报告时间：2021年5月20日（星期四）9:30-11:30
讲者：高陈强 博士、贾骏雄 博士、贾西西 博士、束俊
报告地点：哈工大科学园 科技创新大厦J1622
主持人：左旺孟 博士
报告安排：
9:30-10:00
1. 报告一题目：红外视频行为分析及智慧校园中的视觉分析
报告摘要：依靠探测物体热辐射的红外被动成像具有诸多优势，如可全天候成像、探测距离远、受环境光影响相对较小、保护隐私等。此报告将对红外监控视频中的行为识别与检测任务进行介绍。同时，此报告还将介绍讲者在智慧校园中的教室人数分析、课堂学生姿态检测等方面所做的一些研究工作。
讲者简介：高陈强，教授，博士生导师，中国地质大学（武汉）学士，华中科技大学图像所博士，卡内基梅隆大学（CMU）计算机学院博士后，重庆市首批高等学校青年骨干教师，信号与信息处理重庆市重点实验室常务副主任，重庆邮电大学人才办副主任。主要从事红外图像/视频分析、校园监控图像/视频分析等相关应用领域的研究。主持国家自然科学基金2项、教育部人工智能战略项目子课题1项，重庆市自然科学基金3项、企业横向课题多项，部分技术已经投入实际应用。在CVPR、ECCV、AAAI、ACCV、ICMR、等国际会议，TIP、TMM、TGRS、PR等期刊发表论文70余篇。
10:00-10:30
2. 报告二题目：Stein variational gradient descent on infinite-dimensional space and applications to statistical inverse problems
报告摘要：For solving Bayesian inverse problems governed by large-scale forward problems, we present an infinite-dimensional version of the Stein variational gradient descent (iSVGD) method, which has the ability to generate approximate samples from the posteriors efficiently. Specifically, we introduce the concept of the operator-valued kernel and the corresponding function-valued reproducing kernel Hilbert space (RKHS). Through the properties of RKHS, we give an explicit meaning of the infinite-dimensional objects (e.g., the Stein operator) and prove that the infinite-dimensional objects are indeed the limit of finite-dimensional items. Furthermore, by generalizing the change of variables formula, we construct iSVGDwith preconditioning operators, yielding more efficient iSVGD. During these generalizations, we introduce a regularity parameter 0<s<1. Our analysis shows that the intuitive trivial version (i.e., by directly taking finite-dimensional objects as infinite-dimensional items) of iSVGD with preconditioning operators (s=0) will yield inaccurate estimates, and the parameter s should be chosen larger than 0 and smaller than 0.5. Finally, the proposed algorithms are applied to an inverse problem governed by the Helmholtz equation. Numerical results confirm the correctness of our theoretical findings and demonstrate the potential usefulness of the proposed approach in the posterior sampling of large-scale nonlinear statistical inverse problems.
讲者简介：贾骏雄 博士2015年毕业于西安交通大学且于同年留校任教，2017年聘为西安交通大学数学学院副教授，主要研究领域为反问题的贝叶斯推断方法。主持国家自然科学基金青年、面上项目各一项，2017年获得陕西省优秀博士学位论文奖、陕西省数学会优秀论文奖，2018年获西安交通大学第四届十大学术新人奖，2020年入选陕西高校青年杰出人才支持计划。在Inverse Probl., SIAM系列, J. Funct. Anal., J. Differential Equations等国际著名期刊上共发表论文27篇。
10:30-11:00
3. 报告三题目：Generalized Unitarily Invariant Gauge Regularization for Fast Low-Rank Matrix Recovery
报告摘要：低秩矩阵逼近/复原问题在图像处理，计算机视觉和推荐系统中有着非常广泛的应用。传统方法求解大规模低秩矩阵逼近问题需要多次计算矩阵奇异值分解，使得算法的计算效率大大降低。本报告介绍一种广义的酉不变Gauge正则方法来实现快速低秩矩阵复原，并证明了酉不变Gauge正则和奇异值正则的等价性。该方法对矩阵奇异值正则问题给出了一种矩阵分解的刻画，基于矩阵分解形式，论文设计快速高效的低秩矩阵复原算法，避免了传统方法迭代多次计算大规模矩阵奇异值分解。论文提出的方法成功的应用到大规模低秩矩阵复原问题以及推荐系统中，大大缩短了计算时间提高了矩阵复原问题的准确度。
讲者简介：贾西西，西安电子科技大学数学与统计学院副教授，主要研究方向包括：低秩矩阵逼近问题，深度学习的优化方法以及深度学习在图像复原问题中的应用。目前发表期刊和会议论文十余篇，其中包括TIP，TNNLS, Information Sciences以及CVPR等。
11:00-11:30
4. 报告三题目：MLR-SNet: Transferable LR Schedules for Heterogeneous Tasks
报告摘要：The learning rate (LR) is one of the most important hyper-parameters in stochastic gradient descent (SGD) algorithm for training deep neural networks (DNN). However, current hand-designed LR schedules need to manually pre-specify a fixed form, which limits their ability to adapt practical non-convex optimization problems due to the significant diversification of training dynamics. Meanwhile, it always needs to search proper LR schedules from scratch for new tasks, which, however, are often largely different with task variations, like data modalities, network architectures, or training data capacities. In this talk, I will present our proposed method to address above learning-rate-schedule setting issues.
讲者简介：束俊, 西安交通大学数学与统计学院博士生。2016年获西安交通大学理学学士学位。2016年起，在西安交通大学攻读应用数学博士学位。研究方向为机器学习，元学习，小样本学习以及在计算机视觉上的应用。已发表 CCF A类会议3篇。
