IVPAI2020 博士生论坛

IVPAI2020将设立“博士生论坛”,旨在为博士生提供与学界青年榜样深入交流探讨的平台,支持人工智能领域年轻研究人才的成长。通过与同行和专家进行面对面交流,获得前沿知识和专业性指导,了解未来职业及学术规划,同时也为博士研究生提供和领域专家密切合作的机会。
组委会将从IVPAI2020录用论文中筛选出优秀博士生论文,第一作者将被邀请参加“博士生论坛”,在会上发表口头报告,并可参选“IVPAI2020优秀博士生论文奖”。
欢迎广大博士研究生踊跃投稿参加!

参加方式

投递全文或摘要至IVPAI2020,被录用的文章将出版在SPIE Digital Library(EI、ISTP、SCOPUS检索),符合条件(第一作者为在读博士研究生)的优秀论文将被推荐至本论坛发表口头报告。具体投稿方式请查看投稿页面。

投稿须知:

  • 被录用的摘要将收录在会议论文集中,但不被SPIE Digital Library出版。
  • 投稿时可备注:拟参加博士生论坛
  • 全文论文需为英文,必须未公开发表过,文章使用SPIE会议论文模板。
  • 被筛选参加本论坛的博士研究生,除本论坛外,可参免费加大会其他论坛。

重要日期:
投稿截止:2020年6月25日
录用通知:2020年7月10日
博士生论坛日期:2020年8月23日下午

论坛主席: (更新中)

刘驰


博士生导师、北京理工大学计算机学院副院长
IET Fellow
刘驰,教授、博士生导师、北京理工大学计算机学院副院长、英国工程技术学会会士(Fellow of IET)、 英国计算机学会会士(Fellow of British Computer Society)和英国皇家艺术学会会士(Fellow of Royal Society of the Arts)。2006年本科于清华大学电子工程系,2010年博士毕业于英国帝国理工学院。后在美国IBM TJ Watson研究中心和IBM中国研究院任研究主管。主要研究方向是:大数据、人工智能和物联网技术。发表高水平SCI/EI论文百余篇,其中CCF-A类论文21篇,授权国内外发明专利16项,编著中英文书籍9本,Google Scholar统计引用3500余次,H index为28。获得省部级一等奖、二等奖、三等奖各1项。   现任国家自然科学基金会评专家、科技部重点研发计划会评专家、第四节全国信标委技术委员会委员、中国计算机学会物联网/大数据/普适计算专委会委员、中国自动化学会大数据专委会委员、中国电子学会物联网专委会副秘书长、中国电子学会物联网青年专业技术组秘书长、中国卫生信息学会大数据健康医疗保险特别委员会委员、中国工程院“十三五”战略性新兴领域高级咨询专家等。

纪荣嵘


厦门大学信息学院 人工智能系 教授,博士生导师
纪荣嵘,厦门大学教授,国家优秀青年科学基金获得者,厦门大学信息学院人工智能系博士生导师,媒体分析与计算实验室主任。主要研究方向为计算机视觉、多媒体技术和机器学习。近年来发表PAMI(4)、IJCV(2)、ACM汇刊、IEEE汇刊共49篇,CVPR、NeurIPS等中国计算机学会推荐A类国际会议长⽂88篇(其中第⼀作者/通讯作者共计47篇)。论文谷歌学术引用8938次,H指数46,SCI他引3328次,ESI⾼被引论⽂8篇,获批中美专利8项。曾获2007年微软学者奖、2011年ACM Multimedia最佳论文奖、2015年省自然科学二等奖(第2)、2016年教育部技术发明一等奖(第4)、2016年厦门市科技创新杰出⼈才奖、2018年省科技进步一等奖(第1)、2019年福建省青年科技奖。曾/现主持国家重点研发计划课题1项,国家自然科学基金项目3项(联合重点/优青/面上各1项)。受邀任ACM Transactions on Intelligent Systems and Technology与IEEE Multimedia等十余个SCI国际期刊客座编辑/副编辑,任中国计算机学会A类国际会议IEEE CVPR 2021、ACM Multimedia 2020/ 2019/2018领域主席等十余次国际会议主席/领域主席/专题主席,任NeurIPS/ICML/CVPR/ICCV/ ECCV/IJCAI/AAAI等中国计算机学会 A类国际会议程序委员会委员二十余次、2014年至今担任IEEE Multimedia Communication技术委员会Visual Analysis and Content Management专家组主席。任中国图象图形学学会青工委副主任、中国自动化学会粒计算与多尺度分析专委会副主任、中国计算机学会计算机视觉专委会常务委员、中国计算机学会学术工委委员、教育部电子信息类教指委人工智能专业建设咨询委员会委员、2017国家自然科学基金委面地青项目、2018国家自然科学基金委重点项目、2018国家自然科学基金委通用联合项目会评专家。
演讲题目:紧致化计算机视觉系统 Compact Computer Vision Analysis System

张兆翔


中国科学院自动化研究所研究员,博士生导师,安徽大学研究生导师,中国科学院大学岗位教授
中国科学院脑科学与智能技术卓越创新中心年轻骨干,IEEE高级会员,CCF高级会员,VALSE在线理事会成员,计算机学会YOCSEF委员,计算机视觉专委会委员,模式识别与人工智能专委会委员,人工智能学会模式识别专委会委员,中国图像图形学会会员发展与服务委员会副主任。



演讲: (更新中)

李爽

北京理工大学计算机学院预聘助理教授、特别副研究员、硕士生导师

分别于2012年、2018年自东北大学、清华大学自动化系获得工学学士、博士学位,于2015年11月-2016年6月在美国康奈尔大学计算机学院进行学术访问,于2016年11月-2017年2月在微软亚洲研究院实习。主要研究方向为机器学习、深度学习与迁移学习等。其研究成果发表在IEEE Transactions on Image Processing (IF : 4.828, CCF-A类)、IEEE Transactions on Neural Networks and Learning Systems (IF: 6.108,大类1区, 小类1区)、IEEE Transactions on Cybernetics (IF : 7.384,大类1区, 小类1区)、IEEE Transactions on Systems, Man, Cybernetics : Systems (IF: 5.131)、Neurocomputing (IF : 3.317)等国际期刊,获得北京理工大学青年教师学术启动计划等科研项目资助。


李文斌

博士,南京大学计算机科学与技术系特任助理研究员

2019年于南京大学计算机科学与技术系获博士学位,2013年于中国矿业大学计算机学院获学士学位,并于2017年在美国University of Rochester博士联合培养18个月。研究方向为机器学习和计算机视觉,具体包括度量学习,小样本学习,对抗学习和生成对抗网络等。目前在相关研究领域的国际期刊与会议上发表论文20余篇,包括CVPR、AAAI、IJCAI、Pattern Recognition、MICCAI和BMVC等。担任若干国际期刊与会议(如Neural Networks、Neurocomputing、TNNLS、CVPR、AAAI)的审稿人。
报告题目:Few-shot Learning in a Nutshell
摘要:Few-shot learning is a learning mechanism that tries to learn and understand new concepts (or categories) from only one or few examples. Humans can learn new concepts with very few instances, and have a strong generalization capability for their variants. Unfortunately, many current machine learning algorithms do not have such a strong generalization ability to identify a new category. Moreover, in some real applications, new samples from new categories are usually difficult to obtain. It is even more difficult to make annotations in many applications. Therefore, learning new categories with very few samples becomes an urgent and important problem. In this talk, we will first give a short review of the development of few-shot learning, and then introduce our some works on this field.


李永露

博士,上海交通大学,Machine Vision and Intelligence Group

报告题目:知识驱动的人类行为理解
摘要: 传统的行为理解往往采用从像素直接到语义概念的范式,不同于物体识别或检测,行为理解的图片的复杂多样性模式、长尾数据分布等使得现有的DNN方法遇到了性能瓶颈和可解释困难。Human Activity Knowledge Engine (HAKE)旨在借助人类的先验知识,改进现有的学习范式,在像素与高阶语义概念间加入人体局部语义状态这一中间层,并构建了一个大型人体局部行为语义知识库,包含了多样的行为数据和丰富的人体局部语义标注。通过结合自然语言知识、三维人体知识,HAKE在多个权威行为理解基准上上取得了较大的性能提升,并为下一代行为理解与推理提供了数据、任务及平台。



联系方式:
关于博士生论坛,可咨询会务组
邮箱:submission@ivpai.org
QQ:2641394429