报告嘉宾1：陈新建（苏州大学）
报告时间：2017年08月23日（星期三）下午20:00（北京时间）
报告题目：基于图的医学影像处理与分析
主持人： 何晖光 （中国科学院自动化研究所）
报告摘要：
图割方法由于其对很多能量最小化问题能找到全局最优解的特性，在图像分割、计算机视觉等领域被广泛应用。本报告围绕基于图的医学影像处理与分析进行展开，重点介绍图搜索和图割方法，以及在几种临床疾病上的应用，比如肺癌诊断与分析，肾肿瘤生长预测，视网膜疾病的诊断与分析等。
报告人简介：
陈新建，教授、博导，国家青年千人计划、国家优秀青年基金获得者、青年973首席科学家。
该文章属于“VALSE”原创，未经授权禁止转载。
【VALSE 前沿技术选介17-07期】联系经典与流行，LK
Tracking在Deep时代的新生
作者：Winsty
今天给大家介绍一篇联系起了Tracking和Landmark
localization中几个经典与流行的方法的框架，这篇文章思路清晰，很有insight。这里涉及到的算法有像传统的Lucas-Kanade
(LK)算法，Face landmark中经典的Supervised Descent Method (SDM)和目前基于Deep
learning中一个引起很大关注的Deep regression方法
GOTURN。下面首先简单回顾一下这几个相关的方法和它们之间的联系，想清楚这些之后，引出这篇文章的方法就是一个很自然而然的事情了。
在经典LK的算法中，一个最重要的假设就是局部线性 (Local
Linear)这个假设，这也是这后面一系列工作的一个基本假设。这个假设的意义在于，认为图像的外观
(appearance)和其位移有近似线性关系
该文章属于“VALSE”原创，未经授权禁止转载。
【VALSE
前沿技术选介17-06期】探究最陌生的老朋友Softmax
作者：Winsty
该文章属于“VALSE”原创，未经授权禁止转载。
【VALSE
前沿技术选介17-05期】孪生三兄弟 CycleGAN, DiscoGAN, DualGAN还有哪些散落天涯的远亲
作者：小S
【授权转载于小S的公众号 程序媛的日常】
GAN
提出两年多来，很多想法都被研究者们提出、探索并实践。直到最近近乎同一时期发布的三篇论文，CycleGAN、DiscoGAN 和
DualGAN，已经展现了集百家之长的特点。同时，这三篇论文的想法十分相似，几乎可以说是孪生三兄弟，并都取得了不错的结果。不过，这三兄弟的诞生原因也有迹可循。今天就想稍微整理一下这三篇相似论文的发展脉络：它们彼此之间的异同，以及它们与前人工作的相似之处——从而找出它们散落天涯的“远亲们”。
今天会涉及到的论文有：
1. 《U
该文章属于“VALSE”原创，未经授权禁止转载。
【VALSE
前沿技术选介17-04期】利用对抗学习改进目标检测的结果
作者：Xiaolong
Wang
报告嘉宾：谢武媛（香港理工大学）
报告时间：2017年08月16日（星期三）晚20:00-21:00（北京时间）
报告题目：Shape and Surface Details from
Shading
报告嘉宾：罗伟鑫（上海科技大学）
报告时间：2017年08月02日（星期三）下午15:00-16:00（北京时间）
报告嘉宾：赵恒爽 (The Chinese University of Hong Kong)
报告时间：2017年7月12日（星期三）晚上21:00（北京时间）
报告题目：PSPNet and ICNet: Semantic Segmentation with High
Accuracy and High Efficiency
主持人：郭裕兰（国防科技大学）
报告摘要：
In this talk, I will introduce our focuses on two major
criteria in semantic segmentation task, the inference performance
on accuracy and efficiency aspects. First, to build a high accuracy
framework, we exploit the capability of global context information
by different-region-based context aggregation through our pyramid
pooling module, the proposed pyra
报告嘉宾1：董胤蓬（清华大学）
报告时间：2017年07月05日（星期三）晚上20：00-20：20（北京时间）
报告题目：Improving Interpretability of Deep Neural Networks
with Semantic Information
主持人：苏航（清华大学）
报告摘要：
深度学习的可解释性（Interpretability）问题在深度神经网络的发展过程中发挥着至关重要的作用。可解释学习能够使我们了解模型的优势和缺陷、预知模型未来的行为、修复模型中可能存在的问题。但是由于深度学习的黑箱特性，我们很难了解深度神经网络内部的工作机理。为了解决深度神经网络不可解释的问题，我们提出利用人类描述中丰富的语义信息来提升深度神经网络的可解释性。在自动生成视频描述（Video
C
加载中…
