【预告】CCF-CV走进高校系列报告会（第三十九期第三研究所

　　月加盟南京信息工程大学。主要研究方向为图像与视频分析、计算机视觉、和机器学习。现已在国内外学术期刊和国际会议上发表论文

　　报告摘要：随着数字成像技术和互联网技术的快速发展，不仅带来图像数据分辨率的不断增加，而且也带来了数据规模的爆炸式增长，给图像数据分析带来了巨大的挑战。本报告将从视觉特征表示的角度来汇报我们课题组近年来在该领域里的一些研究进展，主要包括：基于稀疏学习的视觉特征表达方法和基于深度学习的视觉特征表达，及其在人脸配准和遥感图像等实际问题上的应用研究工作。

　　上海交通大学特聘教授，国家杰出青年科学基金获得者，教育部长江学者特聘教授，科技部创新人才推进计划“中青年科技创新领军人才”，教育部新世纪优秀人才，上海市优秀学术带头人，上海市曙光学者，上海市青年科技英才。IEEE高级会员，中国图像与图形学学会理事。2003年获上海交通大学工学博士学位。2007-2008年在美国卡内基梅隆大学担任研究员、2011-2012在美国大学分校担任Scientist。主要从事信号处理、信息论编码通信、视觉与统计学习等相关领域研究，主持国家自然科学基金重点项目和重点国际合作项目3项。2011年，获“上海市技术发明”一等（第一完）；多次获国际学术会议最佳论文，发表相关IEEETrans汇刊论文40余篇。

　　报告摘要：阐述传统信号处理的分解重构框架到基于学习的表示趋势，描述基于共性学习的问题和进展，包括可能的表示学习新模型和新方法，重点在稀疏理论在信号处理和视觉。信号处理方向，主要表现为稀疏编码，亦最优线性逼近；视觉方向，主要表现为模型选择。报告会提供基于数据的稀疏建模紧致描述，并根据相关的最新研究，重点陈述有关字典学习、图信号处理、滤波器组的卷积网络。

　　中科院深圳先进技术研究院（简称先进院）研究员，博士生导师，IEEE高级会员。担任集成所副所长，广东省“机器视觉与虚拟现实”重点实验室常务副主任。入选中国科学院“百人计划”择优支持，广东省特支计划科技创新领军人才，是广东省引进创新科研团队核心，深圳鹏程学者长期特聘教授。曾任东京大学电子信息系聘为特任助理教授。他长期从事计算机视觉、图像处理、语音处理和模式识别的研究，已在包括IEEE Trans. PAMI，IJCV，IEEE Trans. IP，IEEE Trans. SP，CVPR，ICCV，ECCV，ACM-MM，AAAI等会议和期刊上发表学术论文150余篇。曾获中国科学院卢嘉锡青年人才。主持和参与国家自然科学基金、科技部、科学院知识创新工程、广东省引进创新科研团队、深圳市杰青等多个国家与地方项目。在ImageNet, LSUN, ActivityNet, EmotionW, ChaLearn等国际竞赛和评测中取得了领先的成绩。

　　报告摘要：基于视频的行为分析和识别是计算机视觉的一个基本问题，在、人机交互、视频检索等领域有重要的应用。与图像相比，行为视频包含有丰富的运动信息数据维度也更高。同时由于视频中包含行为人、视角、背景、运动、遮挡等复杂的变化，非受控条件下的复杂行为识别一直是一个极具挑战的问题。在这个报告中，我们将介绍面向复杂行为的深度学习方法的最新进展，特别是我们课题组近年来开展的一些工作(CVPR13, ICCV13, CVPR 14, ECCV 14, CVPR15, IJCV 15, CVPR16,ECCV16,ICCV17)。内容包括视频中层表示、轨迹卷积特征池化、运动向量CNN、时序分割模型、时空注意模型等。我们的方法在公开多类别数据库UCF101,HMDB51上取得了领先的识别率，在ActivityNet 16, ChaLearn等国际竞赛中取得第一。

　　分别于2003年和2005年获得上海交通大学学士和硕士学位，并于2010年获得美国大学西雅图分校获得博士学位。在美国期间曾在包括Motorola, Real Networks和ThomsonTechnology在内的多家公司的研究机构担任Research Intern。2010年加入上海交通大学电子信息学院电子工程系，现为副教授。主要研究方向包括计算机视觉、视频、图像与视频处理、视频通信与编码等。林博士现任JVCI、Image Comm、IEEE Access等期刊编委(Associate Editor)，并任IEEE VSPC TC、IEEE MSA TC、IEEE MMTC等学术专业委员会委员。在相关领域表（含录取）SCI期刊论文40+篇（IEEE Transactions系列期刊21篇），会议论文50余篇（ICCV, CVPR, ECCV，MM等11篇）；获授权美国发明专利3项，中国发明专利5项。详细信息见个人主页：

　　报告摘要：多目标是视频分析及领域中的基本问题之一，在视频目标分析、场景剖析、行为事件理解、交通管理及安全防控等应用中，多目标都是必须解决的关键课题。与单目标仅针对指定的单个目标框进行不同，多目标致力于对视频中的所有感兴趣目标进行自动提取，并通过时域关联，得到其运动轨迹信息。因此，多目标更适合处理包含大量目标的复杂场景。在本次报告中，将首先介绍多目标的主要思和现有研究进展，并分析现有方法的不足。接着，将介绍我们提出的基于超平面匹配的一体化多目标检测与算法。将多目标过程中的目标检测、特征提取、关联等模块有机地融入一个整体的框架进行联合建模，并通过各模块间的信息反馈，有效地去除了过程中的噪声和干扰。同时，为了进一步有效建模多目标之间的相互关系，该方法进一步引入超平面来建模各个目标局部轨迹片段间的时空关系，并通过超平面匹配实现高精度的多目标。上述方法获得MOT15和MOT16 challenge测评第一。

　　推荐：