学术信息

首页

人工智能与数据科学学院系列学术报告

  报告一:  

  报告时间:2019年11月21日(周四)14:00-14:45

  报告地点:北辰校区人工智能学院楼(西教一)102报告厅

  报告题目:多视图表示学习及分类:算法及应用

  告嘉宾:张长青   

  

  报告简介

  多视图学习(multi-view learning)是一种利用多源信息的重要技术。多源、异构特性导致不同视图之间的关联复杂且难以预知,甚至领域专家在面对复杂多源信息时也难以有效利用。多视图学习的核心问题是如何协同利用不同视图之间的一致性和互补性,准确地发现数据的内在模式以提高数据分析的有效性。报告针对多视图学习中的基础问题进行研究,一方面针对多视图一致性和互补性,探索传统模型的局限性;另一方面,提出多视图表示学习完备性,解决多视图融合的理论保障。  

  嘉宾简介:

  张长青,工学博士,天津大学硕士生导师,天津大学北洋学者骨干教师。主要研究方向为机器学习、计算机视觉、医学图像分析与理解等。2017-2018于美国北卡罗来纳大学教堂山分校进行医学图像分析研究,在国际会议和期刊上发表论文70余篇,其中CCF- A类会议以及IEEE Trans.期刊(包括IEEE T-PAMI/T-IP/T-NNLS/T-CYB)35篇。多篇论文入选NIPS/CVPR的spotlight和oral论文。主持国家自然科学基金青年项目和面上项目、天津市自然科学基金面上项目。担任IJCAI、AAAI、CVPR、ICCV等会议的程序委员会成员或审稿人,担任中国机器学习会议(CCML 2017)本地组织主席,国际期刊IEEE T-PAMI/T-IP/T-NNLS/T-CYB等多个权威杂志审稿人。

    

  报告二:

  报告时间2019年11月21日(周四)14:45-15:30

  报告地点:北辰校区人工智能学院楼(西教一)102报告厅

  报告题目:网络表示学习:问题与模型

  报告嘉宾:王啸

  

  报告简介:

  在当今世界,越来越多的网络被应用在不同的场景之中,而其中的一个共识即是这些网络数据通常是复杂多样的。为了有效处理网络数据,首要的挑战是网络数据表示,即如何合适地表示网络使得后续的模式发现、分析及预测等任务能在时间和空间上有效展开。在这个报告中,我将首先介绍网络表征学习的背景及基本要求,并从保持网络结构及性质两个基本要求出发,讨论网络表示学习中的一系列基本问题,比如保持社区结构的网络表征学习模型、保持超边不可分性的超网络表征学习模型、基于双层注意力机制的异质图注意力网络及保持微观宏观动力学性质的时序网络表示学习模型等。  

  嘉宾简介:

  王啸,现任北京邮电大学计算机学院助理教授,曾任清华大学计算机科学与技术系博士后研究员,研究方向为社交网络分析、数据挖掘与机器学习。天津大学博士,美国圣路易斯华盛顿大学联合培养博士。近年来,主持国家自然科学青年基金、 CCF-腾讯犀牛鸟科研基金、 北京市重点实验室主任基金, 并参与多项国家自然科学基金。在人工智能相关顶级会议和期刊上发表论文 40余篇,其中 CCF-A 类或IEEE Transactions(IEEE TKDE/TYCB) 权威期刊论文 近20 篇。 五年内, 以上论文被引用 1000 余次(Google Scholar)。 同时担任 AAAI、 IJCAI、 KDD、 ACM MM、 CIKM、 ECAI、 PAKDD 等国际会议程序委员会成员或分会主席,国际期刊 IEEE TKDE、 IEEE TYCB、 IEEE TBD、 ACM TIST 等多个权威杂志审稿人。

  

  报告三:

  报告时间2019年11月21日(周四)15:30-16:15

  报告地点:北辰人工智能学院楼(西教一)102报告厅

  报告题目:基于高阶统计建模的深层卷积神经网络

  报告嘉宾:王旗龙

  

  报告简介

  深层卷积神经网络架构的演化和快速发展使得众多计算机视觉、语音以及自然语音处理任务的性能得到了极大提升。但现有主流的深层卷积神经网络架构均利用一阶统计方法对卷积特征进行全局建模,损失了深层卷积特征中大量的有效信息,同时限制了深层卷积神经网络的表达和泛化能力。针对上述问题,讲者提出了多种基于高阶统计建模的深层卷积神经网络,通过高阶统计建模建方法和深层卷积神经网络进行有效结合,显著提高了深层卷积神经网络的表达和泛化能力。相关方法在大规模图像识别,精细粒度分类以及目标检测等任务展现了出了明显优势。  

  嘉宾简介

  王旗龙,天津大学智能与计算学部助理教授,2018年毕业于大连理工大学,获得博士学位,主要研究方向是深度学习,概率分布建模和视频图像分析。目前在人工智能领域国际顶级会议CVPR/ICCV/ECCV/NIPS/IJCAI以及IEEE T-PAMI/IEEE T-IP等国际权威期刊发表学术论文30余篇。曾获得2015年阿里巴巴大规模图像检索大赛第二名(2/853)、ICIP2015 Best 10% paper。入选2018年博士后创新人才计划,获得国家自然科学基金青年基金以及博士后基金等资助。


  报告四

  报告时间2019年11月21日(周四)16:15-17:00

  报告地点:北辰人工智能学院楼(西教一)102报告厅

  报告题目:图像复原问题中深度网络的应用

  报告嘉宾:任冬伟

  

  报告简介

  在底层图像复原问题中,现有的深度网络方法致力于学习退化图像到清晰图像的映射。受益于大量的成对仿真数据和越发复杂的网络结构、训练策略,现有的深度网络方法在数据集取得了显著的指标提升。然而,复杂的训练策略和网络结构使得现有方法在训练和测试两个阶段分别面临手动参数调节、计算效率受限等问题;仿真数据集的高定量指标往往不等价于实际应用中良好的扩展性能。本次报告将针对图像去雨和盲去模糊讨论如何更好地应用深度网络解决图像复原问题。(1) 我们提出了渐进式的去雨网络,极其简单的网络结构和训练策略取得了显著优于现有复杂网络的性能和计算效率。(2) 我们提出了自监督学习的盲去模糊算法,利用两个深度网络求解MAP优化问题,从给定的退化图像学习模糊核和清晰图像的先验模型,避免了有监督学习深度网络扩展性能差的局限。  

  嘉宾简介

  任冬伟,天津大学智能与计算学部助理教授。2017年和2018年获得哈尔滨工业大学和香港理工大学博士学位。研究方向为底层计算机视觉,包括图像去噪、去模糊、去雨等。在TPAMI、TIP、CVPR、AAAI等国际期刊和会议发表多篇学术论文。


  报告五:

  报告时间2019年11月21日(周四)17:00-17:45

  报告地点:北辰人工智能学院楼(西教一)102报告厅

  报告题目:基于三维人脸先验知识的人脸图像复原

  报告嘉宾:任文琦

  

  报告简介

  图像去模糊在实际生活中有广泛应用,例如视频监控、医学成像等,因此得到广泛研究。人脸图像去模糊作为图像去模糊问题的重要组成,已得到长久发展,然而当前主要的人脸去模糊方法依然集中在均匀去模糊方向。而实际应用中由于相机的非平面内运动,人体运动,姿势改变等造成实际人脸模糊都是非均匀模糊的。本次报告主要介绍三维人脸重建在人脸去模糊中的应用。通过利用三维人脸清晰先验知识,指导网络进行人脸恢复,达到去模糊的效果。另外,本方法也可以进一步应用于人脸的其它恢复应用中,比如人脸图像超分辨等。  

  嘉宾简介:

  任文琦,中国科学院信息工程研究所,信息安全国家重点实验室助理研究员。天津大学-美国加州大学莫赛德分校联合培养博士。主要研究方向包括图像去模糊、图像去雾、超分辨等图像增强相关问题。在NeurIPS,CVPR,ICCV,ECCV及IJCV/TIP等国际会议及期刊等发表学术论文10余篇。获得2018年北京市图象图形学会优秀博士学位论文奖。