俏皮女神_经
AI未来的路在哪里？有的先行者早已智见！5月11号，旷视携手8位学术大咖，在清华大学主楼二层接待厅，以CV人才培养和产学研落地为宗旨，为诸位青年人才带来“智见AI”SpringCamp——计算机视觉之物体检测与深度神经网络模型设计专场，让大咖们在这次论坛中细细告诉你。
活动将于4月28日23:00截止报名，扫描下方二维码即可报名参加：
本次活动由中国计算机学会计算机视觉专委（CCF-CV）主办，由清华大学自动化系与旷视承办，支持媒体包括：机器之心、量子位、AI研习社、Paperweekly、Cver。
举办此系列学术训练营，是为了打造AI青年学术论坛品牌，为行业尖端人才提供技术前沿交流和学习的机会。希望能够通过邀请顶尖学术大咖分享，吸引优秀青年学术学生/业界人才参与，促进CV人才培养和产学研落地。
下面是本次活动的议程、嘉宾与报告的详细介绍：
代季峰：微软亚洲研究院计算机视觉组资深研究员
报告主题：卷积神经网络中的几何形变建模
报告简介：在视觉识别任务中，一个重要的挑战是如何恰当处理和建模几何形变，包括尺度、姿态、视角以及物体部件的移动等。从特征工程的时代开始，一系列着名的算法就被开发出来以尝试解决这个问题，包括SIFT，DPM等。但受限于它们的特征表达能力和局限的变性建模能力，其性能受到了很多的限制。在深度学习的时代，网络特征的表达能力大大的超出了之前手工设计的特征。但是，现有的网络模块依然难以对几何形变进行有效的处理和建模。本次talk中将会介绍在深度神经网络中的几何形变建模技术，它们能够大幅度的增强深度神经网络的几何建模能力，在各种识别任务中取得巨大的性能提升。
张士峰：中科院自动化所博士
报告主题：物体检测算法的对比探索以及展望
报告简介：目前基于深度学习的物体检测算法大致可以分为两类：一步法检测器和二步法检测器。一步法检测器有较高的检测速度，但检测精度不如二步法检测器。而二步法检测有较高的检测精度，但检测效率不如一步法检测器。为了使得一步法检测器获得二步法检测器的检测精度，同时保持较高的检测效率，我们对一步法和二步法检测器进行了一系列探索，提出了RefineDet、SRN、ISRN、RetinaFace等系列算法。此次分享将先概括地介绍物体检测算法，接着分享我们自己一系列相关的工作，最后对物体检测的发展进行讨论展望。
张祥雨：旷视研究院研发总监
报告主题：高效轻量级深度模型的研究与实践
报告简介：深度基础模型在现代深度视觉系统中居于核心地位。在实际应用中，受应用场景、目标任务、硬件平台等的不同，经常会对模型的执行速度、存储大小、运算功耗等进行限制。因此，如何针对各种不同的情景设计“又好又快”的模型，成为深度学习系统实用化的重要课题。本次讲座主要围绕实用模型设计的两个常用技术：轻量级模型设计和模型裁剪，重点介绍本团队在高效深度模型领域的科研成果和实践经验。分享内容包括ShuffleNet v1/v2系列，以及自动化模型设计、模型搜索等最新研究成果。
白翔：华中科技大学电信学院教授、副院长，国家防伪工程技术中心副主任
报告主题：不规则文字检测与识别
个人简介：白翔，华中科技大学电信学院教授、副院长，国家防伪工程技术中心副主任，国家万人计划“青年拔尖人才”入选者，主要研究方向计算机视觉与模式识别、文档分析等。已在计算机视觉与模式识别领域一流国际期刊和会议如PAMI、CVPR等发表论文50余篇。担任期刊Pattern Recognition, Pattern Recognition Letters, Frontier of Computer Science, 自动化学报编委。曾担任CVPR19、AAAI19等主流国际会议的领域主席/资深技术程序委员或竞赛主席，应邀给ICDAR 2017做大会主题报告。曾获得 AAAI-2019 Outstanding SPC Award，入选2014-2018年Elsevier中国高被引学者。
胡杰：Momenta 高级研发工程师
报告主题：视觉注意力机制在模式设计中的发展与应用
报告简介：机器学习中的注意力模型通过模拟人类视觉的注意力机制，从而在大量信息中筛选和聚焦对任务重要的信息，减少来自不重要信息和噪声的干扰。近年来，注意力机制被引入计算机视觉、自然语言处理等诸多领域，并在不同任务上取得显着的性能提升。本次报告将围绕注意力机制在计算机视觉的应用，概括总结如何在神经网络(尤其是卷机神经网络）中结合注意力机制增强网络表达能力，从而实现有效提升系统性能的目标。
俞刚：旷视研究院Research Leader、Detection 组负责人
报告主题：Beyond RetinaNet and Mask R-CNN
个人简介：物体检测是计算机视觉中一个非常重要但同时也是很基础的技术环节。在RetinaNet以及Mask RCNN出现之后，物体检测领域在框架上面已经比较成熟，但是从技术落地角度来考虑，还有很多细节问题需要攻克。本报告将从六个维度分别来展开目标检测领域的一些新的问题以及方向。具体来讲，这六个方向是Backbone, Head, Scale variation, Batch size, Crowd，pretraining。这些技术点的攻破以及成果，会对物体检测领域的实际落地会有很大推动作用。
黄高：清华大学自动化系助理教授
报告主题：面向快速推理的卷积神经网络结构设计
个人简介：近几年，随着深度学习从实验室走向越来越多的实际应用，人们对模型的关注不仅仅在其精度方面，同时也对计算和存储效率提出了更高的要求。在提升模型效率的诸多手段中，神经网络结构创新始终是最为有效的方式之一。本报告将简单回顾卷积神经网络的几种典型结构，分析有助于提升模型效率的设计技巧与原则。与结构设计密切相关的，还有神经网络的推理方法。报告将从自适应推理的角度，介绍如何通过合理的结构设计，使模型能够针对不同的样本分配相应的计算量，达到降低平均计算开销的目的。
程明明：南开大学教授，国家“万人计划”青年拔尖人才，首批天津市杰出青年基金获得者
报告主题：开放环境下的自适应视觉感知
报告简介：现有视觉学习技术通常依赖于大规模精确标注的训练数据。在典型实验室环境下设计和训练的人工智能模型，在行业应用场景变换时，容易导致系统性能急剧下降。本报告将从弱监督视觉理解的角度，介绍在降低模型对特定应用场景数据依赖方面所开展的一些研究工作，主要包括如何学习一些通用属性，并利用这些通用属性构建弱监督检测与分割模型。
