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

2022中国图象图形学学会青年在线论坛第1期将于5月17日在CSIG视频号进行直播

2022-05-11

论坛信息


论坛时间:
2022年05月17日 (星期二)  晚上19:00-20:00 (北京时间)

报告嘉宾:朱磊(山东师范大学)

报告题目:多模态哈希表示学习

报告嘉宾:李晶晶(电子科技大学)

报告题目:Domain Adaptation via Adversarial Attacks

主持人:胡鹏 (四川大学)


直播链接

微信图片_20220511102435.png

本次活动将在CSIG官方视频号进行直播,欢迎各位老师关注CSIG官方公众号,点击预约即可到时观看。


报告嘉宾


1.png

朱磊 山东师范大学

       朱磊,山东师范大学教授,博士生导师,IEEE高级会员。主要研究方向是多媒体计算、信息检索、大数据挖掘。共发表或录用论文中国计算机学会(下简称CCF)推荐A类会议长文、ACM/IEEE的汇刊论文90余篇(第一作者或通讯作者32篇)。Google Scholar引用3900多次,H-index为34,ESI高被引论文6篇。获得CCF A类会议ACM SIGIR 2019的唯一最佳论文提名奖,CCF A类会议ACM MM 2019的最佳论文提名(5篇最佳候选论文之一),ADMA 2020的最佳论文奖,1篇论文入选2019年中国百篇最具影响国际学术论文。拥有授权专利22件(第一发明人6件)。担任中科院SCI一区期刊Information Sciences、Information Processing and Management的编委,自动化学报(英文版)的首届青年编委,任多媒体领域权威国际会议ACM MM领域主席,CIKM高级程序委员会委员。主持基金委青年/面上项目、山东省优秀青年基金项目,参与基金委重点项目、山东省自然科学基金重大基础研究项目等10余项横纵课题。获得ACM中国SIGMM新星奖,山东省人民政府颁发的山东省留学回国人员创业奖、山东省人工智能优秀青年奖等。

报告题目:多模态哈希表示学习

报告摘要:哈希是一种二值表示学习技术。它可以将高维数据转换为紧凑的二值哈希码。与传统的索引结构相比,它在检索和存储效率方面具有明显的优势。因此,哈希已成为解决大规模多媒体检索的一种有效技术。多媒体数据具有多模态、异构、存在噪声、模态易缺失、流式生成等特点。如何有效地学习包含多媒体语义的紧凑二值哈希码具有一定的挑战性。在本次报告中,我将介绍几种多模态哈希方法。这些方法都旨在捕获了多模态特征的互补语义,以提高哈希码的检索精度和模型训练效率。


2.png

李晶晶 电子科技大学

       Jingjing Li is currently a professor with the School of Computer Science and Engineering, University of Electronic Science and Technology of China (UESTC). He received his B.Eng., M.Sc. and Ph.D. degrees from UESTC in 2010, 2013 and 2015, respectively. His research interests are in the area of domain adaptation and zero-shot learning. He has co-/authored more than 70 peer-reviewed papers, such as IEEE TPAMI, IEEE TIP, IEEE TKDE, CVPR, ICCV, AAAI, IJCAI and ACM Multimedia. He won Excellent Doctoral Dissertation award of Chinese Institute of Electronics in 2018.

报告题目:Domain Adaptation via Adversarial Attacks

报告摘要:Conventional machine learning algorithms suffer the problem that the model trained on existing data fails to generalize well to the data sampled from other distributions. To tackle this issue, unsupervised domain adaptation (UDA) transfers the knowledge learned from a well-labeled source domain to a different but related target domain where labeled data is unavailable. In this talk, we consider a more practical yet challenging UDA setting where either the source domain data or the target domain data are unknown. Specifically, we investigate UDA from a novel view --- adversarial attack --- and tackle the divergence-agnostic adaptive learning problem in a unified framework.