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

CSIG图像图形中国行将于12月27日在海南大学举办

2021-12-22

一、活动简介

“CSIG图像图形中国行”活动旨在推动图像图形学科的普及,加强各高校研究所以及企业间的交流。自2017年4月起,分别在扬州大学、哈尔滨工业大学、兰州大学、杭州电子科技大学、北京交通大学、海南大学、福州大学、西北农林科技大学、佛山科技学院等及深圳、烟台成功举办了30余期,参会人数累计4000余人,受到业界好评。本次“CSIG图像图形中国行”由CSIG脑图谱专委会与海南大学生物医学工程学院联合承办,交流主题为“脑图谱与类脑智能”。


640.webp.jpg

主办:中国图象图形学学会

承办:CSIG脑图谱专委会

海南大学生物医学工程学院    

时间:2021年12月27日 8:30

地点:海南大学

   

二、执行主席

4.jpg

刘谦 教授

海南大学教授,博士生导师,生物医学工程学院院长,海南大学三亚研究院院长。“国家级百千万人才工程”入选者;教育部“新世纪优秀人才支持计划”入选者。第八届教育部科学技术委员会学部委员;第十届生物医学工程学会教育工作委员会,副主任委员;中国医疗器械行业协会智慧/移动医疗分会理事长。主要研究方向:生物医学光学检测,医疗器械,农作物表型测量,医学信息学。已在Nature Communications, Proceedings of the IEEE等国内外学术期刊发表学术论文120余篇。获专利20余项,软件著作权10项,主编出版专著一部。十三五国家重点研发计划项目首席科学家,主持国家自然科学基金项目3项,国家863计划项目2项,湖北省自然科学基金重点项目1项。先后获湖北省科技进步一等奖,自然科学一等奖,技术发明二等奖,获中国人民解放军总后勤部科技进步三等奖。

 

三、特邀专家

 

5.jpg

胡德文 教授

国防科技大学智能科学学院教授,博士生导师。主要从事模式识别与智能系统、认知科学与信息处理、控制理论与控制工程等方面教学科研工作。先后被评为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、全国优秀科技工作者。于2012年和2018年获国家自然科学奖二等奖共2项。2020年获全国创新争先奖状。

主题报告1 功能成像脑网络分析

    介绍:1)机器学习在脑成像数据分析中的应用;2)功能成像脑连接图谱;3)计算共形几何与脑成像数据2D可视化和迁移学习 

 


6.jpg

彭宇新 教授 


北京大学二级教授、博雅特聘教授、博士生导师、国家杰出青年科学基金获得者、国家万人计划科技创新领军人才、科技部中青年科技创新领军人才、863项目首席专家、中国人工智能产业创新联盟专家委员会主任、中国工程院“人工智能2.0”规划专家委员会专家、北京图象图形学学会副理事长、中国图象图形学学会副秘书长。主要研究方向为跨媒体分析与推理、图像视频识别与理解、计算机视觉、人工智能。以第一完成人获2016年北京市技术发明一等奖和2020年中国电子学会科技进步一等奖,2008年获北京大学宝钢奖教金优秀奖,2017年获北京大学教学优秀奖。主持了863、国家自然科学基金等20多个项目,发表论文160多篇,包括ACM/IEEE Trans和CCF A类论文70多篇。多次参加由美国国家标准技术局NIST举办的国际评测TRECVID视频样例搜索比赛,均获第一名。主持研发的跨媒体互联网内容分析与识别系统已经应用于公安部、工信部、国家广播电视总局等单位。担任IEEE TCSVT等期刊编委。

 

主题报告2:视觉-语言相互生成技术

 

随着深度学习等技术的发展,计算机在图像分类、对象识别等任务中取得了接近甚至超越人类的成绩,但如何赋予人工智能具有突破固定规则的“创意”,使人工智能从“感知智能”迈向“认知智能”是计算机视觉领域的重要任务。视觉-语言相互生成技术旨在使计算机能够根据用户给定的输入进行“联想”与“创造”,能够根据图像、视频等视觉内容自动生成一段自然语言描述,实现视觉到语言生成;或者根据一段自然语言描述从无到有地自动生成语义一致、内容真实、符合逻辑的图像、视频、3D图形,实现语言到视觉生成。这是人工智能实现 “认知智能”的一项重要任务,在教育、设计、影视、创作等领域具有重要的应用价值。本报告将介绍我们在视觉-语言相互生成技术上的研究工作:在视觉到语言生成上,提出对象感知双向图和层次化视觉-语言对齐等方法,通过视频时空信息建模和语义一致性建模,实现准确的视频描述生成。在文本到视觉生成上,提出对称蒸馏网络等方法,将相关视觉任务中的语义知识迁移至生成任务中,提高图像与视频生成的质量。最后展示相关的演示系统。

 7.jpg


蒋田仔 研究员

中国科学院自化研究所脑网络组研究中心主任,脑网络组北京市重点实验室主任。欧洲科学院外籍院士(MAE),IEEE Fellow, IAPR Fellow,AIMBE Fellow,国家杰出青年基金获得者,长江学者特聘教授,973项目首席科学家。现任Neural Networks, IEEE Transactions on Cognitive and Developmental Systems等多种国际刊物编委,北京脑网络组与类脑智能学会理事长,中国神经科学学会常务理事和意识与意识障碍分会会长,2021国际神经网络大会(IJCNN2021)主席,曾任国际“医学影像计算与计算机辅助干预学会”理事及第13届年会(MICCAI 2010) 大会主席。主要从事领域包括多模态跨尺度脑网络组图谱研究、基于脑网络图谱的脑机融合和脑疾病早期预测和精准治疗。获国际脑电图与临床神经科学学会的最高成就奖(Turan Itil Award,2021),国际神经网络学会终身贡献奖 (Hermann von Helmholtz Award,2020),吴文俊人工智能杰出贡献奖(2020),北京市自然科学奖一等奖(2021),国家自然科学奖二等奖(2004)等。

 

主题报告3:脑网络组图谱及其在脑疾病与类脑智能研究中的应用

脑图谱是研究脑结构和功能的基础,脑图谱的出现和不断完善不仅对脑科学基础及临床研究具有重要的意义,同时也为理解脑的信息处理过程进而启发类脑计算及类脑智能的研究奠定基础。但是由于脑区数量众多、个体变异明显,加之目前对其各区域亚区数目及其边界和连接模式也尚未完全明确,缺乏精细的脑图谱,很大程度上限制了对脑功能及功能障碍病理机制的认识。为了解决目前脑科学、类脑智能和脑疾病研究的迫切需求,针对现有人类脑图谱存在的本质问题,我们突破了传统脑图谱绘制的瓶颈,提出了“利用脑连接信息绘制脑图谱”的新思想,建立了绘制新一代脑图谱的理论和方法体系,成功绘制出全新人类脑图谱,即脑网络组图谱,并建立了脑网络组图谱的验证体系及其应用示范。 本报告首先介绍脑网络组和脑网络组图谱的研究背景和研究内容, 包括脑网络组的定义,脑网络组与脑连接组的区别,脑网络组的主要研究方向,脑网络组图谱绘制的思想以及与现有脑图谱发的本质区别等方面;然后介绍脑网络组图谱在脑疾病早期预测和精准治疗中的应用,以及对类脑智能的启示;最后对未来研究方向进行总结和展望。

 

 

8.jpg

林宙辰 教授

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2万2千余次,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。

 

主题报告4Training Feedback Spiking Neural Networks by Implicit Differentiation on the Equilibrium State

 

Spiking neural networks (SNNs) are brain-inspired models that enable energy efficient implementation on neuromorphic hardware. However, the supervised training of SNNs remains a hard problem due to the discontinuity of the spiking neuron model. Most existing methods imitate the backpropagation framework and feedforward architectures for artificial neural networks, and use surrogate derivatives or compute gradients with respect to the spiking time to deal with the problem. These approaches either accumulate approximation errors or only propagate information limitedly through existing spikes, and usually require information propagation along time steps with large memory costs and biological implausibility. In this work, we consider feedback spiking neural networks, which are more brain like, and propose a novel training method that does not rely on the exact reverse of the forward computation. First, we show that the average firing rates of SNNs with feedback connections would gradually evolve to an equilibrium state along time, which follows a fixed-point equation. Then by viewing the forward computation of feedback SNNs as a black-box solver for this equation, and leveraging the implicit differentiation on the equation, we can compute the gradient for parameters without considering the exact forward procedure. In this way, the forward and backward procedures are decoupled and therefore the problem of non-differentiable spiking functions is avoided. We also briefly discuss the biological plausibility of implicit differentiation, which only requires computing another equilibrium. Extensive experiments on MNIST, Fashion-MNIST, N-MNIST, CIFAR-10, and CIFAR-100 demonstrate the superior performance of our method for feedback models with fewer neurons and parameters in a small number of time steps.

 

 

9.jpg

殷明 教授

海南大学教授,博士生导师。清华大学学士、硕士。美国北卡罗莱纳州立大学博士。美国布朗大学博士后。曾担任美国布朗大学助理研究教授,美国犹他大学兼职教授,美国黑岩微系统公司高级工程师,美国布朗大学访问科学家,美国布朗大学技术顾问,瑞士Wyss生物神经工程中心技术顾问。拥有16年美国大学和公司科研工作经验。长期致力于植入式,便携式,头置式神经信号记录和刺激系统开发和测试。在 Neuron等期刊和会议发表论文30余篇,被引用超过1100次。拥有三项国际专利,一项授权国际专利。担任2013第35界国际IEEE生物工程年会脑机接口会场主席。

 

主题报告5:高精度植入式脑机接口技术

 

“高精度植入式脑机接口技术”涵盖了国家“十四五”计划中,强化国家战略科技力量所瞄准的“人工智能、集成电路、生命健康、脑科学”等前沿领域,这是具有“前瞻性、战略性的国家重大科技项目”。其应用方向:脑疾病的诊断与治疗,是我国脑计划的重要研究领域,也与国家中长期科技发展规划核心要素“生命与健康”息息相关。据世界卫生组织统计,到2019年为止全世界癫痫病患者和帕金森症患者人数分别为5千万和1千万人。而我国帕金森症患者占三成,也就是300万,而癫痫病患者更是超过1千万。高精度植入式脑机接口技术在实验和临床上对于此类脑疾病的诊断和治疗中逐渐发挥着日益重要的作用。通过高频采样达到微秒级时域精度,可以完整地采集各个频段的神经生物电信号,通过亚毫米的空间精度可以实现对单个神经元脉冲信号的观测,进一步通过高通道数和电流刺激功能,可以实现对超过1000通道神经元信号的同步观测及调控,从而更深入地了解脑功能和脑疾病发生发展的神经元网络动态机制。本报告将主要介绍目前国内外高精度植入式脑机接口技术的现状、发展方向及其应用前景。

10.jpg

刘勇 教授

北京邮电大学,人工智能学院,脑认知与智能医学系教授。主要研究方向:智能脑影像大数据及临床应用。研究内容属于信息科学、医学和神经科学的交叉领域,主要关注脑影像计算理论与方法及其在重大神经精神疾病中的应用。近期工作围绕利用多中心、大样本研究阿尔茨海默病(Alzheimer’s disease, AD)脑结构和脑功能的异常表征开展,探索从多源高维异构脑影像中寻找AD影像学标记的方法。主要工作发表在Advanced Science, Brain, Science Bulletin等领域权威期刊,建立了国内多中心AD脑影像研究联盟,开发了Brainnetome fMRI Toolkit (http://brant.brainnetome.org)等共享平台。据Google Scholar统计,其工作被引用7000余次。作为主要完成人获得吴文俊人工智能科学技术奖自然科学一等奖(2019,排名第2)、中华医学科技奖医学科学技术奖二等奖(2020,排名第5)等学术奖励,担任北京神经学会理事和中国图象图形学学会脑图谱专委会秘书长等,担任Science Bulletin的领域执行编委,Journal of Alzheimer Disease的Senior Editor等学术职务。作为课题负责人承担包括科技部重大研究计划、国家自然科学基金面上/青年、北京市自然基金杰出青年基金、中科院战略重点研究计划(先导B)、中央高校基本业务费等多项研究任务。

 

主题报告6Convergent neuroimaging signatures and molecular representations of Alzheimer’s disease

 

Brain morphology studies using structural magnetic resonance imaging (sMRI) have provided a non-invasive method for studying changes in the brain and afforded neurobiological evidence for clinical manifestations of Alzheimer's disease (AD) and mild cognitive impairment (MCI). In the current study, we drew atrophy maps for AD/MCI with quantitative effect sizes for the whole brain through a direct meta-analysis of 246 brain regions’ grey matter volume and 210 cortical regions’ cortical thickness in 3118 subjects from 23 cohorts. Further structural heterogeneity of individual brain atrophy was evaluated based on subtype classification. We explored how AD genetic risks translate into spatially patterned brain abnormalities and found that the atrophy maps were spatially correlated with genes enriched for synaptic transmission. In vivo emission computed tomography data were then used to further clarify the above results. In summary, we have outlined a novel, robust and biologically plausible insight into how putative AD risk-genes induce the structural brain changes that mediate the pathogenesis of the illness.

 

 

四、会议流程

640.webp (1).jpg五、联系方式

承办方联系人:卓老师  18976910598   junjie.zhuo@hainanu.edu.cn 

主办方联系人:黄老师  010-82544661   membership@csig.org.cn