|
中山大学马锦华副教授2018年9月5日VALSE Webinar 成功举办。
马锦华，博士毕业于香港浸会大学，曾于美国罗格斯大学与美国约翰霍普金斯大学（世界综合大学排名前20）进行博士后科研工作，现为中山大学数据科学与计算机学院副教授；他的研究兴趣包括机器学习（分类器/特征融合、迁移学习、半/弱监督学习等）、计算机视觉（智能视频监控、行为识别、行人再识别等）、医疗大数据分析（缺失数据处理、时间序列分析、肝病诊断预测模型等）；他的研究成果发表于机器学习与计算机视觉领域的国际权威期刊（如IEEE TPAMI，IJCV，IEEE TIP等）、国际权威会议（如ICCV，CVPR，ECCV、MICCAI等）、医学领域的国际权威期刊（如Alimentary Pharmacology & Therapeutics，Critical Care Medicine等）；他是SCI杂志Journal of Electronic Imaging的副编辑和多个国际权威期刊的审稿人（如IEEE TIP, IEEE TCYB, IEEE TIFS, PR等）。
中山大学马锦华副教授Webinar的题目为：Towards Assumption-free Unsupervised Domain Adaptation for Visual recognition.
在报告中，马锦华副教授介绍了自己最近工作：Towards Assumption-free Unsupervised Domain Adaptation for Visual recognition。众所周知，分类器/检测器的性能从一个数据集迁移到另一个数据集将会下降，即数据集偏置问题。领域迁移被证明是解决此类问题的一个有效方法。当目标域没有标签时，许多现有无监督领域自适应方法假设源域和目标域的条件分布一致，他们的联合分布可通过匹配边缘分布对齐。然而，实际引用中这个假设是否成立无法验证。在本次报告中，他简要地回顾了领域迁移的基本原则；然后讲述了一些无需条件分布一致假设的近期工作，包括无监督领域自适应的行人重识别和目标识别的研究工作。
问答部分：
问题1：提出的四种方法，哪种方法最好？或者说，他们各自的优缺点如何？ 回答：四种方法很难说哪种好。Positive region对行人重识别可能是更好的方法，因为很多时候行人重识别中的数据方差比较大。posterior mean对数据方差小的时候，可能有效果；但方差大的时候，用posterior region可能得到更好结果。其他两个方法，很难做一个比较。
问题2：老师您好，对于原阈 和 目标 阈之间转换的 参数训练相关的实现，有github上开源Code可以复现结果么？ 回答：大部分有源码。可联系我或者第一作者。
问题3：跨域分析的不足是什么？ 回答：目标域没有类标的时候，并不确定迁移是好的还是坏的。关键问题是在这种情况下，如何做一个安全的迁移。
问题4：您好，Domain Adaption可以用Autoencoder或者GAN来实现吗？ 回答：有相关工作，也有如问题的类似工作。ECCV16年就有Autoencoder的adaption的工作。
问题5：Graph Matching 可以用来做白天和夜间图片的关键点匹配么？或者说使用Graph Matching怎么来做不同光照下的关键点匹配？ 回答：Graph matching应该可以做白天和夜间图片匹配，可利用我们的方法尝试。不同光照下，也是类似的。
问题6：graph matching估计label，是不是可以理解为 利用了数据（领域）的分布信息？ 回答：还没有涉及到概率论中严格的分布，从某种程度可以理解为整体上的一个结构对齐。
问题7：Graph Matching能不能用来做车辆图片的匹配？ 回答：应该也是可以。如果是车辆关键点的匹配，也是类似的。
问题8：您好，有把Domain Adaptation用在NLP任务上的吗？ 回答：有的。最初Domain adaption的文章就是NLP方面的。
问题8：所谓Domain Adaptation的本质是不是，先假设Source Domain和Target Domain存在某种共同的特点，然后再用它们的共同点，去估计Target Domain的某些与Source Domain不同的特征？从而使模型适用于Target Domain？ 回答：是的。源域和目标域有相关性。
问题9：基于显式分布域适应和基于性质保持alignment的域适应两个那个方法更有优势，它两都属于基于特征表示的域适应？ 回答：要具体问题进行分析。
问题10：我觉得如果存在 Multi-Source Domain, 这个问题是不是很像Multi-View？您觉得这里面有联系吗？ 回答：Multi-view与Multi-source是有联系的。也有人用domain adaption解决视频分析的问题。
问题11：用典型相关性分析这种传统的老方法来做异构的域适应老师能提一点建议么？ 回答：领域适应有用相关分析的方法去做。异构的相关分析方法的结果要具体问题具体分析。如果异构特征维数不一样，不知道典型相关分析是否会是一种好方法。
问题12：老师您好，Graph Matching是基于什么特征以及用什么metric？ 回答：Deep learning 特征，也用normal 特征。用什么特征不是很关键的问题，什么特征都是可以的。Metric是通过概率度量学习的方法，好处是weighting可以对每一个匹配pair有个概率，进而学到更好的Metric。
问题13：老师您觉得attention机制应该怎么加入到reid 中？ 回答：Attention是很流行的方法，应该有一些方法加入到reid中。但可能不一定是深度学习的方法。最近也有pose estimation的方法，某种程度也可以看成是attention。
问题14：如果数据维度非常高的话，我们怎么判断source domain 和target domain是不是异构呢？或者怎么判断两个domain的相似性？ 回答：挺好问题。判断是不是异构，不是通过维度高低，也有可能是domain之间的相似性。判断domain的相似性，会有一些研究，如学习共同的subspace，在这个subspace的上面判断是否两个domain是相似的。
录像视频在线观看地址： http://www.iqiyi.com/u/2289191062
PPT链接： http://vision.ouc.edu.cn/valse/slides/20180905/valse_20180905.docx.pdf
特别鸣谢本次Webinar主要组织者： VOOC责任委员：杨猛（中山大学）
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。
| 
发表于 2018-9-13 17:23:58