青年科学基金、国家重点研发计划等课题20余项,获国家自然科学二等奖1项(排名第1),国家科技进步二等奖2项(排名第3、5),省部级科技奖励4项,发表学术论文200余篇。

王熙照.jpg

王熙照 Xizhao Wang

报告题目:对抗机器学习中的不确定性建模与分析

报告摘要:不确定性建模与分析是一个古老的话题,但将其用于深度学习中是近几年才刚开始的。报告聚焦于近年来流行的一类深度学习即对抗攻防的鲁棒性,讨论了学习过程中的数据、模型、预测等不确定性建模问题,分析了不确定性表示与对抗鲁棒性之间的关系,指出量化的不确定性可通过优化模型参数或改进损失函数来调整,该调整可显著提升对抗鲁棒性。

嘉宾简介:王熙照,博士,深圳大学二级教授,IEEE Fellow,CAAI Fellow,IEEE-SMC计算智能专委会主席,Springer杂志Machine Learning and Cybernetics主编。中国人工智能学会(CAAI)常务理事、CAAI知识工程专委会主任委员。深圳市海外高层次人才,曾获省部级自然科学一等奖和吴文俊人工智能自然科学一等奖。主要研究兴趣包括不确定性建模和面向大数据的机器学习,在该领域发表学术论文多篇;著有《基于不确定性的决策树归纳》和《Learning with Uncertainty》等著作;主持完成国家自然科学基金等项目多项;累计完成指导博士/硕士学位研究生200多名;曾担任多个国际/国内学术会议的大会或程序主席。

聂飞平.jpg

聂飞平 Feiping Nie

报告题目:高效求解聚类问题的坐标下降法

报告摘要:设计一个好的聚类模型和好的优化方法对于聚类任务来说同样重要。k-means和谱聚类作为两种十分流行的聚类模型,相关研究受到广泛关注。在本报告中,将介绍一种快速的坐标下降法,并将其用于求解k-means聚类和谱聚类优化问题。对于k-means模型,相比原始的Lloyd优化方法,这种坐标下降法能够找到更好的解,收敛更快,并且对初始化更鲁棒。通过严格的证明发现,虽然坐标下降法能提升Lloyd方法所得到的解,但是Lloyd方法一定不能提升坐标下降法所得到的解。此外,虽然Lloyd方法经常会产生空类,但是坐标下降法在求解过程中一定不会产生空类。对于谱聚类模型,这种坐标下降法可以直接求解原始优化问题,不需要松弛和离散这两个步骤,因此可以得到更好的解,并且计算复杂度更低。

嘉宾简介:聂飞平,西北工业大学教授、博士生导师,国家万人计划领军人才。主要研究兴趣为机器学习理论和方法,并用来解决实际的应用问题。在相关领域已发表系列论文,其中影响因子大于10的一区期刊论文100余篇,IEEE/ACM汇刊论文100余篇,CCF A类会议长文100余篇。论文被引用24000余次,H指数85。入选科睿唯安“全球高被引科学家”,爱思唯尔“中国高被引学者”等榜单。

纪荣嵘.jpg

纪荣嵘 Rongrong Ji

报告题目:深度神经网络的压缩与加速研究

报告摘要:深度神经网络在图像理解、语音识别、自然语言处理等人工智能应用领域取得了令人瞩目的成就,成为人工智能研究的热点之一。然而,随着网络性能的不断提高,网络的深度和广度也在不断增加,这就大大增加了网络的参数和计算复杂度。如何压缩和加速这些大的神经网络模型成为学术界和工业界研究的热点。针对神经网络的加速和冗余度问题,本次报告简要介绍已有的加速和压缩方法并在其中覆盖纪荣嵘教授研究组近几年来在神经网络压缩与加速中所做的一些工作与成果。

嘉宾简介:纪荣嵘,厦门大学南强特聘教授,国家杰出青年科学基金获得者。主要研究方向为计算机视觉。近年来发表TPAMI、IJCV、ACM汇刊、IEEE汇刊、CVPR、NeurIPS等会议长文过百篇。论文谷歌学术引用万余次。曾获2016年教育部技术发明一等奖、2018年省科技进步一等奖、2019年福建省青年科技奖。曾/现主持国防973项目,国家自然科学基金联合重点基金等项目。任中国计算机学会A类国际会议CVPR和ACM Multimedia领域主席、中国图象图形学学会学术工委副主任、教育部电子信息类教指委人工智能专业建设咨询委员会委员。

夏元清.jpg

夏元清 Yuanqing Xia

报告题目:多传感器网络系统数据滤波融合与故障可诊断性研究

报告摘要:介绍了多传感器网络滤波与数据融合方法,包括间隙性观测、数据驱动的非线性滤波系统稳定性与收敛性,噪声不相关的多传感器不可靠网络系统的分布式加权卡尔曼滤波融合,噪声相关的多传感器不可靠网络系统的分布式加权卡尔曼滤波融合,噪声不相关的多传感器不可靠网络系统的分布式联邦卡尔曼滤波融合,非线性多传感器网络系统的集中式尺度无迹卡尔曼滤波融合,具有未知输入扰动的非线性仿射多传感器网络系统的故障可诊断性研究等。

嘉宾简介:夏元清,博士,北京理工大学讲席教授,博士生导师,北京理工大学自动化学院院长、教育部“长江学者”特聘教授、国家杰出青年科学基金获得者、国家“万人计划”领军人才。担任国务院学位委员会第八届学科评议组成员、中国计算机学会大数据专家委员会委员、中国仪器仪表学会物联网工作委员会副理事长、中国指挥与控制学会云控制与决策专业委员会主任委员;任国际刊物《International Journal of Automation and Computing》编委、《Gyroscopy and Navigation》、《自动化学报》编委、《控制理论与应用》、《控制与决策》等刊物编委。在国内外重要学术刊物上发表学术论文300余篇,出版英文专著16部,中文专著2部、中英文教材3部,并于2014至今连续入选Elsevier中国高被引学者榜单。曾获得2011年国家科技进步二等奖一项(排名第二),2012年、2017年教育部自然科学二等奖一项(排名第一),2010年、2015年北京市科学技术二等奖两项(排名第一),2018年获吴文俊人工智能自然科学奖二等奖(排名第一)。

胡清华.jpg

胡清华 Qinghua Hu

报告题目:开放动态场景中的机器学习探索

报告摘要:智能系统被广泛应用于各种开放动态场景,环境感知的技术越来越丰富、环境的不确定性愈来愈强、需要认知的对象越来越多、而对识别预测的可靠性要求却越来越高。传统机器学习模型难以适用于如此复杂的建模任务。为此,需要探索低质量、不确定性、多模态数据刻画的动态变化场景中大规模分类预测和推理决策的方法。本报告将从低质多模态数据的柔性可信融合、低质大数据的不确定性主动感知、分类预测的不确定性评估、考虑不确定性的自主学习以及融合知识与数据的低资源任务建模等方面开展讨论,初步探索开放动态场景中的一些机器学习新范式。

嘉宾简介:胡清华,天津大学北洋讲席教授,智能与计算学部副主任兼人工智能学院院长,天津市机器学习重点实验室主任,国家优青、杰青。主要从事不确定性人工智能、多模态学习与自主机器学习方面的研究。先后主持自然基金优青项目、重点项目、杰青项目以及国家重点研发计划项目和军科委项目的支持,在大数据的不确定性建模、不确定性敏感的机器学习算法以及考虑不确定性的智能无人系统环境感知与自主学习等方面取得了一系列成果,在IEEE TPAMI、IJCV、IEEE TKDE、IEEE TIP、IEEE TFS、IEEE TCYB、 ICCV、CVPR、NeurIPS、IJCAI、AAAI、ICDM等处发表学术论文200余篇,获批专利20余项。研究成果在灾害性空间天气预报、全国森林火灾风险预报、智能测试机器人、智慧城市等领域投入应用。目前担任IEEE Trans. on Fuzzy Systems、自动化学报、智能系统学报、中国图象图形学报、控制与决策等期刊的编委。

刘新旺.jpg

刘新旺 Xinwang Liu

报告题目:鲁棒多模态聚类算法最新进展

报告摘要: 提出了矩阵范数正则化多模态聚类算法以降低冗余性和增强多样性;提出了缺失多模态分类、聚类算法以解决具有缺失模态的分类、聚类等学习问题。

嘉宾简介:刘新旺,国防科技大学计算机学院教授,博士生导师。国家自然科学基金优秀青年基金获得者。主要研究兴趣包括核算法、多视图聚类算法、深度聚类等。发表IEEE Trans及CCF A类论文70余篇,包括IEEET-PAMI、IEEE T-KDE、IEEET-IP、ICML、NeurIPS、CVPR、ICCV、AAAI、IJCAI等。谷歌学术引用5000余次。担任AAAI 2020-2021、IJCAI2020-2021等国际人工智能顶级会议的资深程序委员会委员,以及IEEE TNNLS、Information Fusion的编委/副主编。主持科技部“新一代人工智能”重大项目、国家自然科学基金面上项目、青年基金各一项,研究成果曾获湖南省自然科学一等奖。

马佳义.jpg

马佳义 Jiayi Ma

报告题目:基于深度学习的图像融合

报告摘要:多源图像融合技术通过综合同一场景下多幅图像包含的互补及冗余信息,获得场景更全面准确的描述,在医学、安防、遥感、数码摄影等诸多领域具有广泛的应用。根据图像融合的主要任务包括红外可见光图像融合、医学图像融合、多曝光图像融合、多聚焦图像融合、遥感图像融合等,分别介绍近三年主流的深度学习图像融合算法,包括基于CNN的方法、基于AE的方法、基于GAN的方法等。

嘉宾简介:马佳义,武汉大学电子信息学院教授、博士生导师,入选“国家万人计划”青年拔尖人才、湖北省杰青、楚天学子。2008年6月和2014年6月分别于华中科技大学获得理学学士和工学博士学位。攻博期间曾赴美国UCLA进行一年联合培养。2014年8月进入武汉大学任教,2016年破格晋升为副教授,2018年破格晋升为教授。主要研究方向包括计算机视觉、模式识别、图像处理等。近五年以第一或通讯作者在IEEE TPAMI、IJCV、IEEE TIP等中科院一区期刊或CCF A类会议上发表学术论文60余篇,其中ESI高被引论文20余篇,谷歌学术引用8700次,H指数50,入选科睿唯安2019、2020年全球“高被引科学家”榜单。曾获湖北省自然科学一等奖1项 (第1完成人),吴文俊人工智能优秀青年奖,中国自动化学会、中国人工智能学会、湖北省优秀博士学位论文。目前担任SCI一区期刊Information Fusion (IF=12.975) Area Editor,IEEE资深会员。

林宙辰.jpg

林宙辰 Zhouchen Lin

报告题目:On Training Implicit Models

报告摘要:Implicit models have emerged as deep networks with infinite layers. They have good mathematical properties and can achieve competitive performance as traditional deep networks. However, their training is a big issue. Previous works employ the implicit differentiation and solve the exact gradient for the backward propagation. However, is it necessary to compute such an exact gradient (which is usually quite expensive) for training? To this end, we propose a novel gradient estimate for these implicit models, named phantom gradient, that 1) forgoes the costly approximation of the exact gradient; and 2) provides an update direction (empirically) preferable to the implicit model training. We theoretically analyze the condition under which a descent direction of the loss landscape could be found, and provide two specific instantiations of the phantom gradient based on unrolling and the Neumann series. Experiments on large-scale vision tasks demonstrate that these lightweight phantom gradients significantly accelerate the backward passes in training implicit models (roughly 1.7× speedup), and even boost the performance over approaches based on the exact gradient.

嘉宾简介:林宙辰,北京大学教授,IAPR/IEEE Fellow,国家杰青,中国图象图形学学会机器视觉专委会主任,中国自动化学会模式识别与机器智能专委会副主任,中国计算机学会计算机视觉专委会常务委员,中国人工智能学会模式识别专委会常务委员。研究领域为机器学习、计算机视觉和数值优化。发表论文240余篇,谷歌引用2.2万余次,英文专著2本,中文专著1本,获2020年度中国计算机学会科学技术奖自然科学一等奖。多次担任CVPR、ICCV、NIPS/NeurIPS、ICML、IJCAI、AAAI和ICLR领域主席,担任ICPR 2022程序共同主席,曾任IEEE T-PAMI编委,现任IJCV、Optimization Methods and Software编委。


中国图象图形学学会机器视觉专委会  福州大学计算机与大数据学院

2021年11月5日