AI Yanxishe صحفي: 12 أغسطس، وفاز GAIR (الذكاء الاصطناعي العالمي والآليات) شبكة لى فنغ في محاضرة جامعة شنغهاي جياو تونغ من الأنشطة الأكاديمية تقاسم CVPR نظمت جمهور الطلاب على حد سواء. لهذا لم اللحاق مع الطلاب الذين يحضرون هذا الحدث، يرجى إيلاء الاهتمام للتركيز على تغطية المحتوى لى فنغ شبكة GAIR قاعة محاضرات كبيرة. بدأت GAIR قاعة المقبل التحاق خاص تسينغهوا، وهذا ما دعا أيضا للمشاركة في CVPR 2017 والأبحاث الأكاديمية فهرستها من قبل الشباب. العطلة الصيفية، إذا كنت البقاء في المدرسة، سيكون قريبا الانخراط في ذلك! هذا هو بالتأكيد الأكاديمية والمسؤول فرصة جيدة لتحسين معرفتهم مؤتمر أكاديمي دولي كبير!

(وو جيا جون الطلاب الذين يتحدثون واحدة من جامعة شنغهاي جياو تونغ محطة حصة في التقدم)

بعض الفهم للمجتمع الأكاديمي للطلاب معرفة اجتماع CVPR. CVPR (المؤتمر الدولي للرؤية الحاسوب والتعرف على الأنماط) هي المحتوى التقني للمؤتمر الأكاديمي السنوي الذي IEEE المنظمة، وركز الاجتماع على رؤية الكمبيوتر والتعرف على الأنماط. على مختلف الإحصاءات المؤتمرات الأكاديمية، CVPR له تأثير قوي جدا وارتفاع الترتيب. خاصة هذا العام في هاواي فقط انتهت CVPR عام 2017، العديد من الشركات المحلية وتشارك مختبرات أبحاث الذكاء الاصطناعى والجامعات في العمق، والأوساط الأكاديمية والصناعية ويمكن القول أن يعطى درجة عالية من القلق، وجمع النهائي من الأوراق والرقم المرجعي فإن عدد منهم رقما قياسيا من CVPR.

لمثل هذا المؤتمر الأكاديمي الأعلى، والغالبية ليس لديهم فرصة لحضور هذا الحدث بالإضافة إلى الطلاب الذين يقرأون المقال المتعلق بالموضوع، فإنه سوف أيضا كيف أعمق، فهم أصدق الأكاديمية تحقيق CVPR 2017 ذلك؟ GAIR قاعة تحمل أربع ورقات أمام المتحدثين ونحن نعمل معا لاستعادة المشهد CVPR ذلك الحين، وأربعة ضيوف شرح مضمون أوراقهم في الموقع CVPR وتبادل الخبرات ويعتقد المشاركون في CVPR انهم سوف مشاركة لك أوراق تسليم تلعب دورا مباشرا في المساعدة!

GAIR قاعة CVPR الدورة تسينغهوا

ضيف مقدمة

قطاع تشى يويه

الصف الثالث جامعة تسينغهوا المعلم الدكتوراه أستاذ تشو جي، أستاذ مشارك وLuji ون. بحثه هو أن الهوية البصرية، وخصائص الثنائية من التعلم والتعلم غير خاضعة للرقابة. وقبل ذلك، حصل على درجة البكالوريوس من جامعة تسينغهوا في عام 2014.

الموضوع: التعلم العميق الثنائي واصف مع موضوع تكميم (متعدد تكميم دراسة متعمقة من الميزات ثنائي)

حصة المحتوى: ثنائي دراسة ميزة عمق بسبب التخزين لديها كفاءة والمطابقة، وثابتة في السنوات الأخيرة اهتماما في الأوساط الأكاديمية. حيث عمق أسلوب التعلم التقليدي باستخدام قيمة دالة الإشارة الثنائية من الخصائص الحقيقية binarized، لا تضع في اعتبارها توزيع البيانات، مما أدى إلى فقدان كميات أكبر. هذه المقالة سوف نقوم بمعالجة binarization كما متعددة الكمي، غير خاضعة للرقابة، وتكميم متعددة الترميز الخوارزمية على أساس شبكة K- عمق الذات، وتطبيقه على دراسة معمقة مميزة الثنائية، دراسة متعددة ثنائي ميزة عمق لقياس وخفض binarizing خسائر كميا. وتظهر النتائج التجريبية فعالية هذا الأسلوب.

سون قانغ

العزم R & مدير D، المؤسس المشارك لمواز عالية الأداء والحوسبة خبراء الأنظمة، وعلى نطاق واسع خبير التعرف على الصور، ImageNet 2017 صورة بطل تصنيف، ImageNet 2016 الوصيف تصنيف المشهد، دكتوراه أكاديمية الصينية للعلوم جامعة في رؤية الكمبيوتر المهنية.

موضوع: ImageNet نموذج بطل SE-نت تفصيلا

حصة المحتوى: يقترح المؤلف وحدة الشبكة العصبية جديدة تسمى الضغط والإثارة (قصيرة SE)، من أجل تعزيز كثيرا من دقة هذا النموذج. الإثارة من الضغط والتشغيل، وحدة SE الأوزان إعادة توزيع تلقائيا خصائص وميزات تحسين مفيدة لتحديد الهوية، وغير فعالة أو قمعها ميزات فائدة تذكر. في الحالة التي يكون فيها إدخال كمية صغيرة جدا من الحساب والمعلمات، وسوف يعزز كثيرا من أداء معظم بنية الشبكة الحالية.

ييباو يانغ

قسم الهندسة الإلكترونية وعلوم المعلومات، جامعة العلوم والتكنولوجيا في الصين في السنة الأولى من الدكتوراه الطالب والمدرس والباحث، البروفيسور مي تاو لوه Jiebo. وتشمل اهتماماته البحثية رؤية الكمبيوتر، وتعلم الآلة. حصل على درجة الليسانس في كلية العلوم وتكنولوجيا المعلومات، جامعة العلوم والتكنولوجيا في الصين في عام 2017، والمعتقلين في مايكروسوفت للبحوث آسيا في يوليو 2016 إلى يوليو 2017.

موضوع: نظرة أقرب لرؤية أفضل: المتكررة الاهتمام التلافيف الشبكة العصبية للغرامة الحبيبات صورة الاعتراف (التعرف على الأشياء غرامة على أساس الشبكات العصبية التفاف عودي الاهتمام النموذجي)

حصة المحتوى: جذب الكثير من الاهتمام في السنوات الأخيرة، استنادا إلى صقل مشكلة التعرف على الأشياء من ضعف الرقابة. القائمة الطرق الرئيسية بطريقتين: تحديد قوة للمنطقة لتحديد المواقع لصقل وميزات التعلم. CVPR في هذه المقالة، مؤلف تصميم هيكل شبكة CNN RA-من المجالات الهامة على مستويات مختلفة من تصنيف معا لتحقيق الترويج المتبادل بين المواقع وغرامة يتميز التعلم، وتصنيف الكائنات في غرامة حققت نتائج مرضية للغاية على المهمة.

تشيو فان تشاو

جامعة الصين للعلوم والتكنولوجيا - مايكروسوفت للبحوث آسيا التدريب المشترك في السنة الثانية المعلم الدكتوراه للباحث مي تاو وأستاذ مشارك تيان Xinmei. وتشمل اهتماماته البحثية رؤية الكمبيوتر، والتعلم الآلي والاسترجاع الوسائط المتعددة. حصل على درجة البكالوريوس من جامعة العلوم والتكنولوجيا في الصين كان في عام 2015، والتدريب على المدى الطويل في مايكروسوفت للبحوث آسيا. وقد شارك في تصنيف لعبة فيديو الدولي ذات الصلة وتحقيق نتائج أفضل.

الموضوع: ديب تكميم: الترميز التلافيف التنشيط مع ديب المولدة نموذج (ميزة استخراج طبقة عمق التكامل التلافيف على نموذج ولدت)

مشاركة المحتوى : تعكس عمق الحاضر الشبكة العصبية التلافيف والأداء الممتاز في مشكلة الاعتراف المختلفة، وكيفية استخراج ملامح من طبقة الشبكة العصبية التلافيف وجعل التحليل المتكامل يصبح السؤال الأساسي في الدراسة. المقترح هنا برنامج استخراج بناء على طبقة التكامل التلافيف حيث نموذج الجيل العمق، وما ينجم عنها من تصنيف ميزة العالمي بين التطبيقات المختلفة. وقد اظهرت النتائج أن الصورة والاعتراف الحركة فيديو تصنيف غرامة مشكلتين، والتي تنعكس في أداء أفضل.

الوقت: 19 أغسطس في الساعة 2: 00-6: 30

المكان: 77 Shuangqing الطريق، هايديان، بكين Shuangqing مبنى المستشفى والبناء 44 طبقة

رابط التسجيل :( يقتصر هذا النشاط على الانخراط التحاق عجل الأماكن محدودة)

https://www.leiphone.com/activity/view/id/2

أيضا سلسلة صغيرة دافئة لتذكيرك: هذا الحدث، والمنظمين سوف ترسل خمسة شبكة لى فنغ الكتب "التعلم العميق"، وجائزة خاصة لا ينبغي تفويتها!