Junwei Han and Dingwen Zhang invited as speakers at ChinaMM, Chongqing

韩军伟教授与张鼎文教授受邀参加ChinaMM·2021（重庆）并发表关键演讲。

报告题目：基于先进学习方法的协同显著性检测

演讲者：韩军伟

图像和视频已经成为当今社会记录、表达和传递信息的主要媒介。人们希望通过计算机高效、准确地处理海量的图像视频数据。通过模拟人眼视觉注意机制来智能地检测显著性物体已经成为了计算机视觉领域中一个热门的课题，即显著性物体检测。近年来，为了进一步增加显著性检测的应用价值，以协同显著性检测为代表的一些新的研究分支开始出现并在领域内引起了广泛的研究兴趣。本报告将围绕协同显著性检测中的关键问题展开讨论，介绍基于多示例学习、度量学习、深度学习等先进学习方法的协同显著性检测框架（相关工作获国际期刊IEEE TCSVT 2021最佳论文奖），并讨论该研究领域具有潜力的未来研究方向。

报告题目：稳健弱监督学习理论、方法及应用

演讲者：张鼎文

目前人们可以利用便携摄像设备获取海量的视觉数据，然而各类视觉任务所需要的精细标注依然依赖低效且昂贵的人工劳动完成。这严重制约了目前主流的深度学习模型的应用前景。为了解决这个问题，弱监督视觉学习应运而生。本报告就目标检测为例，分享弱监督学习在该领域的研究进展，并介绍本课题组近年来逐步形成的基于稳健学习理论的弱监督目标检测方法。具体来说，我们针对复杂场景下的弱监督学习问题，以稳健学习理论为纲，分别提出了自步-课程协同学习引导的先验知识稳健嵌入框架、基于多任务自步稳健学习的弱监督自步微调网络、以及面向少量弱标注目标检测的跨模型协同稳健学习机制来克服样本小、目标杂所引起的学习不确定性、联合分割任务提升复杂背景下物体的定位精度，以及利用无标注图像增加学习多样性并提升模型对多变目标的泛化能力。最终我将对上述工作进行总结并展望未来研究方向。