0
本文作者: 楊文 | 2017-08-15 14:30 |
AI研習(xí)社按:8月12日,雷鋒網(wǎng)在上海交大舉辦的GAIR(Global Artificial Intelligence & Robotics)大講堂CVPR學(xué)術(shù)分享活動(dòng)贏得了在場(chǎng)同學(xué)們的一致好評(píng)。對(duì)于這次沒趕上參加活動(dòng)的同學(xué)們,請(qǐng)留意關(guān)注雷鋒網(wǎng)GAIR大講堂的相關(guān)內(nèi)容報(bào)道。GAIR大講堂下一站清華專場(chǎng)已啟動(dòng)報(bào)名,這次同樣是請(qǐng)來了參加了CVPR 2017且論文被收錄的學(xué)術(shù)青年。正值暑假,如果您還留在學(xué)校,就快來報(bào)名參加吧!這絕對(duì)是一次學(xué)術(shù)充電和提高自己對(duì)國(guó)際頂級(jí)學(xué)術(shù)會(huì)議認(rèn)知的好機(jī)會(huì)!
(上海交大站講者之一的吳佳俊同學(xué)分享進(jìn)行中)
對(duì)學(xué)術(shù)界稍有了解的同學(xué)們都知道CVPR會(huì)議。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。尤其是今年在美國(guó)夏威夷剛剛結(jié)束的CVPR 2017,國(guó)內(nèi)很多研究AI的企業(yè)和高校實(shí)驗(yàn)室都有深度參與,可以說學(xué)術(shù)界和工業(yè)界都給予了極高的關(guān)注度,最終收錄的論文數(shù)和參會(huì)人數(shù)都刷新了CVPR 的歷史紀(jì)錄。
對(duì)于這樣一場(chǎng)頂尖學(xué)術(shù)會(huì)議,廣大沒有機(jī)會(huì)出席活動(dòng)現(xiàn)場(chǎng)的同學(xué)們除了閱讀相關(guān)文章之外,還能如何更深度、更真實(shí)地了解CVPR 2017的學(xué)術(shù)成果呢?GAIR大講堂攜四位前方論文講者為大家共同還原當(dāng)時(shí)的CVPR現(xiàn)場(chǎng),四位嘉賓將會(huì)講解他們?cè)贑VPR現(xiàn)場(chǎng)的論文內(nèi)容,并分享他們的CVPR參會(huì)心得,相信他們的分享將會(huì)對(duì)你投遞學(xué)術(shù)論文起到直接的幫助作用!
段岳圻
清華大學(xué)自動(dòng)化系三年級(jí)博士生,指導(dǎo)老師為周杰教授和魯繼文副教授。他的研究方向在于視覺識(shí)別,二值特征學(xué)習(xí)和非監(jiān)督學(xué)習(xí)。在此之前,他于2014年在清華大學(xué)自動(dòng)化系獲得學(xué)士學(xué)位。
主題:Learning Deep Binary Descriptor with Multi-Quantization (多量化深度二值特征學(xué)習(xí))
分享內(nèi)容:深度二值特征學(xué)習(xí)因其存儲(chǔ)和匹配的高效性,近年來在學(xué)術(shù)界持續(xù)受到關(guān)注?,F(xiàn)有的深度二值特征學(xué)習(xí)方法采用符號(hào)函數(shù)對(duì)實(shí)值特征進(jìn)行二值化,未能考慮數(shù)據(jù)分布,從而導(dǎo)致了較大的量化損失。本文將二值化過程看作非監(jiān)督多量化問題,提出了基于K-自編碼網(wǎng)絡(luò)的深度多量化算法,并將其應(yīng)用于深度二值特征學(xué)習(xí),提出了多量化深度二值特征學(xué)習(xí),降低了二值化造成的量化損失。實(shí)驗(yàn)結(jié)果證明了本文方法的有效性。
孫剛
Momenta 研發(fā)總監(jiān)、聯(lián)合創(chuàng)始人、高性能并行計(jì)算系統(tǒng)專家、大規(guī)模圖像識(shí)別專家、ImageNet 2017 圖像分類冠軍、ImageNet 2016 場(chǎng)景分類亞軍、中科院大學(xué)計(jì)算機(jī)視覺專業(yè)博士。
主題:ImageNet冠軍模型SE-Net詳解
分享內(nèi)容: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。通過Squeeze 和Excitation操作,SE模塊自動(dòng)對(duì)特征重新分配權(quán)重,增強(qiáng)對(duì)識(shí)別有用的特征,而抑制無效或收益甚微的特征。在引入極少計(jì)算和參數(shù)量的情況下,將現(xiàn)有絕大多數(shù)網(wǎng)絡(luò)結(jié)構(gòu)的性能大幅提升。
鄭賀亮
中國(guó)科學(xué)技術(shù)大學(xué)電子工程與信息科學(xué)系一年級(jí)博士生,導(dǎo)師梅濤研究員和羅杰波教授。他的研究興趣在于計(jì)算機(jī)視覺,機(jī)器學(xué)習(xí)。他于2017年在中國(guó)科學(xué)技術(shù)大學(xué)信息科學(xué)與技術(shù)學(xué)院獲得學(xué)士學(xué)位,并于2016年7月到2017年7月在微軟亞洲研究院實(shí)習(xí)。
主題:Look Closer to See Better: Recurrent Attention Convolutional Neural Network for Fine-Grained Image Recognition(精細(xì)化物體識(shí)別中基于遞歸注意力模型的卷積神經(jīng)網(wǎng)絡(luò))
分享內(nèi)容:基于弱監(jiān)督的精細(xì)化物體識(shí)別問題近年來倍受關(guān)注?,F(xiàn)存的主流方法分兩種:對(duì)于有判別力區(qū)域的定位和對(duì)精細(xì)化特征的學(xué)習(xí)。在這篇CVPR文章里,作者通過設(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
中國(guó)科學(xué)技術(shù)大學(xué)-微軟亞洲研究院聯(lián)合培養(yǎng)二年級(jí)博士生,導(dǎo)師為梅濤研究員和田新梅副教授。他的研究興趣在于計(jì)算機(jī)視覺,機(jī)器學(xué)習(xí)和多媒體檢索。他曾于2015年在中國(guó)科學(xué)技術(shù)大學(xué)獲得學(xué)士學(xué)位,并長(zhǎng)期在微軟亞洲研究院實(shí)習(xí)。曾多次參與視頻分類相關(guān)國(guó)際比賽并取得較好的成績(jī)。
主題:Deep Quantization: Encoding Convolutional Activations with Deep Generative Model (基于深度生成模型的卷積層特征提取整合)
分享內(nèi)容:深度卷積神經(jīng)網(wǎng)絡(luò)目前在不同的識(shí)別問題上體現(xiàn)出優(yōu)異的性能,而如何從神經(jīng)網(wǎng)絡(luò)的卷積層中提取特征并做出整合分析成為了進(jìn)行研究的一個(gè)基本問題。本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)用在不同分類問題當(dāng)中。實(shí)驗(yàn)結(jié)果表明,在圖片精細(xì)分類和視頻動(dòng)作識(shí)別兩個(gè)問題上,該方法均體現(xiàn)出較好的性能。
活動(dòng)時(shí)間:8月19日下午2:00-6:30
活動(dòng)地點(diǎn):北京市海淀區(qū)雙清路77號(hào)院雙清大廈4號(hào)樓4層
報(bào)名鏈接:(本活動(dòng)僅限報(bào)名參加,名額有限抓緊時(shí)間報(bào)名)
http://www.ozgbdpf.cn/activity/view/id/2
另外小編溫馨提醒大家:活動(dòng)現(xiàn)場(chǎng),主辦方雷鋒網(wǎng)將會(huì)送出5本《深度學(xué)習(xí)》書籍,精美獎(jiǎng)品不容錯(cuò)過!
往期活動(dòng)直播回放地址:http://www.mooc.ai/course/151/lesson/list
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。