中国人工智能学会模式识别专委会 (CAAIPR)

CCF YOCSEF青岛

于2015年10月31日 (星期六) 8:00-18:00

在中国海洋大学崂山校区 大学生活动中心一层报告厅

举行学术研讨会，敬请光临

研讨会主题

2015智能数据分析研讨会(IDAS2015)

程  序

8:00 - 8:15  会议主席致辞

8:15 - 9:55  报告会Ⅰ

特邀讲者：林宙辰  北京大学

演讲题目：Low Rank Representation-Theories and Applications

特邀讲者：公茂果  西北工业大学

演讲题目：多目标深度神经网络与稀疏特征学习

9:55 - 10:15  茶歇

10:15 - 11:55  报告会Ⅱ

特邀讲者：杨沛沛  中国科学院自动化研究所

演讲题目：跨领域机器学习及其在图像识别中的应用

特邀讲者：张家俊  中国科学院自动化研究所

演讲题目：自然语言处理中的语义表示学习

11:55 - 13:15  午休

13:15 - 14:55  报告会Ⅲ

特邀讲者：苗启广  西安电子科技大学

演讲题目：基于黄霾物理特性的改进的单幅图像去霾方法

特邀讲者：马毅  国家海洋局第一海洋研究所

演讲题目：信息技术在海洋遥感中的应用

14:55 - 15:15 茶歇

15:15 - 16:55  报告会Ⅳ

特邀讲者：李宇峰  南京大学

演讲题目：Learning methods for safely using unlabelled data

特邀讲者：郭振华  清华大学深圳研究生院

演讲题目：局部纹理特征提取及其应用

16:55 - 17:45  Panel讨论

17:45 - 18:00  闭幕式

大会主席：董军宇  博士，中国海洋大学

程序委员会主席：仲国强  博士，中国海洋大学               

参加人员：IT领域专业人士、研究生、媒体、其他有兴趣者

报名方式：Email：qilin@ouc.edu.cn (请于10月26日前将参会回执回复至该邮箱，邮件主题请注明“IDAS2015青岛学术报告会回执”); 
Tel: 0532-66781729

参加方式：

免费参加

参会回执

特邀讲者 林宙辰

Zhouchen Lin received the Ph.D. degree in applied mathematics from Peking University in 2000. He is currently a Professor at Key Laboratory of Machine Perception (MOE), School of Electronics Engineering and Computer Science, Peking University. He is also a Chair Professor at Northeast Normal University. Before March 2012, he was a Lead Researcher at Visual Computing Group, Microsoft Research Asia. He was a guest professor at Shanghai Jiaotong University, Beijing Jiaotong University and Southeast University. He was also a guest researcher at Institute of Computing Technology, Chinese Academy of Sciences. His research interests include computer vision, image processing, computer graphics, machine learning, pattern recognition, and numerical computation and optimization. He is an associate editor of IEEE T. PAMI and IJCV, an area chair of CVPR 2014, ICCV 2015, NIPS 2015 and AAAI 2016, and a Senior member of the IEEE.

报告提要：In this talk, I will introduce a robust subspace clustering method, called low rank representation (LRR). It is a combination of sparse subspace clustering (SSC) and robust PCA (RPCA). LRR can be much more robust to corruptions and outliers than SSC for subspace clustering. I will also present some striking properties of LRR and some interesting applications and generalizations of LRR.

特邀讲者 公茂果

教授，博士生导师，西北工业大学&西安电子科技大学计算智能联合研究中心负责人，陕西省重点科技创新团队负责人。主要研究方向为计算智能理论及其在数据挖掘和图像理解中的应用。主持完成国家863计划、国家自然科学基金等十余项课题，发表SCI检索论文100余篇，被引用3000余次，获国家发明专利授权10余项，获国家自然科学奖二等奖1项、省部级科技奖励3项。曾获国家自然科学基金委“优秀青年基金”、"国家高层次人才特殊支持计划"青年拔尖人才、霍英东青年教师奖、吴文俊智能科技创新奖、陕西青年科技奖、陕西省青年科技新星、教育部新世纪优秀人才支持计划、中国高被引学者等荣誉或奖励。

报告提要：面对大数据的诸多挑战，深度神经网络模型在很多应用领域展示出明显的优势和潜力。很多数情况下，单层的学习模型是构造深度网络的基础。在单层的学习模型中，稀疏特征学习模型是一种常用的能对数据进行高效表示的模型。但是这类模型往往需要一个自定义的参数来控制稀疏程度与信息损失之间的平衡。由于数据和模型的规模都十分庞大，在实际应用中，调整这类参数是十分耗时的。因此，我们提出了一种面向稀疏特征学习的多目标深度神经网络模型。该模型通过同时优化两个目标(重构误差和隐层节点的稀疏度)来学习网络的连接权值和偏置,从而自动寻找两个目标的折衷解。基于多目标进化算法，我们设计了一种适用于该模型的学习方法。实验证明，所设计的学习方法是有效的，多目标深度神经网络模型在克服了参数选择困难的同时能学到有用的特征。

特邀讲者 杨沛沛

报告提要：待定

特邀讲者 张家俊

 副研究员。2006年于吉林大学计算机科学与技术学院获学士学位，2011年6月毕业于中科院自动化所模式识别与智能系统专业，获工学博士学位。2011年7月至今在中科院自动化所模式识别国家重点实验室工作。2013年9月至2014年9月在微软亚洲研究院做访问学者。研究方向为自然语言处理、机器翻译、统计学习等。在人工智能与自然语言处理顶级会议AAAI、IJCAI、ACL、EMNLP、COLING，以及国际期刊IEEE/ACM TASLP， ACM TALLIP，IEEE Intelligent Systems，Transaction on ACL等发表学术论文20余篇。2009年获亚太语言信息与计算会议（PACLIC）最佳论文奖，2010年获中科院朱李月华优秀博士生奖，2012年获第一届自然语言处理与中文计算会议（NLPCC）最佳论文奖，2014年获中国中文信息学会“钱伟长中文信息处理科学技术奖”一等奖。

报告提要：自然语言处理主要研究从字、词、短语、句子到篇章等各种粒度的语言单元的语义以及相互之间的关系。近年来，以离散符号为研究对象的自然语言处理已成为深度学习的试验场。在各种自然语言处理任务中语言单元的表示学习是深度学习当仁不让的研究重点。本次报告将以表示学习为核心，分别介绍词、短语以及句子的向量化语义表示，并给出这些表示在不同自然语言处理任务中的应用。

特邀讲者 苗启广

 西安电子科技大学计算机学院教授，博士生导师；2012年入选“教育部新世纪优秀人才支持计划”；NVIDA-西安电子科技大学高性能计算联合实验室副主任；陕西省计算机学会理事，CCF人工智能与模式识别专委会委员，CCF计算机视觉专业组(CCF TFCV)委员，CCF 青年工作委员会委员，CCF YOCSEF 2015-2016届副主席，CCF YOCSEF西安2010-2012届主席， IEEE会员，ACM会员， CCF高级会员，航空学会信息融合专委会委员，中国航空学会高级会员。2005年12月获西安电子科技大学计算机应用技术博士学位，2013年12月-2014年7月受国家留学基金委资助在美国做高访。

报告提要：待定

特邀讲者 马毅

 研究员，博士，国家海洋局第一海洋研究所遥感室副主任，中国海洋学会海洋遥感专业委员会副秘书长，全球变化与海气相互作用专项技术组成员，载人航天工程二级课题负责人。主要从事海岛海岸带遥感与应用研究，近年来主持国家自然科学基金1项、908专项课题1项、载人航天工程课题1项、中欧国际合作龙计划课题1项，副主持国家863课题2项、973课题各1项。作为主要参加人员，获海洋创新成果二等奖3次。

报告提要：待定

特邀讲者 李宇峰

Yu-Feng Li is currently an assistant researcher at computer science and technology department, Nanjing University. He received his B. Sc and Ph.D. degree from computer science, Nanjing University in 2006 and 2013, respectively. His research focuses on machine learning and data mining. Particularly, he is interested in semi-supervised learning, multi-instance learning, multi-label learning and statistical learning algorithms. His research works were published in JMLR, IEEE Trans. PAMI, AIJ, ICML, NIPS, AAAI, etc. He received several awards, including outstanding doctoral dissertation award from China Computer Federation (CCF), outstanding doctoral dissertation award from Jiangsu Province and Microsoft Fellowship Award. He was served as a program committee member of several conferences such as IJCAI, ICML, NIPS and KDD.

报告提要：When the amount of labelled data is limited, it is usually expected that learning methods exploiting additional unlabelled data will help improve learning performance. In many situations, however, it is reported that learning methods using unlabelled data may even decrease the learning performance. This phenomenon affects the deployment of unlabelled data learning methods in real-world situations. It is thus desirable to develop “safe” unlabelled data learning methods that often improve performance, while in the worst cases do not decrease the learning performance. In this talk, I introduce our recent progresses in this direction. By considering the performance degeneration may be caused by not-good-enough solution in large-scale optimization, we present a scalable method which is able to optimize a tight convex upper bound of the objective in an efficient manner. By considering that the performance degeneration may be caused by the uncertainty of model selection, we present a learning method which optimizes the worst-case accuracy improvement and hence avoids the harm of uncertain model selection. Furthermore, by considering that real-world applications require variants of performance measures and the performance degeneration may be caused by the difficulty in optimizing complicate performance measures, we present to optimize the worst-case performance gain under complicate performance measures and show that when the performance measure is AUC, F1 and Top-k precision, the minimax convex relaxation of the objective could be solved globally and efficiently. Experiments validate the effectiveness of the proposal method. 

特邀讲者 郭振华

 博士，副研究员、硕士生导师。本科和硕士就读于哈尔滨工业大学计算机学院。2010年博士毕业于香港理工大学计算机系。同年开始在清华大学深圳研究生院工作，并于2013年晋升为副研究员。近年来一直从事模式识别、计算机视觉等方面的科研工作，尤其侧重于生物特征识别、纹理识别、视频监控等领域。授权专利5项，其中2项为美国专利。发表论文60余篇，SCI收录（含接收）21篇，并有2篇被ESI收录。成果受到国内外同行关注，据Google Scholar统计，论文引用超过1800次，多为他引。主持和参与国家自然科学基金、863等多个项目。获得多项奖励，包括深圳市青年科技奖（2014）、入选爱思唯尔2014年中国高被引学者榜单、日内瓦国际发明展金奖（2011）、深圳市后备级领军人才及海外高层次人才、香港工商业奖（2009）等。一等奖。

报告提要：尽管纹理图像的精确定义至今尚未给出。一般说纹理就是指在图像中反复出现的局部模式和它们的排列规则。可以说人类生活的环境是一个充满纹理的环境，纹理作为现实世界图景的表征，是可见表面的基本特性。表面是物体的基本要素之一，这些表面图案在人对视觉图像形成结构或给出形式的过程中起作用。因此，纹理图像的分析与识别有着广泛的应用。例如，在遥感领域区分山脉、湖泊，在医学领域检验特定的疾病或者寻找相似病例，在纺织工厂判断生产的纺织品质量等。由于纹理图像的多样性和复杂性，存在光照、旋转、尺度等多种变化，纹理图像的分析和识别仍是一个较难解决的问题。局部二值模式是一种快速、稳定的局部纹理特征描述子，可以较好地应对光照变化，但它不能很好地解决旋转、尺度等问题。针对上述不足，我们提出了不同策略，显著地提高了它的性能。并将部分成果应用到生物特征识别中的人脸识别和掌纹识别等。最后，还将展望局部纹理特征在海洋环境监测等领域的应用。

会场路线图