模式识别研讨会（2014年9月20日，清华大学）

wangjian4500

本帖最后由 wangjian4500 于 2014-9-17 11:41 编辑


时间：2014年9月20日，下午13:30-17:30
地点：清华大学FIT楼二楼多功能厅





Bridging CNN and Unmatched Visual Tasks
颜水城
新加坡国立大学副教授、博导
                              

Abstract: In this talk, we shall introduce two recent works toapply deep learning for those tasks on which deep learning is not so natural.
1. In this work, we propose a flexible deepCNN infrastructure, called Hypotheses-CNN-Pooling (HCP), where an arbitrarynumber of object segment hypotheses are taken as the inputs, then a shared CNNis connected with each hypothesis, and finally the CNN output results fromdifferent hypotheses are aggregated with max pooling to produce the ultimatemulti-label predictions. Experimental results on Pascal VOC2007 and VOC2012multi-label image datasets well demonstrate the superiority of the proposed HCPinfrastructure over other state-of-the-arts. In particular, the mAP reaches84.2% by HCP only and 90.3% after the fusion with our complementary result in[47] based on hand-crafted features on the VOC2012 dataset, which significantlyoutperforms the state-of-the-arts with a large margin of more than 7%.
2. In this work, the human parsing task, namelydecomposing a human image into semantic fashion/body regions, is formulated asan Active Template Regression (ATR) problem, where the normalized mask of eachitem is expressed as the linear combination of the learned mask templates, andthen morphed to a more precise mask with the active shape parameters, includingposition, scale and visibility of each semantic region. More specifically, thestructure outputs are predicted by two separate networks. For a new image, thestructure outputs of the two networks are fused to generate the probability ofeach semantic label for each pixel, and super-pixel smoothing is finally used to fine-tune thehuman parsing result.  Comprehensiveevaluations on a new large dataset well demonstrate the significant superiorityof the ATR framework over other state-of-the-arts for human parsing.
Bio: Dr. YanShuicheng is currently an Associate Professor at the Department of Electricaland Computer Engineering at National University of Singapore, and the foundinglead of the Learning and Vision Research Group (http ://w ww.lv-nus.org). Dr.Yan's research areas include machine learning, computer vision and multimedia,and he has authored/co-authored hundreds of technical papers over a wide rangeof research topics, with Google Scholar citation >13,000 times and H-index50. He has been serving as an associate editor of IEEE TKDE, TCSVT and ACMTransactions on Intelligent Systems and Technology (ACM TIST). He received theBest Paper Awards from ACM MM'13 (Best Paper and Best Student Paper), ACM MM’12(Best Demo), PCM'11, ACM MM’10, ICME’10 and ICIMCS'09, the runner-up prize ofILSVRC'13, the winner prize of ILSVRC’14 detection task, the winner prizes ofthe classification task in PASCAL VOC 2010-2012, the winner prize of thesegmentation task in PASCAL VOC 2012, the honorable mention prize of thedetection task in PASCAL VOC'10, 2010 TCSVT Best Associate Editor (BAE) Award,2010 Young Faculty Research Award, 2011 Singapore Young Scientist Award, and2012 NUS Young Researcher Award.


Learning with Parallel Vector Field
何晓飞
浙江大学教授、博导、国家杰青
                              

Abstract: In this talk, I will introduce our recentwork on manifold learning from the perspective of vector field. Unlike graphbased techniques which try to preserve the distance, our approach tries to finda constant vector field on the manifold and then reconstruct the embeddingfunction via the obtained vector field. When we restrict the vector field tothe gradient field, our approach is equivalent to finding killing vector fieldon manifold. Our analysis of killing field on Euclidean space shows, when themanifold is locally isometric to a connected subset of Euclidean space, we canalways recover the manifold isometrically. I will also present someexperimental results on both synthetic and real data sets.
Bio:何晓飞，博士，浙江大学教授、博导，国家杰出青年基金获得者，IEEE高级会员。2000年毕业于浙江大学，获计算机学士学位；2005年毕业于美国芝加哥大学，获计算机博士学位；之后加入美国雅虎公司，任职研究科学家；2007年作为人才引进加入浙江大学，任职教授；曾获1999年国际大学生数学建模竞赛特等奖。近年来主要从事人工智能、互联网数据挖掘及计算机视觉等方面的研究。论文共被他人引用8000余次，其中两篇代表性论文分别被他人引用上千次。现/曾任7个国际SCI学术刊物的编委，包括IEEE TKDE、IEEE TCYB、CVIU等。曾近30次担任国际会议的大会主席、副主席及程序委员会委员。获得2012年人工智能顶级国际会议AAAI的最佳论文奖，以及2010年多媒体领域国际顶级会议ACM Multimedia的最佳论文提名奖。


Regressionbased Robust Classification
杨健
南京理工大学教授、博导、国家杰青

                              
Bio：杨健，2002年7月博士毕业于南京理工大学计算机学院模式识别专业。自2003年起，先后在西班牙萨拉戈萨大学、香港理工大学、美国新泽西理工学院、加州理工学院从事博士后或访问研究。2007年9月起任南京理工大学计算机学院教授，2014年3月起任南京理工大学计算机科学与工程学院副院长。
长期从事模式识别理论与应用方面的研究，先后主持了国家自然科学基金面上项目，国家杰出青年科学基金项目，教育部科学技术研究重大项目，国家973课题等项目。在模式识别和机器智能领域的顶级国际期刊 IEEE Trans. on PAMI上发表论文3篇，在其他IEEE Transactions及Pattern Recognition等国际SCI源期刊上发表论文70余篇。SCI被引用3000余次，Google Scholar被引用6000余次。现担任国际SCI源学术期刊的IEEE Trans. on Neural Networks andLearning Systems和Pattern Recognition Letters的编委。

曾获国家自然科学二等奖（第二完成人）；江苏省科技进步一等奖（第二完成人）；教育部科技进步奖(推广类) 二等奖（第二完成人）；第十一届中国青年科技奖；第二届“SCOPUS寻找青年科学之星”成长奖；国务院政府特殊津贴；入选国家百千万人才工程，被授予“有突出贡献中青年专家”称号。



AnIntroduction of Micro-expression Recognition
王甦菁
中国科学院心理研究所 博士后

                              
Abstract: 在这个报告中，我将给大家简单介绍一下微表情识别的一些进展。微表情指人们在试图隐藏自己的情绪时所泄露快速表情。这样微表情就可以一条很重要的测谎线索用于测谎，并有可能被广泛地应用于安全、司法临床等领域。在本报告中，列举了当前微表情识别几个公开的数据库，并介绍了几种微表情识别的新的算法，最后了微表情识别中所面临的问题。

Bio：王甦菁，2012年7月博士毕业于吉林大学计算机科学与技术学院，同年8月进入中国科学院心理研究所从事博士后研究，长期从事特征抽取在人脸识别上应用基础研究，在流形学习，张量分析，彩色空间理论等方面有着深入的研究，并与国内外人脸识别专家有着长期密切合作。其成果发表在本领域国际权威期刊IEEE Transactions 系列期刊上发表多篇论文。担任国际学术期刊Neurocomputing的编委。承担1项国家自然科学基金面上项目“基于稀疏张量的微表情识别研究”项目，发表30余篇论文。