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第一期学生会员分享论坛会议通知

2022-12-21

为促进学术交流、开拓学术视野、激发创新思维,助力图像图形领域研究生学术成长和未来职业发展,中国图象图形学学会创办CSIG学生会员分享论坛,论坛以研究生自主开展学术交流为主,同时,积极发挥导师的指导作用,帮助研究生开阔视野,启迪智慧,提高创新能力。第一期CSIG学生会员分享论坛将于20221223日举办,邀请2位青年学者、3位优秀博士生作学术报告并围绕研究生学术生涯的热点话题进行探讨。

主办单位

中国图象图形学学会

承办单位

中国图象图形学学会优博俱乐部

会议时间

20221223日(星期14:30-17:00

会议地点

线上地址1(腾讯会议):584-720-677

1671587106367799.png 

线上地址2CSIG视频号直播):

 1671587327181233.png

一、会议安排

截屏2022-12-21 上午9.55.00.png

二、报告嘉宾

报告人:王聪 副教授

1671587752339157.png

告题目:Fuzzy Clustering for G-image Segmentation

报告摘要:Classic image segmentation involves an analysis or manipulation of image data defined in regular Euclidean domains. In recent years, with rapid advances in information and computer technology, image data defined in irregular domains including complex topologies have received much attention. Graphs positioned in high dimensional spaces offer a capacity to model such data and complex interactions among them. Let us assume for now that an image defined on a graph can be modelled as a real-valued function residing on vertices. It can be simply referred to a G-image. It can be represented through various interacting objects, such as colors, labels, and coordinates. In conclusion, G-images extend the universe of discourse of classical image processing. In other words, the scope of investigation on image processing is extended from Euclidean domains to graph ones. Due to the nonlinear nature of graphs, it is challenging to design efficient computing methods for manipulating and processing G-images. To do so, this speech discusses how to improve fuzzy clustering methods and then apply them to G-image segmentation.

个人简介:王聪,西北工业大学副教授,硕士生导师,IEEE/CCF/CSIAM/CSIG会员。20216月毕业于西安电子科技大学,获工学博士学位,导师周孟初教授(IEEE Fellow)和李志武教授(IEEE Fellow)。同年7月,进入西北工业大学博士后流动站,合作导师李学龙教授(欧洲科学院院士、国际宇航科学院院士、IEEE/ACM Fellow)。20193月至202011月,先后在阿尔伯塔大学、南洋理工大学、新加坡国立大学做联合培养博士生,合作导师Witold Pedrycz教授(加拿大科学院院士、IEEE Fellow)、Shuzhi Sam Ge教授(新加坡工程院院士、IEEE Fellow)。入选2021年博士后创新人才支持计划、2018年度中国科协优秀中外青年交流计划。目前研究兴趣主要在广域信息计算、模糊理论及应用、小波分析及应用等领域。已完成学术专著、Book Chapter 1部;发表学术论文近30篇,其中以第一作者身份在IEEE T-CYBIEEE T-FSIEEE T-IP等一区刊物上发表11篇。主持国家自然科学基金(青年)、科技创新2030-“新一代人工智能重大项目子课题、博士后科学基金(面上)、省青年基金等纵向课题12项;参与国家自然科学基金(面上)等纵向课题4项。荣获2022年度中国图象图形学学会优秀博士学位论文提名奖,担任10余个国际会议的AE/TC/PC, 担任IEEE T-PAMI/IEEE T-FS40+国际顶级期刊和重要会议的审稿人, 受邀在国际会议/Workshop上作报告10余次。


报告人:王龙光 讲师

1671587995595088.png

报告题目:Exploring Sparsity in Image Super-Resolution for Efficient Inference

报告摘要:图像超分辨率旨在恢复图像中丢失的细节信息。在输入的低分辨率图像中,平滑区域比纹理区域的细节信息损失更少,直觉上这些区域需要较少的计算资源即可。然而,当前的图像超分辨率方法并没有考虑不同区域间的这一差异,而是对所有区域进行完全相同的处理,致使平滑区域中产生大量的冗余计算。为了解决这一问题,提出了稀疏掩膜超分辨率网络,能够利用图像超分辨率中的稀疏性跳过网络中的冗余计算,从而有效地减少了网络的计算复杂度,实现了超分辨率网络的高效推理。

个人简介:王龙光,2022年博士毕业于国防科技大学,师从安玮教授与郭裕兰副教授。主要研究方向为低层计算机视觉与三维视觉,专注于二者的交叉领域,特别是图像和点云的复原与重建。在IEEE T-PAMIIEEE T-IPCVPRICCVECCV上发表论文15篇,其中一作CCF A类论文9篇,ESI高被引论文1篇。Google学术总引用1200余次,Github开源代码star总数超过2000次。曾获VALSE 2020焦点论文、光华奖学金等奖励,曾在CVPR上组织首届NTIRE 2022双目图像超分辨率重建挑战赛。担任IEEE T-PAMIIEEE T-IPIEEE T-MM等国际期刊以及CVPRICCVECCV等国际会议的审稿人。


报告人:龙珍 博士生


1671588158931091.png

报告题目:基于可训练子空间的张量缺失成分复原方法

报告摘要:低秩张量补全可以从有限的观测集中恢复在获取、传输、转换等过程丢失的数据项。这使得张量补全在多个应用场景中有推广前景,例如知识图谱获取、交通流量预测、气候数据分析、推荐系统、多任务学习、图像和视频复原等。然而能否成功恢复数据在很大程度上取决于样本复杂度,即成功恢复丢失元素所需的最少观测集。本报告考虑了在辅助数据的帮助下,通过降低样本复杂度,进而提高数据恢复性能。我们提出了一种基于可训练子空间的张量补全方法来实现数据复原。具体来说,首先通过字典学习从辅助数据中获取子空间。然后假设待恢复的张量数据由两个低秩成分组成,其中一个成分与辅助数据共享子空间信息,另一个成分在共享子空间之外,来实现利用训练好的子空间信息完成张量补全任务。另外,我们定量分析了子空间信息对样本复杂度的影响,并从理论上给出了子空间信息的有用性。最后,在模拟实验上验证了子空间信息对样本复杂度的影响。基于彩色图像和多光谱图像复原的实验表明,所提出的方法在恢复精度和时间复杂度方面优于最先进的方法。

个人简介:龙珍,电子科技大学博士五年级,博士导师朱策教授,副导师刘翼鹏副教授,主要研究方向为张量补全、图像处理。在20215月至20225月,受国家留学基金委资助在法国格勒诺布尔大学gipsa-lab进行访问研究(合作导师:Pierre ComonIEEE FellowEURASIP FellowSIAM life Fellow)。在T-SPT-IPT-MMT-CSVTSP等期刊发表论文10篇,其中一作或者学生一作论文6篇,有2篇文章入选ESI 高影响力论文(世界前1%);合作撰写专著2本。谷歌引用301次。作为主研人员参与了华为技术研究、国家自然科学基金等项目。


报告人:刘佳妮 博士生


1671588362299762.png


报告题目:基于组稀疏约束的紧凑张量环回归

报告摘要:具有高阶相关性的学习任务中,回归系数张量的低秩近似至关重要。张量环作为最流行的张量网络表示形式,可以捕获数据的更多结构信息。然而,其最优秩通常是未知的,需要从多个组合中进行选择。为了解决这个问题,我们提出了一种新的张量回归框架,该框架利用施加在因子上的组稀疏约束可以在学习过程中对张量环秩进行推断,以平衡预测误差和模型复杂度。在仿真数据集上的实验表明,所提方法能够准确获取张量环秩,并在人体行为轨迹重建的真实数据集上进一步验证了所提算法的有效性和鲁棒性。

个人简介:刘佳妮, 电子科技大学信息与通信工程在读博士,指导老师为朱策教授和刘翼鹏副教授。曾于202110月至20229月赴鲁汶大学(比利时)电子工程系进行联合培养。主要从事张量回归分析相关理论、方法与应用工作。发表张量数据分析相关的期刊论文达10篇,大多发表在TNNLSTKDEPRTSPTIP等行业高水平期刊。合著书籍两本,《Tensor Regression》和《Tensor Computation for Data Analysis,分别由Now Publishers和施普林格(Springer)出版。在国际人工智能协会旗舰会议IJCAI 2022和亚太信号与信息处理学会年度峰会APSIPA ASC 2022上做讲习班报告,并担任AAAITNNLSICASSP等期刊和会议审稿人。


报告人:郑卓 博士生

图片64.png

报告题目:变化无处不在:单时相监督的遥感影像变化检测

报告摘要:遥感影像变化检测是理解地表动态的基础手段。目前学习一个深度变化检测器通常需要成对的双时相影像,以提供监督信号;然而标注大范围、成对的遥感影像数据需要大量人力、物力,成本高昂。本次报告的工作提出了一种利用非成对的单时相影像作为变化监督信号的学习方法,即单时相监督学习(single-temporal supervised learning, STAR)。利用STAR算法,训练一个深度变化检测器仅需要非成对标注的影像集,得到的模型可以有效泛化到真实场景中的双时相影像对。为了验证STAR的有效性,我们进一步设计了一个极简的深度变化检测器架构,ChangeStar,其核心设计理念是重用现有的语义分割架构,使得任何语义分割架构都能直接转换为一个变化检测架构。大量实验表明,所提出的学习算法,显著弥合了单时相监督与双时相监督间的性能差距,极大程度减少了深度变化检测器学习的数据成本。

个人简介:郑卓,武汉大学测绘遥感信息工程国家重点实验室2020级博士生,师从钟燕飞教授、张良培教授,主要研究方向为遥感视觉理解,目前以第一作者在RSEISPRS P&RSCVPRICCVNeurIPSIEEE TGRS等遥感、计算机视觉顶级期刊和会议上发表论文9篇,其中ESI高被引论文1篇,Google学术引用700余次,学术成果荣获美国摄影测量与遥感学会约翰戴维森主席奖、IEEE地球科学与遥感协会数据融合大赛亚军等多项国际奖项;在读期间于20202022年两次获得武汉大学研究生学术创新奖特等奖、王之卓创新人才奖”特等奖、博士研究生国家奖学金、武汉大学研究生“十大学术之星”。