主办单位
中国科学院香港创新研究院人工智能与机器人创新中心
协办单位
粤港澳大湾区人工智能与机器人联合会
广东人工智能与机器人学会
香港人工智能与机器人学会
澳门大湾区人工智能学会
活动时间
2022年06月17日 14:00-18:00
线上直播
活动将在「中科院自动化所」B站直播间全程直播，扫描以下二维码即可进入！
开场致辞
主持人
报告嘉宾
Panel嘉宾
日程安排
14:00-14:10 开场致辞
曾大军研究员，中国科学院自动化研究所副所长、中国科学院香港创新研究院人工智能与机器人创新中心常务副主任
14:10-16:40 报告环节
IDR: Self-Supervised Image Denoising via Iterative Data Refinement
14:40-15:10 郑伟诗
智能行为质量评估研究
15:10-15:40 雷震
基于层次解析胶囊网络的无监督部件发现
15:40-16:10 梁延研
Key issues for deep representation learning
16:10-16:40 吴保元
对抗机器学习最新进展
16:40-18:00 Panel讨论
主持人：张兆翔
开场致辞嘉宾介绍
曾大军研究员，中国科学院自动化研究所副所长、创新中心常务副主任，复杂系统管理与控制国家重点实验室副主任，博导，国家杰青，IEEE Fellow，AAAS Fellow, IEEE智能交通学会主席(2016-2017)，IEEE Intelligent Systems主编(2013-2016), ACM Transactions on Management Information Systems 主编（2017-2023）。主要研究方向是大数据解析学、安全信息学、多智能体系统、复杂经济与社会系统优化与控制。
报告简介
01 IDR: Self-Supervised Image Denoising via Iterative Data Refinement
报告嘉宾：李鸿升，现任香港中文大学多媒体实验室副教授和西安电子科技大学“华山学者”讲座教授，研究方向集中在计算机视觉、深度学习以及医学图像处理。他在计算机视觉和机器学习顶级期刊和会议（PAMI、CVPR、ICCV、ECCV、NeurlPS、ICLR等）发表论文100余篇，Google Scholar引用超过20000次。他作为负责人带领团队参加ImageNet 2016大赛，获视频物体检测第一名。他获得了2020年IEEE电路与系统协会杰出青年作者奖和2022年AI 2000计算机视觉全球最具影响力学者提名奖。他担任国际期刊Neurocomputing的副编辑，International Journal of Computer Vision的客座编辑，以及NeurIPS 2021、2022领域主席。
报告简介：The lack of large-scale noisy-clean image pairs restricts supervised denoising methods' deployment in actual applications. While existing unsupervised methods are able to learn image denoising without ground-truth clean images, they either show poor performance or work under impractical settings (e.g., paired noisy images). In this paper, we present a practical unsupervised image denoising method to achieve state-of-the-art denoising performance. Our method only requires single noisy images and a noise model, which is easily accessible in practical raw image denoising. It performs two steps iteratively: (1) Constructing a noisier-noisy dataset with random noise from the noise model; (2) training a model on the noisier-noisy dataset and using the trained model to refine noisy images to obtain the targets used in the next round. We further approximate our full iterative method with a fast algorithm for more efficient training while keeping its original high performance. Experiments on real-world, synthetic, and correlated noise show that our proposed unsupervised denoising approach has superior performances over existing unsupervised methods and competitive performance with supervised methods. In addition, we argue that existing denoising datasets are of low quality and contain only a small number of scenes. To evaluate raw image denoising performance in real-world applications, we build a high-quality raw image dataset SenseNoise-500 that contains 500 real-life scenes. The dataset can serve as a strong benchmark for better evaluating raw image denoising.
02 智能行为质量评估研究
报告嘉宾：郑伟诗，中山大学计算机学院教授、博导，现任中山大学计算机学院副院长、机器智能与先进计算教育部重点实验室副主任、大数据分析与应用技术国家工程实验室副主任。他致力持久研究(跨场景)行为感知信息，并结合多种模态信息，实现高层语义理解与推理。在IEEE TPAMI/IJCV/Nature Communications等发表CCF-A和中科院一区论文100多篇。作为负责人，主持承担国家自然科学基金委联合基金重点项目、国家重点研发课题、国家自然科学基金委联合重大项目课题、国家科技部重大攻关课题、国防科技173计划基金等。获中国图象图形学学会自然科学奖一等奖、广东省自然科学奖一等奖等、国家优秀青年科学基金等。
报告简介：智能行为质量评估是行为分析的新兴研究方向之一。区别于一般的行为识别，行为质量评估并不只是识别视频图像的运动类别，更主要是分析和评价行为的完成质量。本次汇报主要介绍我们在行为质量评估研究上的工作；特别地，将介绍基于图计算的行为质量评估模型、评估函数架构自适应学习模式、类量表打分的行为质量评估策略等，并演示上述研究如何被应用于化学实验行为质量评估和抗疫防护服智能穿脱的智能监测分析。
03 基于层次解析胶囊网络的无监督部件发现
报告嘉宾：雷震，中国科学院自动化研究所研究员，创新中心研究员，中国科学院大学岗位教授，博导。IEEE Senior Member，中国计算机学会（CCF）高级会员，中国图象图形学会视频图像与安全专委会副秘书长，全国安防标委会人体生物特征识别应用技术委员会委员。主持和参与国家重点研发项目，国家自然科学基金，国家科技支撑计划，中国科学院重点部署项目，工信部物联网专项等。其主要研究方向为图像视频分析与理解，生物特征识别，人工智能基础理论，发表论文200余篇，Google Scholar文章引用次数超20000 次，H-index：69，爱思唯尔2020,2021中国高被引学者，授权发明专利20余项，撰写发布国家标准/行业标准8项。获2019年国际模式识别协会（IAPR）生物特征识别青年学者奖，2019年国家科技进步奖二等奖，2021中国电子学会技术发明一等奖，17次获得国际会议最佳（学生）论文奖及国际视觉类任务竞赛第一名。
报告简介：胶囊网络旨在通过一组部件以及部件之间的关系来表征物体，这对视觉感知过程提供了指导。尽管最近的工作证明了胶囊网络在简单对象（如数字）上的成功，但对具有同源结构物体的探索仍然不足。本报告提出了一种层级解析胶囊网络（HP-Capsule），用于无监督的部件发现。在浏览没有标签的大规模图像时，网络首先使用一组可解释的子部分胶囊对经常观察到的模式进行编码。然后，通过基于Transformer 的解析模块 (TPM) 将子部分胶囊组装成部件级胶囊，以学习它们之间的组合关系。在训练过程中，随着物体层次结构的逐步构建和细化，部件胶囊自适应地对具有语义一致性的物体部分进行编码。HP-Capsule 将胶囊网络的应用从数字扩展到人脸，并向前迈出了一步，展示了神经网络如何在没有人工干预的情况下理解同源对象。
报告嘉宾：梁延研博士，澳门科技大学创新工程学院计算机科学与工程学院副教授、博导，近年来发表JCR Q1国际期刊论文以及CCF-A类会议论文（包括IEEE TIP, IEEE TITS, IEEE TIFS, IEEE TCYB, IEEE TMM, AJ, IEEE Access, MVAP, IJCAI, CVPR, ICPR, FG等）近50篇，主持的科研项目包括科技部境外合作项目、国家自然科学基金国际/地区合作项目、广东省重点领域研发计划和澳门科学技术发展基金重点研发项目等6项。报告简介：We will discuss some key issues for deep representation learning, including scale variance, non-uniform distribution of features, multiple modalities data, and multiple tasks oriented. We will address the major challenges of deep representation learning, and try to figure out the strategies and solutions.05 对抗机器学习最新进展报告嘉宾：吴保元博士，现任香港中文大学（深圳）数据科学学院副教授，深圳市大数据研究院大数据安全计算实验室主任，深圳市模式分析与感知计算重点实验室（筹）副主任、腾讯AI Lab可信AI技术组顾问。其研究方向包括机器学习、计算机视觉、最优化，在人工智能的顶级期刊和会议上发表论文50多篇，并曾入选人工智能顶级会议CVPR 2019最佳论文候选名单。其担任人工智能领域国际期刊Neurocomputing编委、第五届中国模式识别与计算机视觉大会PRCV 2022组委会主席、国际会议NeurIPS 2022、ICLR 2022、AAAI 2022、ICIG 2021 领域主席，中国自动化学会模式识别与机器智能专委会副秘书长。作为项目负责人承担国家自然科学基金面上项目1项，深圳市优秀科技创新人才优秀青年基础研究项目1项，CCF-腾讯犀牛鸟基金1项，CCF-海康威视斑头雁基金1项，腾讯研究专项基金2项。
报告简介：本次报告将介绍对抗机器学习中几个重要课题，包括黑盒对抗攻击、对抗训练、后门攻击与防御等，从攻击与防御两个视角、测试与训练两个阶段多维度分析深度学习系统的对抗鲁棒性问题，在梳理现有工作的基础上介绍当前的最新进展，揭示未来发展趋势。
Panel嘉宾简介
Panel嘉宾兼主持人：张兆翔博士
IEEE Fellow，于2006年加入香港理工大学电子计算学系，2017年起任职讲座教授。张磊教授长期致力于计算机视觉、图像处理、模式识别等方向的研究。截至2022年，他的谷歌学术引用已达74,000余次，是底层视觉方面的国际权威学者。张教授是IEEE Trans. on Image Processing（TIP）的高级编委，IEEE Trans. on Pattern Analysis and Machine Intelligence（TPAMI）、SIAM Journal of Imaging Sciences等多个国际期刊的编委。从2015年至2022年，张教授连续被评为Clarivate Analytics Highly Cited Researcher。更多信息请参见其个人主页：http://www4.comp.polyu.edu.hk/~cslzhang/.
