设为首页收藏本站

VALSE

查看: 115|回复: 0

18-22期VALSE Webinar会后总结

[复制链接]

103

主题

103

帖子

985

积分

管理员

Rank: 9Rank: 9Rank: 9

积分
985
发表于 2018-8-2 18:19:03 | 显示全部楼层 |阅读模式
南京理工大学李泽超教授2018年7月25日VALSE Webinar 成功举办。

李泽超,南京理工大学计算机科学与工程学院教授。分别于2008年和2013年毕业于中国科学技术大学和中国科学院自动化研究所。研究兴趣主要是媒体智能分析,社交媒体挖掘等。相关研究成果发表ACM/IEEE Transactions或者CCF A类会议论文30余篇;2017年获得江苏省杰出青年基金资助,入选中国科协青年人才托举工程,获得2017年江苏省科学技术一等奖(排名第三)、2015年中科院优秀博士论文奖、2015年CCF优秀博士论文奖等。目前担任CCF多媒体技术专委会副秘书长、江苏省人工智能学会机器学习专委会常务委员。

李泽超教授Webinar的题目为:社交网络图像理解。

在报告中,李泽超教授针对图像视频大数据智能理解,从底层特征表示到高层语义理解展开研究。提出了多种面向语义理解的特征选择方法以及特征抽取方法,从原始特征中选择有效的特征子集以及学习到一个有效的特征表示;提出了渐进式度量学习方法,挖掘社交网络的上下文信息,建立底层特征与高层语义之间的语义映射;提出了分析社交网络用户信息的三元张量分解模型,解决了超级稀疏以及计算量大的问题,提高社交网络图像的标签质量。

问答部分:

问题1:岭回归和脊回归有什么区别?
回答:没有本质区别,只是翻译的不同。

问题2:图像检索是否可以用KCF实现?
回答:如果只考虑视觉相似性,是完全可以利用KCF的策略,来计算目标相似性。

问题3:是否对比过矩阵的各个类别对角结构和组稀疏的方法?
回答:在这个工作中没有将对角结构与组稀疏的结果进行对比。

问题4:能再展示一下网络理解的结果吗?
回答:PPT里没有专门展示对应的结果,相关的结果可参见将特征学习与语义理解融合的这个工作的结果。

问题5:目标函数是如何生成设计的?
回答:具体目标函数的设计与所解决的任务以及所希望的特性有关。以矩阵分解为例,损失函数的形式就是传统的函数,而正则项是与具体目标相关的。针对同一个目标,仍然可以采用不同的函数进行建模,在我们的工作里面,我们仅仅是采用了简单的线性方式实现。

问题6:特征去除冗余无关的最后一般还有多少维?
回答:特征选择的过程中,多少维特征往往用户根据解决的任务以及可用的计算资源来决定,而不是靠模型直接得到去冗余后的维度数目。

问题7:能否介绍一下基于子空间学习的多媒体内容分析与理解?
回答:这属于框架性的范畴,在多媒体分析与理解中,是为多媒体数据学习得到一个子空间,在这个子空间中可以度量多媒体数据之间的相关性,从而实现图像的分析和理解。比如在最后一个工作中,我们为图像和标签同时一个子空间,得到图像和标签在该子空间中的表示,就可以有效度量图像-图像,图像-标签,标签-标签间的关系,从而实现图像标注、基于内容和标签的图像检索甚至标签扩展。

问题8:请整体介绍社交图像理解的任务?
回答:对于社交网络的图像标签场景,一方面试图利用社交网络提供的标签,一方面要去除冗余标签、噪声标签,补充相关标签,进而提高标签质量。

问题9:去除噪声标签相关方法?
回答:一方面要根据所要解决的任务确定是否是噪声标签,在通用场景下,一般认为与语义内容无关的标签就是噪声标签,而在考虑用户个性化时,如果标签隐含了用户的个性化偏好,也许与视觉信息无关,此时标签并不是噪声。没有统一的标签噪声定义,要具体问题具体分析。在处理噪声标签时,一般是基于信息传播模型的。

问题10:请分析下非负谱聚类分析和潜在结构分析的无监督特征选择方法?
回答:在这个工作中,同时考虑了两个方面。第一个方面是谱聚类,提出了非负谱聚类,希望在无监督条件下挖掘出数据的判别信息,用来指导特征选择的过程;第二个方面是使用原始特征以及特征的组合关系联合预测数据的判别信息。将判别式信息的挖掘和无监督方法融合在一起,得到最佳结果。

问题11:所用的标签是标注词吗?实际用时是作为文本提取特征还是用0/1表示的?
回答:在我们的工作中,标签是用户提供的key words,一般是用01表示的。

问题12:用户标签能不能理解成与朋友圈图像一块的文本语句?
回答:我们的数据是从flick网站得到,上面有专门打标签的机制。对朋友圈的场景,需要自然语言工具来提取key words,转换成标签信息。

录像视频在线观看地址:
http://www.iqiyi.com/u/2289191062

本期PPT不公开。

特别鸣谢本次Webinar主要组织者:
VOOC责任委员:严骏驰(上海交通大学)
VODB协调理事:王瑞平(中科院计算所)

活动参与方式:
1、VALSE Webinar活动依托在线直播平台进行,活动时讲者会上传PPT或共享屏幕,听众可以看到Slides,听到讲者的语音,并通过聊天功能与讲者交互;
2、为参加活动,请关注VALSE微信公众号:valse_wechat 或加入VALSE QQ群(目前A、B、C、D、E、F、G群已满,除讲者等嘉宾外,只能申请加入VALSE H群,群号:701662399);
*注:申请加入VALSE QQ群时需验证姓名、单位和身份,缺一不可。入群后,请实名,姓名身份单位。身份:学校及科研单位人员T;企业研发I;博士D;硕士M。
3、在活动开始前5分钟左右,讲者会开启直播,听众点击直播链接即可参加活动,支持安装Windows系统的电脑、MAC电脑、手机等设备;
4、活动过程中,请不要说无关话语,以免影响活动正常进行;
5、活动过程中,如出现听不到或看不到视频等问题,建议退出再重新进入,一般都能解决问题;
6、建议务必在速度较快的网络上参加活动,优先采用有线网络连接;
7、VALSE微信公众号会在每周一推送上一周Webinar报告的总结及视频(经讲者允许后),每周四发布下一周Webinar报告的通知及直播链接。


回复

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

Archiver|手机版|小黑屋|Vision And Learning SEminar    

GMT+8, 2018-8-19 20:01 , Processed in 0.059041 second(s), 25 queries .

Powered by Discuz! X3.2

© 2001-2013 Comsenz Inc.

快速回复 返回顶部 返回列表