抓住暑假的尾巴，来一次学术充电吧！GAIR大讲堂CVPR清华专场开启报名

本篇文章1786字，读完约4分钟

据人工智能研究会介绍，8月12日，雷锋在全球人工智能与机器人学讲堂举办了cvpr学术分享活动。com赢得了在场学生的一致好评。对于错过本次活动的同学，请关注雷锋同志盖尔讲堂的相关内容报道。清华专题讲座厅下一站已经开始报名。这一次，还邀请了参加2017年cvpr并发表论文的青年学者。现在是暑假，如果你还呆在学校，来报名吧！这绝对是一个补充和提高你对顶级国际学术会议知识的好机会！

(上海交通大学站的演讲者之一吴佳俊正在分享进展)

对学术界略知一二的学生知道cvpr会议。计算机视觉和模式识别国际会议(Cvpr)是由ieee组织的一年一度的学术会议，主要讨论计算机视觉和模式识别的技术内容。在各种学术会议统计中，cvpr具有很强的影响力和很高的排名。特别是今年刚刚在美国夏威夷结束的cvpr 2017，国内许多人工智能研究企业和大学实验室都深入参与其中。可以说，学术界和产业界对此都非常重视，论文的收集数量和参与人数都创下了cvpr的新纪录。

对于这样一个顶级的学术会议，除了阅读相关的文章之外，没有机会参加的同学们如何才能更深入、更真实地了解2017 cvpr的学术成果呢？盖尔讲堂邀请了四位前沿的论文讲演者来还原当时的cvpr场景，四位嘉宾将在cvpr场景中讲解他们的论文内容，分享他们参与cvpr的经历。我相信他们的分享会直接帮助你发表学术论文！

盖尔讲堂cvpr清华特邀嘉宾段介绍

清华大学自动化系三年级博士生，导师为周杰教授和陆继文副教授。他的研究方向在于视觉识别、二值特征学习和无监督学习。此前，他于2014年获得清华大学自动化系学士学位。

主题:用多重量化学习深度二进制描述符

共享内容:深度二值特征学习因其高效的存储和匹配，近年来受到学术界的密切关注。现有的深度二值特征学习方法使用符号函数对实值特征进行二值化，没有考虑数据分布，导致量化损失较大。本文将二值化过程视为一个无监督的多量化问题，提出了一种基于k-自编码网络的深度多量化算法，并将其应用于深度二值化特征学习，提出了多量化深度二值化特征学习，以减少二值化带来的量化损失。实验结果证明了该方法的有效性。

孙刚

Momenta R&D董事，联合创始人，高性能并行计算系统专家，大规模图像识别专家，imagenet 2017图像分类冠军，imagenet 2016场景分类亚军，中国科学院计算机视觉博士。

主题:imagenet冠军模型se-net的详细说明

分享内容:作者提出了一种新的神经网络模型——挤压&兴奋模型，大大提高了模型的准确性。通过挤压和刺激操作，se模块自动重新分配特征的权重，增强对识别有用的特征，并抑制无效或几乎没有益处的特征。大多数现有网络结构的性能都有很大的改善，只需很少的计算和参数。

正和亮

中国科技大学电子工程与信息科学系一年级博士生梅涛与罗杰波教授。他的研究兴趣在于计算机视觉和机器学习。他于2017年获得中国科技大学信息科学与技术学院学士学位，并于2016年7月至2017年7月在微软亚洲研究院实习。

主题:越看越好:递归注意卷积神经网络用于细粒度图像识别

共享内容:基于弱监督的细化目标识别问题近年来备受关注。现有的主流方法分为两类:识别区域的定位和细化特征的学习。本文通过设计ra-cnn的网络结构，整合不同尺度的重要区域进行分类，实现了定位和精细特征学习的相互促进，在精细目标分类任务中取得了非常理想的效果。

裘兆帆

中国科技大学-微软亚洲研究院联合培养二年级博士生，导师为研究员、田副教授。他的研究兴趣在于计算机视觉、机器学习和多媒体检索。他于2015年获得中国科技大学学士学位，并在微软亚洲研究院实习了很长时间。他参加了许多与视频分类相关的国际比赛，并取得了良好的成绩。

主题:深度量化:用深度生成模型编码卷积激活(基于深度生成模型的卷积层的特征提取和集成)

共享内容:深度卷积神经网络目前在不同的识别问题上表现出优异的性能，如何从神经网络的卷积层中提取特征并进行集成分析已经成为研究的基本问题。提出了一种基于深度生成模型的卷积层特征提取和集成方案，并将最终的全局特征应用于不同的分类问题。实验结果表明，该方法在图像精细分类和视频运动识别方面都具有良好的性能。

活动时间:8月19日下午2:00-6:30

地点:北京市海淀区双清路77号双清大厦4楼4层

注册链接:(本次活动仅限注册，名额有限。花时间注册)

leiphone/activity/view/id/2

此外，边肖热情地提醒大家，在活动现场，组织者雷锋。(公开号码:雷锋。com)将推出五本深度学习书籍，精美奖品不容错过！

雷锋原创文章。严禁擅自转载。详情请参考转载说明。