6月14日下午，應(yīng)太陽集團tyc5997邀請，廈門大學紀榮嶸教授和浙江大學李璽教授在我院進行了兩場學術(shù)報告。報告會由汪萌副院長主持，來自我院各個系所和其他兄弟院校的師生參加了此次報告會。
紀榮嶸教授介紹了近年來他領(lǐng)導研究團隊在大規(guī)模媒體檢索、深度學習建模與應(yīng)用等領(lǐng)域的最新研究成果。在大規(guī)模檢索部分，紀教授首先對哈希(hashing)方法的發(fā)展和現(xiàn)狀做了簡要介紹，并指出了當前眾多方法的特色和局限性，進而介紹了一種面向排序的哈希模型構(gòu)建方法。該方法不但被國際頂尖學術(shù)會議接受，并在國際競賽上取得優(yōu)異排名，也成功地應(yīng)用于騰訊哼唱搜索之中。在深度學習模型構(gòu)建部分，紀教授介紹了團隊開發(fā)的一種深度神經(jīng)網(wǎng)絡(luò)壓縮方法，并指出大規(guī)模深度神經(jīng)網(wǎng)絡(luò)可以在面向任務(wù)的前提下進行高效壓縮或裁剪，可適用于移動電子設(shè)備端。
接下來，李璽教授介紹了近年來他在行人再識別、顯著性檢測和boosting學習三個方向上取得的研究進展。李璽教授通過總結(jié)行人再識別研究中存在的共同問題，指出在特征層面進行匹配學習的重要性，進而介紹了在此方向上他的最新研究成果。在顯著性檢測方面，李璽教授介紹了一種將深度神經(jīng)網(wǎng)絡(luò)和多任務(wù)學習結(jié)合的模型，該模型可在視覺顯著性檢測任務(wù)中取得非常優(yōu)異的性能。在boosting學習方面，李璽教授指出現(xiàn)有boosting學習方法容易過擬合的局限性，即分類器模型非常容易受到訓練樣本錯誤的影響，進而介紹了一種同時考慮精度和容錯性的目標函數(shù)模型，并將其分解為若干可解子任務(wù)，可在高樣本噪聲下完成分類器的精確構(gòu)建。
兩場報告引起了在座師生的高度興趣，大家分別就自己感興趣的話題與兩位教授展開了深入的討論與交流。
紀榮嶸教授是ACM/IEEE高級會員，2015年國家基金委優(yōu)青獲得者。在計算機視覺、機器學習和多媒體信息處理方向上發(fā)表ACM/IEEE匯刊、CCF推薦A類會議論文70余篇，獲得多項學術(shù)和科技獎勵，并擔任五份國際學術(shù)期刊的編委。李璽教授是浙江省151第二層次人才，在計算機視覺、模式識別和機器學習等領(lǐng)域取得了豐碩的學術(shù)成果，獲得過多次著名學術(shù)會議最佳論文獎勵，在國際權(quán)威期刊和國際頂級學術(shù)會議發(fā)表文章80多篇，擔任兩份國際知名學術(shù)期刊編委。
太陽集團tyc5997
TOP
