0
| 本文作者： 楊文 | 2018-02-18 11:52 |
雷鋒網(wǎng) AI 科技評(píng)論按：2017 年，在 GAIR 2017 大會(huì)成功舉辦后，雷鋒網(wǎng)旗下宣布成立了一個(gè)全新的高端學(xué)術(shù)分享品牌「GAIR 大講堂」。在過(guò)去的一年里，GAIR 大講堂通過(guò)舉辦高頻次的學(xué)術(shù)分享活動(dòng)（包括線上和線下），實(shí)現(xiàn)了學(xué)術(shù)專家、AI 業(yè)者與高校學(xué)術(shù)青年之間的深度交流。以下是我們的年度盤點(diǎn)。
國(guó)際頂會(huì)論文解讀（線下）
AAAI 2018預(yù)講會(huì)哈工大場(chǎng)（上）
AAAI 2018預(yù)講會(huì)哈工大場(chǎng)（下）
內(nèi)容簡(jiǎn)介：本次 AAAI 2018 預(yù)講會(huì)邀請(qǐng)了來(lái)自全國(guó)各地 15 所高校和研究單位的老師和同學(xué)分享他們?cè)?AAAI 2018 中接收的 25 篇論文，內(nèi)容覆蓋有聊天機(jī)器人、語(yǔ)義依存圖、文本摘要、機(jī)器翻譯、信息抽取、表示學(xué)習(xí)等多個(gè)領(lǐng)域的最新研究成果。會(huì)議吸引了 200 多名老師和學(xué)生來(lái)此參會(huì)并進(jìn)行交流。
CVPR 2017 專場(chǎng)
CVPR（國(guó)際計(jì)算機(jī)視覺與模式識(shí)別會(huì)議）是 IEEE 舉辦的年度學(xué)術(shù)性會(huì)議，會(huì)議主要關(guān)注計(jì)算機(jī)視覺與模式識(shí)別等方面的技術(shù)內(nèi)容。在各種學(xué)術(shù)會(huì)議統(tǒng)計(jì)中，CVPR 有著非常強(qiáng)的影響力和高排名。在美國(guó)夏威夷舉辦的CVPR 2017 大會(huì)上，學(xué)術(shù)界和工業(yè)界都給予了極高的關(guān)注度，無(wú)論是收錄的論文數(shù)和參會(huì)人數(shù)都刷新了 CVPR 的歷史紀(jì)錄。
內(nèi)容簡(jiǎn)介：
吳佳俊（MIT EECS 系三年級(jí)博士生）分享了 A Point Set Generation Network for 3D Object Reconstruction from a Single Image，提出的點(diǎn)云生成網(wǎng)絡(luò)解決了如何用深度神經(jīng)網(wǎng)絡(luò)從單張圖片中恢復(fù)重建三維物體這個(gè)難題。
汪洋（阿里巴巴人工智能實(shí)驗(yàn)室資深算法工程師）分享了阿里人工智能實(shí)驗(yàn)室入選的論文：Contextual Attention-based Memory Networks for Scene Labeling。
論文提出了一種 Episodic CAMN 方法，并在該方法的基礎(chǔ)上定義了一種由全卷積神經(jīng)網(wǎng)絡(luò)和帶有反饋連接的注意力機(jī)制記憶網(wǎng)絡(luò)構(gòu)成的統(tǒng)一框架來(lái)實(shí)現(xiàn)上下文信息的選擇和調(diào)整。
楊蕊（上海交通大學(xué)研究生）分享的是 Video Segmentation via Multiple Granularity Analysis，講解了視頻目標(biāo)分割傳統(tǒng)方法，以及該論文中提到的新方法遇到的挑戰(zhàn)，比如視頻模糊，有遮擋，形變，和光照等因素影響。
林天威（上海交通大學(xué)研究生）分享的是 Single Shot Temporal Action Detection，并且利用該論文中提到的方法獲得CVPR舉辦的ActivityNet Challenge 2017兩項(xiàng)冠軍。
王敏思（上海交通大學(xué)博士生）分享的是 Recurrent Modeling of Interaction Context for Collective Activity Recognition，論文提出了一個(gè)基于多層次遞歸神經(jīng)網(wǎng)絡(luò)的群體行為識(shí)別算法，在群體行為數(shù)據(jù)庫(kù)Collective-Activity獲得了目前很好的識(shí)別精度。
內(nèi)容簡(jiǎn)介：
段岳圻（清華大學(xué)自動(dòng)化系三年級(jí)博士生 ）分享的論文題目是：Learning Deep Binary Descriptor with Multi-Quantization 。 他分別從四個(gè)方面介紹了他的論文研究：背景介紹，文章方法，實(shí)驗(yàn)結(jié)果，參會(huì)心得。
孫剛（Momenta 研發(fā)總監(jiān)&聯(lián)合創(chuàng)始人）分享的論文題目是：Squeeze & Excitation Networks。這篇論文作者提出了一種新穎的神經(jīng)網(wǎng)絡(luò)模塊稱為Squeeze & Excitation（簡(jiǎn)稱SE），以此大幅提升模型的精度。
鄭賀亮（中科大&微軟亞洲研究院聯(lián)合培養(yǎng)博士生）分享的是：Look Closer to See Better: Recurrent Attention Convolutional Neural Network for Fine-Grained Image Recognition。論文中設(shè)計(jì)一種RA-CNN的網(wǎng)絡(luò)結(jié)構(gòu)，將不同尺度的重要區(qū)域綜合起來(lái)進(jìn)行分類，實(shí)現(xiàn)了定位和精細(xì)化特征學(xué)習(xí)之間的相互促進(jìn)，在精細(xì)化物體分類的任務(wù)上取得非常理想的結(jié)果。
邱釗凡（中科大&微軟亞洲研究院聯(lián)合培養(yǎng)博士生）分享的題目是：Deep Quantization: Encoding Convolutional Activations with Deep Generative Model。論文中提出了基于深度生成模型的卷積層特征的提取整合方案，并將最終得到的全局特征應(yīng)用在不同分類問(wèn)題當(dāng)中。在圖片精細(xì)分類和視頻動(dòng)作識(shí)別兩個(gè)問(wèn)題上，該方法均體現(xiàn)出較好的性能。
內(nèi)容簡(jiǎn)介：
左旺孟（哈爾濱工業(yè)大學(xué)計(jì)算機(jī)學(xué)院教授、博士生導(dǎo)師）分享的論文題目是：Deep learning models for image restoration and depth enhancement 。文章設(shè)計(jì)了一種新的去噪CNN網(wǎng)絡(luò)，并結(jié)合半二次分裂方法將其推廣應(yīng)用于廣義的圖像復(fù)原問(wèn)題的求解。
黃偉林（碼隆科技首席科學(xué)家）& Matt Scott（碼隆科技聯(lián)合創(chuàng)始人兼 CTO）分享的主題是：CVPR WebVision 挑戰(zhàn)賽分享與展望。他們共同分享了參加競(jìng)賽的算法思路和方法方面的相關(guān)經(jīng)驗(yàn)，以及針對(duì)現(xiàn)實(shí)場(chǎng)景中非人工標(biāo)注數(shù)據(jù)的訓(xùn)練和學(xué)習(xí)技術(shù)的探索。
陳曉智（清華大學(xué)博士）分享的是：Multi-View 3D Object Detection Network for Autonomous Driving 。論文中提出了一種多視角三維物體檢測(cè)網(wǎng)絡(luò)（MV3D)，通過(guò)融合激光點(diǎn)云和 RGB 圖像來(lái)實(shí)現(xiàn)物體的三維定位與檢測(cè)。
李琛（浙江大學(xué)博士）分享的主題是：Biological Human Skin Color Model: from Theory to Applications。李博士和團(tuán)隊(duì)其他人在CVPR 2017 發(fā)表的兩篇論文《Radiometric Calibration from Faces in Images》和《Specular Highlight Removal in Facial Images》中利用人臉膚色的生物學(xué)模型先驗(yàn)知識(shí)，在高光分離、相機(jī)響應(yīng)函數(shù)校準(zhǔn)這兩個(gè)問(wèn)題上，效果取得顯著提升。
NIPS 2017 專場(chǎng)
繼 CVPR 2017 會(huì)議在報(bào)名人數(shù)以及論文收錄等方面創(chuàng)下多項(xiàng)「歷史第一」之后，計(jì)算神經(jīng)科學(xué)頂級(jí)學(xué)術(shù)會(huì)議之一——NIPS（神經(jīng)信息處理系統(tǒng)大會(huì)）在文章收錄結(jié)果僅僅公布 10 天之后，官方數(shù)據(jù)顯示注冊(cè)名額已滿。人工智能關(guān)注度又上升了一個(gè)高度。
內(nèi)容簡(jiǎn)介：
NIPS 2017 共收到 3240 篇論文投稿，有 678 篇論文被選中作為大會(huì)論文，比例 20.9%，其中有 40 篇被選中進(jìn)行口頭報(bào)告（oral），112 篇選為 spotlight 進(jìn)行展示。這些數(shù)字刷新了大會(huì)歷史記錄。
陸洲（北京大學(xué)數(shù)學(xué)科學(xué)學(xué)院大四本科生）分享題目是：The expressive power of neural networks : A view from the width。這篇論文從寬度入手，分別從寬度帶來(lái)的相變，以及寬度與深度對(duì)效率的影響來(lái)做實(shí)驗(yàn)，得到了關(guān)于神經(jīng)網(wǎng)絡(luò)表達(dá)能力的新結(jié)果。
鄧志杰（清華大學(xué)計(jì)算機(jī)系人智所博士生）分享題目是：Structured Generative Adversarial Networks。該論文提出結(jié)構(gòu)化生成對(duì)抗網(wǎng)絡(luò)(SGAN) 來(lái)解決半監(jiān)督條件產(chǎn)生式建模問(wèn)題。
陳鍵飛（清華大學(xué)計(jì)算機(jī)系人智所博士生）分享題目是：Population Matching Discrepancy and Applications in Deep Learning。主要介紹了他們?cè)贜IPS 2017上提出的樣本匹配差異（PMD）。
汪躍（北京交通大學(xué)理學(xué)院博士生）分享的是：Finite sample analysis of the GTD Policy Evaluation Algorithms in Markov Setting。這篇論文中首先證明了在數(shù)據(jù)來(lái)自于馬爾科夫鏈的情況下，鞍點(diǎn)問(wèn)題的期望意義下和高概率意義下的有限樣本誤差，進(jìn)而得到了更接近于實(shí)際情形下的GTD的算法的有限樣本誤差分析。
單小涵（中國(guó)科學(xué)院計(jì)算技術(shù)研究所博士生）分享的是：Influence Maximization with epsilon-Almost Submodular Threshold Function 。論文中提到了一種近次模函數(shù)，并以這類函數(shù)作為閾值，研究通用閾值模型下的影響力最大化問(wèn)題。
學(xué)術(shù)青年分享會(huì)（線上）
達(dá)觀數(shù)據(jù)張?。何谋痉诸惙椒ê蛻?yīng)用案例
內(nèi)容簡(jiǎn)介：此次分享中，張健按照 NLP 概述、文本分類的傳統(tǒng)方法、深度學(xué)習(xí)在文本分類中的應(yīng)用和案例介紹四個(gè)板塊，結(jié)合在達(dá)觀數(shù)據(jù)的系統(tǒng)設(shè)計(jì)和應(yīng)用經(jīng)驗(yàn)，分享了他的見解。
優(yōu)必選悉尼 AI 研究院王超岳：基于生成對(duì)抗網(wǎng)絡(luò)的圖像編輯方法
內(nèi)容簡(jiǎn)介：對(duì)于圖像編輯任務(wù)，現(xiàn)在面臨的兩個(gè)重要的挑戰(zhàn)分別是：如何提升生成圖像的質(zhì)量和如何靈活控制生成圖像內(nèi)容。如何解決，王超岳帶來(lái)詳細(xì)解讀。
極限元算法專家：深度學(xué)習(xí)在語(yǔ)音生成問(wèn)題上的典型應(yīng)用
內(nèi)容簡(jiǎn)介：深度學(xué)習(xí)在語(yǔ)音生成和語(yǔ)音增強(qiáng)上的新穎應(yīng)用方法
Video ++孫兆民：人工智能行業(yè)報(bào)告——視頻內(nèi)容識(shí)別行業(yè)分析
內(nèi)容簡(jiǎn)介：這份報(bào)告并非針對(duì)人工智能領(lǐng)域全局觀，而是解構(gòu)視頻行業(yè)，圍繞國(guó)內(nèi)視頻內(nèi)容識(shí)別這一垂直領(lǐng)域的創(chuàng)業(yè)公司展開討論，從市場(chǎng)、產(chǎn)品、技術(shù)、商業(yè)模式、人才等多個(gè)維度出發(fā)，淺析人工智能技術(shù)在視頻中的發(fā)展方向。
搜狗研究員講解基于深度學(xué)習(xí)的語(yǔ)音分離
內(nèi)容簡(jiǎn)介：語(yǔ)音分離的目標(biāo)就是從環(huán)境等干擾中分離出主說(shuō)話人的語(yǔ)音，本文介紹的是基于深度學(xué)習(xí)的語(yǔ)音分離。
如何用超大規(guī)模真實(shí)駕駛視頻數(shù)據(jù)集做端到端自動(dòng)駕駛
內(nèi)容簡(jiǎn)介：文章中主要分享的是基于徐華哲和他的同學(xué)們發(fā)表的 CVPR 2017 的收錄文章「End-to-end Learning of Driving Models from Large-scale Video Datasets」，這是對(duì)端到端自動(dòng)駕駛的一個(gè)嘗試。
內(nèi)容簡(jiǎn)介：本文主要介紹的是數(shù)據(jù)規(guī)模、數(shù)據(jù)質(zhì)量等與深度學(xué)習(xí)算法之間的關(guān)系，以及為算法做數(shù)據(jù)準(zhǔn)備的一些經(jīng)驗(yàn)。
中科院曹婍：基于深度學(xué)習(xí)的社交網(wǎng)絡(luò)流行度預(yù)測(cè)研究
內(nèi)容簡(jiǎn)介：本文主要介紹的是目前網(wǎng)絡(luò)信息流行度預(yù)測(cè)研究的進(jìn)展，以及中科院博士生曹婍提出的基于深度學(xué)習(xí)技術(shù)的端到端流行度預(yù)測(cè)框架（DeepHawkes 模型）。該工作已被國(guó)際會(huì)議 CIKM 2017 錄用并發(fā)表。
香港科技大學(xué)施行?。荷疃葘W(xué)習(xí)用于短臨降雨預(yù)報(bào)的一個(gè)基準(zhǔn)和一個(gè)新模型
內(nèi)容簡(jiǎn)介：本文介紹了 NIPS 2017 論文： Deep Learning for Precipitation Nowcasting: A Benchmark and A New Model 中提到的核心算法模型。該論文的作者之一施行健給我們?cè)敿?xì)講解了論文中的核心思想以及模型的演進(jìn)過(guò)程。
清華大學(xué)馮珺：當(dāng)強(qiáng)化學(xué)習(xí)遇見自然語(yǔ)言處理有哪些奇妙的化學(xué)反應(yīng)？
內(nèi)容簡(jiǎn)介：本文介紹了如何利用強(qiáng)化學(xué)習(xí)技術(shù)，更好地解決自然語(yǔ)言處理中的兩個(gè)經(jīng)典任務(wù)：關(guān)系抽取和文本分類。
多倫多大學(xué)博士生趙舒澤： 如何在FPGA上實(shí)現(xiàn)動(dòng)態(tài)電壓的調(diào)節(jié)？
內(nèi)容簡(jiǎn)介：本文介紹了其中一種降低 FPGA 能耗的方法——基于自測(cè)量的 FPGA 動(dòng)態(tài)電壓調(diào)節(jié)解決方案。
內(nèi)容簡(jiǎn)介：本文第一部分介紹的是傳統(tǒng)視覺的圖分割算法，第二部分是近幾年流行的深度學(xué)習(xí)算法中的經(jīng)典技巧。
新的一年雷鋒網(wǎng)「AI科技評(píng)論」會(huì)持續(xù)輸出更多優(yōu)質(zhì)內(nèi)容，感謝大家的關(guān)注和支持。
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
