變更

'''中国图象图形学学会提名与奖励工作委员会'''负责学会的 [[ 表彰 ]] 奖励、人才举荐工作：完善学会奖励体系，对拟设立的新奖项进行评估，主持完成新奖项设立的准备工作，包括起草评选条例等；组织学会 [[ 奖励 ]] 的评审和异议处理；研究奖项和评奖方面的有关问题，对现有奖项的奖励目标、评奖标准、评奖程序等事项进行评估，提出修改建议，不断优化评审流程；开展两院院士<ref>[https://3g.k.sohu.com/t/n568855976 两院院士增选结果最新统计！]，搜狐，2021-11-24</ref>、国家 [[ 科学技术 ]] 奖、中国青年科技奖、中国青年女科学家奖等各类人才举荐工作。

为了促进 [[ 中国图象图形学学会 ]] （CSIG）机器视觉专委会与国内外同行在人工智能<ref>[https://www.sohu.com/a/465707437_120108384 人工智能，你真的知道吗？一文让您看懂！]，搜狐，2021-05-11 </ref>领域前沿理论与技术方面的交流，特举办2022第二届CSIG机器视觉与智能研讨会。本研讨会由中国图象图形学学会（CSIG）主办，CSIG机器视觉专委会和 [[ 华中科技大学 ]] 电信学院联合承办，为CSIG机器视觉专委会2022年度学术会议。

本研讨会很荣幸邀请到陈俊龙教授、龚怡宏教授、黄德双教授、罗笑南教授、李宏亮教授、彭宇新教授、叶齐祥教授、左旺孟教授等八位着名学者来做精彩的专题报告，采用线上腾讯会议结合B站直播的方式进行，热忱欢迎感兴趣的老师和同学前来参加，与 [[ 专家 ]] 互动。

报告摘要：深层的网络结构能够使网络具有强大的 [[ 学习 ]] 能力，然而传统的深度结构网络参数量大，网络复杂性高，大多数深度网络的训练方式也是基于反向传播的梯度下降法或随机梯度下降法，往往存在着训练消耗时间长、容易陷入局部最优解等问题；宽度学习系统 (Broad Learning Systems， BLS) 是一种浅层的具有增量学习能力的神经网络，具有快速、高效的优点，然而其浅层结构也限制了网络的特征表达能力。为了解决上述问题，本汇报提出了一种具有动态结构的神经网络：构建叠层宽度神经网络成深度模型。该模型保留了宽度 [[ 学习 ]] 系统高效、快速的优点，同时通过残差连接将多个宽度学习系统模块叠加起来，增加网络的深度，提高网络的学习能力。叠层宽度神经网络（Stacked BLS）的“动态”体现在宽度和深度两个方面。宽度方向的增量学习体现在宽度学习系统模块内部的神经元：在每一个宽度学习系统模块内部，当新增加特征节点、增强节点或输入数据时，只需要学习新增加部分的权重即可；深度方向的增量学习体现在宽度学习 [[ 系统 ]] 模块之间：在宽度学习系统模块之，当叠加新的宽度学习系统模块时，下层模块的参数可以固定不变，只需要计算新叠加的宽度学习系统模块的网络参数即可。这两种增量学习的方式使得模型的计算量较少，网络复杂性较低，使用过程中可以很方便的增加网络的宽度和深度，并实现快速、高效的 [[ 训练 ]] ，能够针对不同任务进行适应性的调整，提高模型的泛化能力。叠层宽度神经网络在多个数据集上展现了优越性，在多个图像数据库的测试，均优于现有的很多图像分类方法，同时相较于深度神经网络方法，动态结构的神经网络大幅减少了网络计算时所需要的参数数量。

个人简介：龚怡宏教授目前是 [[ 西安交通大学软件学院 ]] 院长，国家特聘教授，IEEE Fellow，国家973项目首席科学家，视觉信息处理国家工程实验室副主任，陕西省人工智能联合实验室执行副主任。共出版英文专着3部，在国际知名学术期刊和会议上发表论文200余篇，他引近30,000次，单篇最高他引3,900多次，谷歌h-index为70。于ACM SIGIR 2003会议上发表的文章获得最有影响力文章提名奖 (Time of Impact Award Honorable Mention)。2020年入选AI2000最具影响力TOP100学者榜单。拥有美国和中国发明专利40余项。研究领域包括人工智能， [[ 计算机 ]] 视觉及，受脑启发神经网络研究等。是学术界最早开展体育视频内容分析，基于图像内容的以图搜图检索，以及提出图像稀疏编码特征向量的国际知名学者，引领了国际上大量学者的研究，带领团队多次获得国内外图像视频内容分析领域技术大赛的冠军。

报告摘要：当前的主流深度学习神经网络（DNN）面临三大科学难题：1）主要依靠不断加大网络复杂度和训练样本数量来提高图像识别精度，缺乏可解释性；2）进行图像分类时发生“纹理偏执”的问题；3）增量学习新知识时发生“灾难性遗忘”旧知识的问题。迄今为止， [[ 学术 ]] 界围绕上述三个问题提出的各种解决方法大都效果不佳，且缺乏理论依据。

本课题组通过与脑认知科学领域的专家学者进行深层次的 [[ 合作 ]] ，从人脑视觉感知与认知机理的研究成果中获取灵感，并致力于将人脑视觉通道的某些特性转化为计算模型，从而显着提升其图像识别精度。本次报告将概括介绍本课题组在解决上述DNN科学难题方面所取得的若干最新研究 [[ 成果 ]] ，并用数理分析方法对所提出的神经网络模型进行泛化性性能分析。脑认知领域的学者通过大量认知心理学实验不断发现人脑视觉通路的工作机理与特性,人工智能专家将脑认知领域的最新研究成果转化为计算模型，数学专家利用数理分析对受脑启发的新型计算模型进行泛化性分析，从而形成一个学术成果的闭环。

个人简介：黄德双，工学博士，教授， [[ 博士生导师 ]] ，宁波东方理工高等研究院与同济大学教授, 中国科学技术大学与上海交通大学兼职教授、博士生导师，2000年度中科院“百人计划”入选者，国家科技创新2030-新一代人工智能重大项目首席专家(主持人)，国家科技创新2030-脑科学与类脑研究重大项目管理专家，国家自然科学基金委第十四届专家评审组成员，纽约科学院Active Member，IEEE Fellow，国际模式识别学会(IAPR) Fellow，亚太人工智能学会(AAIA) Fellow，国家杰青、优青函评与会评专家；国家科技部重点研发计划、国家奖会评与函评专家。2014年度第11届IEEE生物信息学与计算生物学中的计算智能学术会议程序委员会主席（美国夏威夷），2015年度国际神经网络联合会议(IJCNN2015)大会主席（爱尔兰），国际智能计算学术会议Founding Chair，中国生物信息学学会（筹） [[ 生物医学 ]] 数据挖掘与计算专委会主任，中国计算机学会生物信息学专业委员会副主任委员。获 [[ 教育部 ]] 自然科学一等奖一项（排名第一），安徽省自然科学一等奖一项（排名第一），获中国人工智能学会吴文俊科技进步一等奖一项（排名第一），2014-2021年度爱思唯尔（Elsevier）Scopus高被引学者（计算机科学卷）。