20170906-20 张鼎文：Weakly Supervised Visual learning

报告嘉宾：张鼎文（西北工业大学）

报告时间：2017年08月30日（星期三）晚上20:00（北京时间）

报告题目：Weakly Supervised Visual learning

主持人：韩军伟（西北工业大学）

报告摘要：

随着视觉数据海量式的增长，具有处理大规模数据能力的学习模型（如深度学习）在视觉学习系统中的核心作用日益凸显，对提升各项视觉任务的性能起着至关重要的作用。一般情况下，此类视觉学习方法需要依赖人工标注的数据来训练特定任务下的学习模型。然而，为了训练这些模型，人们需要耗费大量的精力与时间来为数据提供标注。在视觉大数据背景下，这种人工标注的模式并不能适应视觉学习算法的需求，甚至有可能阻碍视觉学习系统对视觉大数据的利用。因此，以自主理解与分析图像及视频的（语义）内容为目的的弱监督视觉学习系统成为了新一代人工智能研究领域中的重中之重。本次报告将介绍弱监督视觉学习的基本概念，回顾该领域内研究工作的发展历程，并对我们在弱监督视觉学习方面的一些工作进行介绍和分享。

相关论文：

[1] D. Zhang, L. Yang, D. Meng, D. Xu, J. Han. SPFTN: A Self-Paced Fine-Tuning Network for Segmenting Objects in Weakly Labelled Videos. CVPR, 2017.

[2] D. Zhang, J. Han, Y. Yang, D. Huang. Learning Category-Specific 3D Shape Models from Weakly Labeled 2D Images. CVPR, 2017. 

[3] D. Zhang, D. Meng, L. Zhao, J. Han. Bridging Saliency Detection to Weakly Supervised Object Detection Based on Self-paced Curriculum Learning. IJCAI, 2016.

[4] D. Zhang, D. Meng, J. Han. Co-Saliency Detection via a Self-Paced Multiple-Instance Learning Framework. T-PAMI, 2017.

[5] J. Han, D. Zhang, G. Cheng, L. Guo, J. Ren. Object Detection in Optical Remote Sensing Images Based on Weakly Supervised Learning and High-Level Feature Learning. T-GRS, 2015. 

报告人简介：

张鼎文，西北工业大学博士研究生，卡耐基梅隆大学访问学生。2012年获得西北工业大学学士学位，后相继保送为自动化学院模式识别与智能系统硕士、博士研究生，研究方向为计算机视觉与机器学习，导师为韩军伟教授。自2015年10月起，获得国家留学基金委资助，在卡耐基梅隆大学进行为期2年的访问研究。先后在包括IEEE T-PAMI、IJCV、CVPR、ICCV等本领域知名国际期刊与会议上发表学术论文20余篇。

特别鸣谢本次Webinar主要组织者：

VOOC责任委员：韩军伟（西北工业大学）

VODB协调理事：纪荣嵘（厦门大学）