11.10｜学术盛宴！来一场与科学的周末约会(31)

报告介绍：
随着深度学习的快速发展，目标检测性能也得到了巨大的提升。但是，现有的目标检测方法仍然难以精确地检测出场景中的小目标。其原因在于现有的方法只是考虑目标自身的特征，并没有充分地利用其周围和全局的上下文信息。此报告首先阐述研究小目标检测的意义，然后对现有的目标检测算法做一个简单的回顾，最后重点介绍我们在基于深度学习的小目标检测方面的工作，包括利用特征融合、上下学习和上下文推理和锚框自适应的方法来提升小目标的检测。
报 告 四：基于三通道卷积神经网络的动作识别
报 告 人：王亮亮
报告人简介：
王亮亮2017年7月博士毕业于哈尔滨工业大学机器人技术与系统国家重点实验室，2018年1月至今为新加坡南洋理工大学媒体交互计算实验室Research Fellow，研究方向为机器视觉。
报告介绍：
随着计算机计算能力的提升，深度学习框架近年来被大量应用到机器视觉领域。在现有深度学习框架中，卷积神经网络(Convolutional Neural Networks，CNNs)因其基于对每层神经元卷积和池化操作的特点非常适用于图像及视频的特征提取及分类问题，其在动作识别领域中的应用也越来越受到国内外研究人员的重视。
在传统二通道卷积神经网络(Two-stream CNNs)的基础上，本报告介绍一种包含空间、局部时域和全局时域三个通道的卷积神经网络 (Three-stream CNNs)算法，对人体动作进行深度特征提取。其中全局时域通道输入信息为动作累计差分，表征动作在一定时间内的全局特征。同时介绍一种符合软分配策略的特征表征算子，对深度动作特征进行更为高效的表征。利用深度数据增强和支持向量机，在流行的动作数据库中给出验证实验，以证明方法的有效性。
报 告 五：全增强双向多残差回归神经网络
报 告 人：王烨硕士
报告人简介：
王烨，从2014年开始就读于美国德州农工大学（Texas A&M University）ECE（电气工程与计算机工程）学院，研究方向主要是机器学习与自然语言处理。先后在美国德州大学达拉斯分校，重庆邮电大学获得硕士与学士学位。曾在美国三星研究所（Samsung Research America），美国T-Mobile，重庆誉存科技公司实习工作。
报告介绍：