时间：2018年6月22日星期五8：00-11：30

地点：宝盈娱乐app怀远校区宁远楼413

特邀讲者1孟德宇（西安交通大学数学与统计学院教授、博导）

曾赴香港理工大学，Essex大学与卡内基梅隆大学进行学术访问与合作。共接收/发表论文80余篇，其中包括IEEE Trans论文22篇和CCF A类会议30篇。担任ICML，NIPS等会议程序委员会委员，AAAI2016高级程序委员会委员。目前主要聚焦于自步学习、误差建模、张量稀疏性等机器学习相关方向的研究。

报告题目：大数据环境下的机器学习误差建模方法

报告摘要：传统机器学习主要关注于确定性信息的建模，而在复杂场景下，机器学习方法容易出现对数据噪音的鲁棒性问题，而该鲁棒性问题与误差函数的选择紧密相关。本次报告聚焦于如何针对包含复杂噪音数据进行误差建模的鲁棒机器学习原理，特别针对大数据环境下，分布式/在线误差建模方法的机理与实现进行介绍。这一原理对在线视频处理、医学图像恢复等问题，已体现出个性化的应用优势，该原理亦有希望能够引导出更多有趣的机器学习相关应用与发现。

特邀讲者2张林（同济大学副教授、博导）

同济大学软件学院媒体艺术与科学教研室主任，IEEE高级会员、中国计算机学会（CCF）高级会员、CCF计算机视觉专业委员会委员、视觉与学习青年研讨会（VALSE）在线组委会委员。2003年和2006年在上海交通大学计算机科学与技术系分别获得学士和硕士学位。之后曾供职于Microsoft和Autodesk公司。2011年8月于香港理工大学获得博士学位，并加入同济大学，2013年入选上海市浦江人才计划。主要研究兴趣包括机器视觉与图像理解、智能驾驶中的环境感知、生物特征识别、多媒体质量评价等。以第一作者身份已在IEEE T-PAMI、IEEE T-IP、IEEE T-MM、Pattern Recognition、Image and Vision Computing等期刊上发表论文18篇。根据Google Scholar统计，其所发表论文的被引用次数已逾4200次；其中，3篇论文入选ESI高被引论文。其论文“FSIM: A feature similarity

index for image quality assessment, IEEE Trans. Image Processing, 20 (8)

2378-2386, 2011”为IEEE T-IP自2011年以来所有发表论文中被引用次数最高的论文，目前被引用1760次。其论文“Online finger-knuckle-print verification for personal

authentication, Pattern Recognition, 43 (7) 2560-2571, 2010”曾获Pattern Recognition杂志最佳论文提名。其论文“3D ear identification

using LC-KSVD and local histograms of surface types”获得ICME2015最佳论文提名。

报告题目：计算机视觉技术在无人驾驶系统中的若干实践

报告摘要：视觉感知是无人驾驶系统环境感知模块的重要组成部分。本报告将分享报告人课题组在无人驾驶视觉感知方面的一些积累和体会，主要包括“基于视觉的泊车位检测与定位”和“基于视觉的行人与减速带的检测与测距”两个部分。报告人所研发技术已经应用于实车产品。

特邀讲者3樊鑫（大连理工大学教授、博士生导师）

分别于1998年和2005年西安交通大学信息与通信工程专业获工学学士和博士学位。2005年7月至2009年10月在大连海事大学信息工程学院任讲师，在此期间在美国进行三年的博士后研究，2009年11月起在大连理工大学软件学院任教。主要研究方向为机器视觉和图像处理。主持1项国家自然科学基金重点项目，3项面上/青年项目，以及国家863项目子课题，在Nature旗下期刊、图像处理领域顶级期刊和会议IEEE TIP, TMM, AAAI,

IJCAI等发表论文80余篇。入选2011年度教育部“新世纪优秀人才支持计划”，辽宁省“百千万人才工程”千人层次。获得辽宁省科技进步二等奖与大连市科技进步一等奖各1项，获得辽宁省教学成果一等奖1项，作为通讯作者获得国际多媒体旗舰会议ICME2015最佳学生论文，入选ICME2017最佳论文候选、国际图像处理大会ICIP2013最佳论文候选、ICIP2015 top10%论文。申请/授权国家发明专利21项。

报告题目：Deep unrolling for low-level vision

报告摘要：Deep learning models have gained great success in manyreal-world applications. However, most existing networks are typically designed in heuristic manners, and thus lack of rigorous mathematical principles and derivations. In this talk, we will introduce a series of unrolling based deep model to incorporate rich domain knowledge to address various low-level vision tasks, such as image restoration, deblurring, dehazing, deraining, underwater and low-light enhancement. Some other related applications will also be discussed.

欢迎广大师生届时光临！

                                                                              数学统计学院

                                                                              2018年6月13日