一、活动简介

“CSIG图像图形中国行”是由中国图象图形学学会主办的学术活动，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80余期，线上线下参会人数累计数万人次，受到业界好评。

本次“CSIG图像图形中国行”由CSIG机器视觉专委会、广东省图象图形学会、华南理工大学软件学院、人工智能与数字经济广东省实验室（广州）联合承办，交流主题为“机器学习与模式识别”。

主办单位：中国图象图形学学会（CSIG）

承办单位：CSIG机器视觉专委会、广东省图象图形学会、华南理工大学软件学院、人工智能与数字经济广东省实验室（广州）

会议时间：2025年5月24日

会议地点：广州市海珠区华新科创岛A区主楼琶洲实验室一楼会议厅

二、执行主席

谭明奎 教授

华南理工大学软件学院教授、博士生导师，国家级青年人才，担任华南理工大学“大数据与智能机器人”教育部重点实验室副主任，专注机器学习与人工智能研究，连续三年入选美国斯坦福大学“全球前 2%顶尖科学家榜单”。主持多个国家和省部级重点项目。以一作/通讯作者发表学术论文160余篇，近五年谷歌学术引用18000余次。获广东省青年科技创新奖，世界华人数学家联盟“最佳论文奖”、广东省人工智能产业协会自然科学奖一等奖、中国电子学会科技进步一等奖、腾讯犀牛鸟校企合作项目“技术创新奖”与“青年新秀奖”（2019年度双奖唯一获得者)、微软亚洲研究院合作研究奖等奖励。担任人工智能国际顶级会议NeurIPS、ICML、CVPR、AAAI等会议领域主席。累计培养硕博研究生40余名，含华为“天才少年”、CSIG博士学位论文激励计划提名、腾讯大咖各1名。

钟竞辉 教授

华南理工大学计算机科学与工程学院教授，博士生导师，入选广东省高层次人才计划青年拔尖人才和2024年全球前2%顶尖科学家榜单，主要研究领域为新型智能算法设计与应用，包括大规模复杂调度优化、多目标优化和大型空间智慧管控等，近年来在国际权威期刊和会议发表学术论文100余篇，其中IEEE/ACM Trans系列期刊论文40余篇，主持国家级、省级和企业横向项目二十余项，目前担任国际期刊《Memetic Computing》 编委、《ICT Express》编委、IEEE 高级会员，CCF高级会员，IEEE 计算智能学会广州Chapter副主席。

丁长兴 研究员

华南理工大学电子与信息学院研究员、博士生导师，入选国家级青年人才、广东省杰青。研究领域为计算机视觉与具身智能，重点解决人类交互运动的理解与生成问题，服务智能机器人和虚拟数字人等应用，在TPAMI、IJCV、CVPR等顶级期刊和会议上发表论文60余篇。研究工作荣获广东省自然科学一等奖、IEEE信号处理学会(SPS)青年作者最佳论文奖。获得斯坦福大学发布的全球前2%顶尖科学家称号、ACM中国新星奖（Guangzhou Chapter）、美国National Institute of Standards and Technology举办的基于视频的人脸识别挑战赛冠军、顶级会议MICCAI 举办的脑肿瘤分割比赛冠军、顶级会议CVPR举办的动作识别挑战赛和动作预期挑战赛双冠军。

 吴庆耀 教授

华南理工大学软件学院教授、博士生导师；入选中组部万人计划青年拔尖人才；担任大数据与智能机器人教育部重点实验室副主任，广州市机器人软件及复杂信息处理重点实验室主任，SOCA与Software Impacts国际期刊副主编，ICEBE国际会议大会/程序主席，连续3年入选斯坦福大学全球前2%顶尖科学家榜单；主持国自然面上/青年基金、广东省新一代人工智能重点研发、校企联合实验室等多项科研项目；主要做计算机视觉、多模态大模型与具身智能方向，发表CCF A/B类论文近百篇；获2018年度广东省自然科学奖二等奖。

三、特邀专家

Yew-Soon Ong 教授

专家简介：新加坡南洋理工大学 （NTU） 计算机科学与工程学院计算机科学的校长讲座教授，新加坡科学技术研究局 （A*STAR） 的首席人工智能 （CAS） 科学家。在NTU，目前担任新加坡电信-NTU认知与人工智能联合实验室（SCALE@NTU）的联合主任。在2016-2018年担任南洋理工大学计算机科学与工程学院（SCSE）的主席，2016-2022年担任数据科学和人工智能研究中心（DSAIR）主任，2008-2015年担任计算智能中心主任，并在2013-2017年担任数据分析与复杂系统项目Rolls-Royce@NTU Corporate Lab的项目首席研究员。担任多个顶级人工智能会议的领域主席、《IEEE Transactions on Emerging Topics in Computational Intelligence》的创刊主编，同时还是《IEEE Transactions on Evolutionary Computation》、《IEEE Transactions on Neural Network & Learning Systems》、《IEEE Transactions on Artificial Intelligence》的高级副主编，并且是《Studies in Adaptation, Learning, and Optimization》丛书的首席共同编辑研究兴趣包括人工智能与计算智能、迁移与多任务优化、代理建模和机器学习。他在“Memetic Computation”方面的研究首次在2007年8月被汤森路透的《基本科学指标》列为引用最多的新兴研究领域之一。

刘新旺 教授

专家简介：国防科技大学计算机学院教授、博导，国家杰青(2023)、国家优青(2019)获得者，基金委重点项目、科技创新2030重大项目负责人，基金委创新群体A类核心成员。主要研究方向为机器学习、数据挖掘等。共发表CCF A类期刊/会议论文150余篇, 其中包括IEEE T-PAMI 16篇 (含3篇独立作者)，谷歌学术引用2万余次, 连续3年入选全球2%顶尖科学奖榜单 (2022-2024)。研究成果获吴文俊人工智能自然科学一等奖(2024, 排1)、北京市科技进步一等奖(2024)、湖南省自然科学一等奖两项 (2014, 2021)、中国图象图形学学会自然科学二等奖 (2024)等。担任IEEE T-NNLS, IEEE T-CYB等国际顶刊AE, 以及ICML, NeurIPS等国际顶会领域主席。

报告题目：SimpleMKKM: Simple Multiple Kernel K-means

报告摘要：本次报告将介绍本课题组最近提出的SimpleMKKM融合聚类框架及其相关拓展。首先，区别于常用的min-min/max-max聚类算法，我们提出了一个全新的min-max模型，并设计了新的求解算法，保证了得到的解具有全局最优性。该模型在不同应用中展示了优越的聚类性能，且不含任何超参数。接着，我们采用核矩阵局部对齐的思想对其进行了拓展，提出了Localized SimpleMKKM算法。其次，我们进一步提出了一种无参的样本自适应Localized SimpleMKKM算法。代码开源于https://xinwangliu.github.io/

雷印杰 教授

专家简介：四川大学教授、博士生导师，国家级青年人才、四川省杰青、四川省“千人计划”特聘专家，四川大学电子信息学院副院长。主要研究方向为计算机视觉，多模态感知与理解，多模态视觉语言大模型。近年来，主持了包括国自然联合重点项目、国家重点研发计划课题、国自然面上等10余项纵向科研项目。在IEEE TAPMI、TNNLS、TIP以及CVPR、ICCV、ECCV等人工智能知名期刊会议上发表论文40余篇，其中3篇入选顶会口头报告，1篇入选顶会热点论文。目前，担任ACM MM、AAAI、WACV等计算机视觉知名学术会议的领域主席(AC)以及高级程序委员会委员(SPC)。

报告题目：面向场景解析的跨域跨模态表征学习

报告摘要：近年来，跨域跨模态表征学习驱动的智能场景解析已经在自然灾害态势感知、道路交通安全服务、机器人巡线自主导航等关键性领域中发挥了不可替代的作用。然而，如何更精准且高效地实现跨域语义理解、跨模态关联融合、跨模态内容生成仍然是亟待突破的挑战性难题。围绕上述关键科学问题，本报告着重探讨了跨域征分布自适应泛化学习以及跨模态多层次特征关联学习在目标定位、视觉分割、场景描述、图像生成等场景解析关键任务的最前沿进展，着重介绍课题组的相关研究工作。最后，本报告展望了基于强化学习的多模态深度推理、多模态多智能体以及多模态具身智能基座模型的未来发展演进趋势及应用场景。

周天异 研究员

专家简介：毕业于新加坡南洋理工大学, 现为新加坡前沿人工智能中心担任副主任职位。周天异博士主持多项新加坡国家级项目，并且已在机器学习, 人工智能,信息安全等领域核心期刊(中科院一区)和国际会议(CCF A类)上发表论文150余篇; 此外是CCF A类期刊AIJ, IEEE Transactions等国际重要SCI 期刊的副主编/常任编委; 担任多个国际顶级/重要学术会议NeurIPS, ICML, ICLR, AAAI, IJCAI 等国际顶级会议领域主席 (Area Chair)和 IJCAI 2025大会副主席；获得IJCAI，ECCV，ACML等多个国际顶级/重要学术会议及其专题报告会最佳论文奖，被斯坦福大学评为世界前2%的科学家。

报告题目：Trading Agent Arena

报告摘要：本研究设计Agent Trading Arena——一个通过零和博弈模拟复杂经济系统的虚拟交易平台，验证大语言模型（LLMs）在动态金融场景中的推理能力。实验发现：1.  视觉化数据优势：LLMs（如GPT-4o）处理纯文本股票数据时，代数推理能力较弱，易陷入局部细节；而视觉数据（如K线图、散点图）通过空间分布直观呈现市场规律，显著提升其几何推理能力，总回报率提高4%。2.  反思模块增强决策：引入分析中间报告的模块，帮助模型提取高阶特征，减少短期噪声干扰，优化长期策略。3.  动态系统设计：资产价格由买卖方博弈动态生成，无外部干预，更贴近真实市场波动。意义：为LLMs在金融、医疗等领域的复杂决策评估提供新范式，揭示视觉化输入是提升跨学科推理能力的关键，推动多模态AI与动态环境结合的研究。

韩波 助理教授

专家简介：香港浸会大学机器学习助理教授，日本理化学研究所先进智能项目中心百合访问科学家。曾是穆罕默德・本・扎耶德人工智能大学机器学习系访问学者、微软研究院和阿里巴巴达摩院访问研究员，以及日本理化学研究所先进智能项目中心博士后。在悉尼科技大学获得计算机科学博士学位。担任NeurIPS高级领域主席，以及ICML和ICLR的领域主席，担任IEEE TPAMI、MLJ和JAIR的副主编，以及JMLR的编委。获 NeurIPS 杰出论文奖、NeurIPS 最具影响力论文奖和 NeurIPS 研讨会优秀学生论文奖。

报告题目：Exploring Trustworthy Foundation Models: Benchmarking, Finetuning and Reasoning报告摘要：在当前机器学习的背景下，基础模型必须应对不完美的现实条件，例如噪声数据和意外输入。通过严格的基准测试、以安全为导向的微调以及强大的推理能力来确保这些模型的可信度比以往任何时候都更加重要。在本次报告中，将重点介绍三项最新的研究进展，它们共同推动了这些维度的发展，提供了一种构建可信赖基础模型的综合方法。在基准测试 方面，我将介绍一个名为CounterAnimal 的数据集，该数据集旨在系统评估CLIP模型对现实世界中虚假相关性的脆弱性。研究表明，通过扩展模型规模或提高数据质量可以缓解这些偏差，但单纯增加数据量并不能有效解决问题。在微调方面，深入探讨了如何消除模型中的不良行为。提出了一种通用框架，用于检查和理解当前“遗忘”（unlearning）方法的局限性，并提出了改进方案，以实现更高效的遗忘机制。在推理方面，研究了在噪声推理下的鲁棒性问题。为此，构建了NoRa 数据集，并提出了一种基于对比去噪的“带噪声思维链”方法。该方法通过使用少量干净监督信号与噪声输入进行对比，显著提升了去噪和推理能力。最后，还将介绍香港浸会大学新成立的可信机器学习与推理（TMLR）研究组 ，该团队致力于推动这一领域的前沿研究。

四、会议流程

五、联系方式

承办方联系人：

杜老师：13902200366 邮箱：duqing@scut.edu.cn

主办方联系人：

王老师：010-82544754  邮箱：membership@csig.org.cn