求真百科歡迎當事人提供第一手真實資料,洗刷冤屈,終結網路霸凌。

中國圖象圖形學學會提名與獎勵工作委員會檢視原始碼討論檢視歷史

事實揭露 揭密真相
前往: 導覽搜尋

來自 搜狐網 的圖片

中國圖象圖形學學會提名與獎勵工作委員會負責學會的表彰獎勵、人才舉薦工作:完善學會獎勵體系,對擬設立的新獎項進行評估,主持完成新獎項設立的準備工作,包括起草評選條例等;組織學會獎勵的評審和異議處理;研究獎項和評獎方面的有關問題,對現有獎項的獎勵目標、評獎標準、評獎程序等事項進行評估,提出修改建議,不斷優化評審流程;開展兩院院士[1]、國家科學技術獎、中國青年科技獎、中國青年女科學家獎等各類人才舉薦工作。

相關資訊

第二屆CSIG機器視覺與智能研討會將於9月24日舉辦

為了促進中國圖象圖形學學會(CSIG)機器視覺專委會與國內外同行在人工智能[2]領域前沿理論與技術方面的交流,特舉辦2022第二屆CSIG機器視覺與智能研討會。本研討會由中國圖象圖形學學會(CSIG)主辦,CSIG機器視覺專委會和華中科技大學電信學院聯合承辦,為CSIG機器視覺專委會2022年度學術會議。

本研討會很榮幸邀請到陳俊龍教授、龔怡宏教授、黃德雙教授、羅笑南教授、李宏亮教授、彭宇新教授、葉齊祥教授、左旺孟教授等八位着名學者來做精彩的專題報告,採用線上騰訊會議結合B站直播的方式進行,熱忱歡迎感興趣的老師和同學前來參加,與專家互動。

報告題目:動態結構神經網絡及其應用

報告摘要:深層的網絡結構能夠使網絡具有強大的學習能力,然而傳統的深度結構網絡參數量大,網絡複雜性高,大多數深度網絡的訓練方式也是基於反向傳播的梯度下降法或隨機梯度下降法,往往存在着訓練消耗時間長、容易陷入局部最優解等問題;寬度學習系統 (Broad Learning Systems, BLS) 是一種淺層的具有增量學習能力的神經網絡,具有快速、高效的優點,然而其淺層結構也限制了網絡的特徵表達能力。為了解決上述問題,本匯報提出了一種具有動態結構的神經網絡:構建疊層寬度神經網絡成深度模型。該模型保留了寬度學習系統高效、快速的優點,同時通過殘差連接將多個寬度學習系統模塊疊加起來,增加網絡的深度,提高網絡的學習能力。疊層寬度神經網絡(Stacked BLS)的「動態」體現在寬度和深度兩個方面。寬度方向的增量學習體現在寬度學習系統模塊內部的神經元:在每一個寬度學習系統模塊內部,當新增加特徵節點、增強節點或輸入數據時,只需要學習新增加部分的權重即可;深度方向的增量學習體現在寬度學習系統模塊之間:在寬度學習系統模塊之,當疊加新的寬度學習系統模塊時,下層模塊的參數可以固定不變,只需要計算新疊加的寬度學習系統模塊的網絡參數即可。這兩種增量學習的方式使得模型的計算量較少,網絡複雜性較低,使用過程中可以很方便的增加網絡的寬度和深度,並實現快速、高效的訓練,能夠針對不同任務進行適應性的調整,提高模型的泛化能力。疊層寬度神經網絡在多個數據集上展現了優越性,在多個圖像數據庫的測試,均優於現有的很多圖像分類方法,同時相較於深度神經網絡方法,動態結構的神經網絡大幅減少了網絡計算時所需要的參數數量。

龔怡宏 教授

個人簡介:龔怡宏教授目前是西安交通大學軟件學院院長,國家特聘教授,IEEE Fellow,國家973項目首席科學家,視覺信息處理國家工程實驗室副主任,陝西省人工智能聯合實驗室執行副主任。共出版英文專着3部,在國際知名學術期刊和會議上發表論文200餘篇,他引近30,000次,單篇最高他引3,900多次,谷歌h-index為70。於ACM SIGIR 2003會議上發表的文章獲得最有影響力文章提名獎 (Time of Impact Award Honorable Mention)。2020年入選AI2000最具影響力TOP100學者榜單。擁有美國和中國發明專利40餘項。研究領域包括人工智能,計算機視覺及,受腦啟發神經網絡研究等。是學術界最早開展體育視頻內容分析,基於圖像內容的以圖搜圖檢索,以及提出圖像稀疏編碼特徵向量的國際知名學者,引領了國際上大量學者的研究,帶領團隊多次獲得國內外圖像視頻內容分析領域技術大賽的冠軍。

報告題目:受腦啟發的神經網絡計算模型及其泛化性分析

報告摘要:當前的主流深度學習神經網絡(DNN)面臨三大科學難題:1)主要依靠不斷加大網絡複雜度和訓練樣本數量來提高圖像識別精度,缺乏可解釋性;2)進行圖像分類時發生「紋理偏執」的問題;3)增量學習新知識時發生「災難性遺忘」舊知識的問題。迄今為止,學術界圍繞上述三個問題提出的各種解決方法大都效果不佳,且缺乏理論依據。

本課題組通過與腦認知科學領域的專家學者進行深層次的合作,從人腦視覺感知與認知機理的研究成果中獲取靈感,並致力於將人腦視覺通道的某些特性轉化為計算模型,從而顯着提升其圖像識別精度。本次報告將概括介紹本課題組在解決上述DNN科學難題方面所取得的若干最新研究成果,並用數理分析方法對所提出的神經網絡模型進行泛化性性能分析。腦認知領域的學者通過大量認知心理學實驗不斷發現人腦視覺通路的工作機理與特性,人工智能專家將腦認知領域的最新研究成果轉化為計算模型,數學專家利用數理分析對受腦啟發的新型計算模型進行泛化性分析,從而形成一個學術成果的閉環。

黃德雙 教授

個人簡介:黃德雙,工學博士,教授,博士生導師,寧波東方理工高等研究院與同濟大學教授, 中國科學技術大學與上海交通大學兼職教授、博士生導師,2000年度中科院「百人計劃」入選者,國家科技創新2030-新一代人工智能重大項目首席專家(主持人),國家科技創新2030-腦科學與類腦研究重大項目管理專家,國家自然科學基金委第十四屆專家評審組成員,紐約科學院Active Member,IEEE Fellow,國際模式識別學會(IAPR) Fellow,亞太人工智能學會(AAIA) Fellow,國家傑青、優青函評與會評專家;國家科技部重點研發計劃、國家獎會評與函評專家。2014年度第11屆IEEE生物信息學與計算生物學中的計算智能學術會議程序委員會主席(美國夏威夷),2015年度國際神經網絡聯合會議(IJCNN2015)大會主席(愛爾蘭),國際智能計算學術會議Founding Chair,中國生物信息學學會(籌)生物醫學數據挖掘與計算專委會主任,中國計算機學會生物信息學專業委員會副主任委員。獲教育部自然科學一等獎一項(排名第一),安徽省自然科學一等獎一項(排名第一),獲中國人工智能學會吳文俊科技進步一等獎一項(排名第一),2014-2021年度愛思唯爾(Elsevier)Scopus高被引學者(計算機科學卷)。

參考文獻