中国计算机学会青年计算机科技论坛

CCF Young Computer Scientists & Engineers Forum Dalian

CCF YOCSEF大连

于2017年6月5日

在辽宁省大连市凌海路1号

大连海事大学信息科学技术学院信息楼306会议室举行

“计算机视觉中的稀疏表示模型和偏微分方程

研究新进展”报告会

敬请光临

报告会主题

近年来，各种稀疏表示模型和偏微分方程（PDE）方法在计算机视觉中得到了非常成功的应用，但也存在着诸多问题。YOCSEF大连邀请了清华大学电子工程系长聘副教授谷源涛博士和大连理工大学国际信息与软件学院副教授刘日升博士，分享其在面向子空间的保距压缩理论和可学习PDE方面的研究及其在计算机视觉中应用的进展。

报告会日程

8:50-9:00  签到

9:00-10:00  学术报告

题目：面向子空间的保距压缩理论和应用

特邀讲者：谷源涛  华大学电子工程系长聘副教授，博士生导师

10:0-11:00  学术报告

题目：Learning to Design Intelligent PDEs for Computer Vision

特邀讲者：刘日升  大连理工大学国际信息与软件学院副教授     

11:00-11:30  交流环节

执行主席

王新年  大连海事大学信息科学技术学院副教授

       CCF YOCSEF大连主席

彭健钧  大连工业大学信息科学与工程学院讲师

       CCF YOCSEF大连AC委员、候任学术秘书

报名方式：请于2017年6月4日18:00前与彭健钧联系，以便提供会务。Email：pengjj@dlpu.edu.cn; Tel: 139 4206 1732。

报告会简介

谷源涛  清华大学电子工程系长聘副教授，博士生导师。1998年毕业于西安交通大学信息与通信工程系，获学士学位。2003年毕业于清华大学电子工程系并获得博士学位，清华大学优秀学位论文。毕业后留校任教至今。2005年12月至2006年2月在微软亚洲研究院做访问学者，2012年8月至2013年8月在美国麻省理工学院和斯坦福大学做访问学者，2015年9月至10月在美国密歇根大学做高级访问学者。研究领域包括信号处理基础理论与算法、多媒体通信和无线网络等，出版教材2本，发表论文100多篇。2017年起担任 IEEE 信号处理理论与方法技术委员会委员，2015年起担任权威期刊 IEEE Transactions on Signal Processing 编委，目前也在 EURASIP Digital Signal Processing 和 China Communications 担任编委。曾获得2015年权威国际会议GlobalSIP的最佳论文奖和2015年ChinaSIP的最佳期刊论文展示奖。更多内容请见实验室主页http://gu.ee.tsinghua.edu.cn/.

报告摘要：介绍近期围绕压缩子空间聚类问题做得一个理论工作。受到JL引理的启发，首次证明了在高斯随机矩阵压缩下两个子空间也具有限制等距性质。具体来说，高维背景空间中的两个低维子空间中的数据点，在经过高斯随机矩阵的压缩（降维）后，将在新的背景空间中形成两个新的低维子空间。我们从理论上严格证明了：这两个新子空间的距离（或理解为夹角）在很大概率上保持不变。最后，仿真数据和人脸图像、手写体数据等都验证了上述理论的正确性。  

刘日升  博士，大连理工大学国际信息与软件学院副教授。近年来在计算机视觉与多媒体技术领域重要学术期刊（T-PAMI、T-NNLS、Machine Learning、Pattern Recognition、Neural Networks等）和会议（CVPR、NIPS、AAAI、ECCV、ACCV等）发表论文58篇，其中CCF推荐A类5篇，B类16篇，C类21篇。相关工作目前被引用超过1000次，H-index为13，最高单篇引用411次。两篇论文入围ICME 2017（CCF推荐B类） 最佳论文Finalist（Top 3%），连续获得ICME 2015和2014年度最佳学生论文奖，ICIP 2015最佳10%论文奖（CCF推荐C类）。发表在IEEE T-NNLS的研究工作被推荐为IEEE智能计算专委会亮点论文（Publication Spotlight）。获得教育部自然科学二等奖1项（排名第3）、入选国家人力资源与社会保障部“香江学者”计划、获得大连市“青年科技之星”称号，入选大连理工大学“星海学者”计划。担任IET Image Processing（CCF推荐C类期刊）编委（Associate Editor），多次担任CVPR、ICCV、ECCV、NIPS、IJCAI、AAAI、ACCV、BMVC、ICIP等会议PC成员或审稿人以及IJCV、T-PAMI、T-IP、T-NNLS、T-KDE、T-CSVT、T-PDS等期刊审稿人。

报告摘要：Partial differential equations (PDEs) have been used to formulate image processing for several decades. Generally, a PDE system consists of two components: the governing equation and the boundary condition. In most previous work, both of them are generally designed by people using mathematical skills. However, in real world visual analysis tasks, such predefined and fixed-form PDEs may not be able to describe the complex structure of the visual data. More importantly, it is hard to incorporate the labeling information and the discriminative distribution priors into these PDEs. To address above issues, we propose a new PDE framework named learning to diffuse (LTD), to adaptively design the governing equation and the boundary condition of a diffusion PDE system for various vision tasks on different types of visual data. To our best knowledge, the problems considered in this paper (i.e., saliency detection and object tracking) have never been addressed by PDE models before. Experimental results on various challenging benchmark databases show the superiority of LTD against existing state-of-the-art methods for all the tested visual analysis tasks.

 会议地点：