Valse2019 workshop 1： 弱监督视觉理解1

本文中参考资料：

#报告题目：

- 面向开放环境的自适应感知:  

解析：该题目取自于"科技创新2030"新一代人工智能”重大项目2018年度项目申报指南征求意见稿"。针对应用场景变换易导致智能系统性能急剧下问题， 发展适应能力强的层次化网络结构、可连续学习的机器学习策略及一般性效能度量方法，突破无监督学习、经验记忆利用、内隐知识发现与引导及注意力选择等难点，推动形成开放环境和变化场景下的通用型感知智能。

#报告摘要：

现有视觉学习技术通常依赖于大规模精确标注的训练数据。在典型实验室环境下设计和训练的人工智能模型，在行业应用场景变换时，容易导致系统性能急剧下降。本报告将从弱监督视觉理解的角度，介绍在降低模型对特定应用场景数据依赖方面所开展的一些研究工作，主要包括如何学习一些通用属性，并利用这些通用属性构建弱监督学习模型。

#讲者简介：

程明明，1985年生。2012年博士毕业于清华大学，之后在英国牛津从事计算机视觉研究，并于2014年回国任教，2016年起任南开大学教授，国家“万人计划”青年拔尖人才，首批天津市杰出青年基金获得者。其主要研究方向包括：计算机图形学、计算机视觉、图像处理等。已在IEEE PAMI, ACM TOG等CCF-A类国际会议及期刊发表论文30余篇。相关研究成果论文他引10,000余次，最高单篇他引2,000余次。其研究成果在华为、腾讯等公司的旗舰产品中得以应用。其中，显著性物体检测技术被华为Mate 10等旗舰手机作为亮点特性，于产品发布会中展示。其研究工作曾被英国《BBC》、德国《明镜周刊》、美国《赫芬顿邮报》等权威国际媒体撰文报道。

讲者主页：https://mmcheng.net/zh/cmm/