暑期课 | 视觉检索与识别的基础理论和方法
关键词：暑期课程 视觉检索
视觉检索与识别的基础理论和方法
Computation, Mathematics and Statistics for Visual Search Applications
暑期课程
2019年北京大学暑期学校就要来了！
欢迎参加暑期课程《视觉检索与识别的基础理论和方法》。本课程面向北京大学本科、研究生开放选课。
本科生选课：4月15日9:00-6月14日10:00
研究生选课：5月24日9:00-6月19日10:00
课 程 简 介
本课程结合视觉检索与识别的算法应用，着重介绍深度学习的计算、数学和统计学基础。
通过课程，同学们不仅能夯实基础，深入理解深度学习的算法原理，而且会了解广泛应用于条码识别、人脸识别、三维物体识别等领域的快速识别算法，学会权衡算法的速度和准确率。课程将突出基础知识与算法的几何内在，以帮助大家的理解和应用。
想看大师拨云见日，揭秘深度学习背后的数理基础吗？想亲手设计算法，利用自己手机上的摄像头实现物体识别吗？心动不如行动，抓紧选课吧！
课 程 导 师
陈宝权
北京大学博雅特聘教授
前沿计算研究中心执行主任
陈宝权，北京大学“博雅”特聘教授、博士研究生导师，前沿计算研究中心执行主任，中国计算机学会会士。研究领域为计算机图形学与可视化。1994年硕士毕业于清华大学电子工程专业，1999年获纽约州立大学石溪分校计算机博士学位。曾执教于明尼苏达大学、中国科学院深圳先进技术研究院、山东大学。担任“973计划”项目首席科学家，获得国家杰出青年科学基金资助，入选教育部“长江学者奖励计划”特聘教授和国家“万人计划”领军人才。获美国国家科学基金会（NSF）Career Award（2003）、IEEE可视化年会最佳论文奖（2005）、中国计算机图形学杰出奖（2014），以及明尼苏达大学国际教育特别贡献奖（2005）、中国科学院朱李月华优秀教师奖（2013）、山东大学先进教育工作者称号（2016）等重要教学科研奖励和荣誉。
Chandrajit Bajaj
美国德克萨斯大学奥斯汀分校计算机系教授
可视计算中心主任
ACM/IEEE/SIAM/AAAS Fellow
Chandrajit Bajaj教授于1984年在康奈尔大学获得计算机博士学位，先后任教于美国普渡大学、美国德克萨斯大学奥斯汀分校。Bajaj教授是德克萨斯大学奥斯汀分校可视计算中心主任、可视化计算应用数学中心主席，同时是数学系、电子和计算机工程系、生物医学工程系、感知系统中心、细胞和分子生物研究所以及学习和计算中心的教员，其研究领域为计算几何、计算机图形学、计算生物学与可视化等。Bajaj教授在德克萨斯大学奥斯汀分校多年任教Statistical & Discrete Methods of Data Sciences, Geometric Foundations of Data Sciences等课程。
Bajaj教授编辑或发表了超过300种出版物，包括225篇论文，25章书籍章节，1本书和3本编辑卷。
课 程 信 息
课程名：视觉检索与识别的基础理论和方法
Computation, Mathematics and Statistics for Visual Search Applications
课程号：04834050
学分：3
上课时间：7.1 - 7.14周一到周五
主讲老师：Chandrajit Bajaj 教授
校内导师：陈宝权 教授
助教：尹英达 yingda.yin@gmail.com
（超nice的学长，选课问题可以联系哦）
选课群体：北京大学在校本科、研究生
选课网站：http://elective.pku.edu.cn/
内 容 概 要
数值线性代数：数据矩阵计算、奇异值分解、自相关/特征值/特征向量、低阶矩阵逼近、支持向量机等；
概率、分布和采样：期望/方差/协方差/精确率、均匀和非均匀采样、压缩感知与恢复等；
计算优化方法：主成分分析、投影和随机梯度下降等；
深度学习核心技术：卷积和卷积神经网络、池化、损失函数、反向传播等。
设计并实现利用手机摄像头完成多物体识别的深度学习框架。
算 法 小 窥
Eigen-Face & Fischer-Face
EigenFace和FisherFace是人脸识别的经典算法，算法基于统计特征的方法，寻找人脸图像分布的基本元素，以近似的表征人脸图像。EigenFace基于主成分分析方法（PCA, principal components analysis），FisherFace基于线性判别分析方法（LDA, Linear Discriminant Analysis）。
拟蒙特卡罗方法
伪随机序列
低差异序列
拟蒙特卡罗方法（Quasi-Monte Carlo method） 和蒙特卡罗方法（Monte Carlo method）是解决数值积分和其他数值计算问题的经典方法。不同的是，拟蒙特卡罗方法基于低差异序列（Low-discrepancy sequence）解决上述问题，而蒙特卡罗方法使用伪随机序列（Pseudorandom sequence）。
欢
迎
选
课
实验室介绍
可视计算与学习实验室（Visual Computing and Learning, VCL）在陈宝权教授带领下，围绕图形学、三维视觉、可视化及机器人等领域展开科学研究，坚持跨学科前沿技术探索、视觉艺术和技术融合两条主线，长期与顶级国际团队深度合作，并积极进行产业化实践与推广。
更多计算机图形学与视觉的科研工作，请关注陈老师主页：https://cfcs.pku.edu.cn/baoquan/
图文 | 尹英达
Visual Computing and Learning (VCL)
近 期 热 点
— 版权声明 —
本微信公众号所有内容，由北京大学前沿计算研究中心微信自身创作、收集的文字、图片和音视频资料，版权属北京大学前沿计算研究中心微信所有；从公开渠道收集、整理及授权转载的文字、图片和音视频资料，版权属原作者。本公众号内容原作者如不愿意在本号刊登内容，请及时通知本号，予以删除。
点“阅读原文”转选课网站