中科院数学与系统科学研究院
数学研究所
计算机科学研讨班
报告人:周水庚 教授 (复旦大学)
题 目:全局语义一致的零样本学习
时 间:2018.06.25(星期一), 10:45-11:45
地 点:数学院南楼N109室
摘 要:零样本学习(Zero Shot Learning, ZSL)是为了解决当标注训练样本不能覆盖所有目标类别时的一类机器学习方法,即在训练阶段不使用测试阶段目标类别的样本。在ZSL中,需要借助目标类别与训练类别所共有的辅助信息,来建立它们之间的联系,从而将训练类别学到的视觉特征与辅助信息的关联迁移到目标类别上。针对现有ZSL方法的不足,本报告介绍一种新的端到端的零样本学习框架——全局语义一致网络(GSC-Net),在训练阶段充分利用了全体类别的语义信息。在GSC-Net基础上,通过引入了一种带可调参数的新类监测机制来区分新图像属于可见类还是未见类,GSC-Net也可应用于解决广义零样本学习(Generalized Zero Shot Learning, GZSL)问题。实验表明,不管在ZSL还是GZSL任务上,GSC-Net的性能都优于已有方法。
---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
报告会:计算机视觉 + 大数据+机器学习
薛向阳:计算机视觉任务与深度神经网络结构(8:30-9:30)
周傲英:未来已来,一切重构——大数据带来的启示(9:30-10:30)
周水庚:全局语义一致的零样本学习 (10:45-11:45)
时 间:2018.06.25(星期一)
地 点:数学院南楼N109室
---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
报告人:薛向阳 教授 (复旦大学)
题 目:计算机视觉任务与深度神经网络结构
时 间:2018.06.25(星期一), 8:30-9:30
地 点:数学院南楼N109室
摘 要:本报告介绍图像目标分类、目标检测、语义分割、实例分割、内容描述及问题回答等计算机视觉任务所对应的深度神经网络结构,讨论这些网络结构的特点,并报告我们在目标检测、分类识别等视觉任务上的研究进展。
---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
报告人:周傲英 教授 (华东师范大学)
题 目:未来已来,一切重构——大数据带来的启示
时 间:2018.06.25(星期一), 9:30-10:30
地 点:数学院南楼N109室
摘 要:在人类的文明史上,从来没有哪一项科研成果像互联网这样对世界和人类本身产生如此深刻且深远的影响。 “互联网改变世界”这一断言得到越来越多人的认可。互联网提供崭新的人和人之间的连接方式,互联网平台通过搜集和利用行为数据来改善用户体验。互联网催生了大数据,成就了“大数据”国家战略。数据的重要程度堪比新的电力(Data Power)。互联网和大数据对信息化以及教育等行业带来影响,会促成教育的深刻和深层次的变革。开放的互联网也为封闭的数据库带来新的机遇。
附件 |
---|
相关文档 |
---|