香港中文 博士

最近，港中文MMLab开源自监督表征学习代码库OpenSelfSup，号称「一行命令跑评测」，并在各大Benchmark上复现结果。OpenSelfSup 使用 PyTorch 实现，支持基于分类、重建、聚类、memory bank、contrastive learning 的多种自监督学习框架。目前收录了 Relative Location、Rotation Prediction、DeepCluster、OnlineDeepCluster、NPID、MoCo、SimCLR 等一系列表现较好的自监督表征学习方法，后续还将陆续跟进学术界最新算法。OpenSelfSup推出后受到不少人关注，但也有不少人对如何上手这个代码库表示有一些疑惑。新智元邀请香港中文大学多媒体实验室的詹晓航博士，为我们解读关于自监督学习的归纳、思考和展望。如何定义自监督学习？自监督学习是指用于机器学习的标注（ground truth）源于数据本身，而非来自人工标注。如下图，自监督学习首先属于无监督学习，因此其学习的目标无需人工标注。其次，目前的自监督学习领域可大致分为两个分支。第一个是用于解决特定任务的自监督学习，例如上次讨论的场景去遮挡，以及自监督的深度估计、光流估计、图像关联点匹配等。另一个分支则用于表征学习。有监督的表征学习，一个典型的例子是ImageNet分类。而无监督的表征学习中，最主要的方法则是自监督学习。典型的方法包括：解决Jigsaw Puzzles、运动传播、旋转预测，以及最近很火的MoCo等等。判断一个工作是否属于自监督学习，除了无需人工标注这个标准之外，还有一个重要标准，就是是否学到了新的知识。举个简单的例子，例如image inpainting是否属于自监督学习？如果一篇image inpainting的论文，其主要目的是提升inpainting的效果，那么它就不属于自监督学习，虽然它无需额外标注。但是如果它的目的是借助inpainting这个任务来学习图像的特征表达，那么它就是自监督学习（参考论文：Context Encoders）。如下图，以自监督表征学习为例，我们通常需要设计一个自监督的proxy task，我们期望在解决这个proxy task的过程中，CNN能学到一些图像高级的语义信息。然后我们将训练好的CNN迁移到其他目标任务，例如图像语义分割、物体检测等等。那么，自监督的proxy task有哪些呢？如下图，第一行中的思路是将图像以某种方式破坏，然后用神经网络来学习恢复原图的过程。然而，将图像破坏，可能带来预训练的domain和目标任务domain不一致的问题。而第二行中的proxy tasks则无需破坏原图，因此避免了domain的问题。第三行中的方法是利用运动信息等多模态信息来学习图像特征。当然除了图中这些例子之外，还有各种各样其他有趣的自监督任务。为什么自监督学习能学到新信息？1. 先验我们的世界是在严格的物理、生物规则下运行的，那么对这个世界的观测结果（图像）也必然存在一些先验规律。例如图像上色任务，就是利用了物体类别和物体颜色分布之间的关联；image inpainting，则是利用了物体类别和形状纹理之间的关联；旋转预测任务，利用了物体类别和其朝向之间的关联。通过挖掘更多的先验，我们也能设计自己的自监督学习任务。那么什么样的先验更有效呢？结论是，低熵的先验。如下图，左边的运动预测任务（ICCV 2015: Dense Optical Flow Prediction From a Static Image） ，是从单张图片中直接预测运动场，其利用的先验是物体的运动倾向性。而运动倾向性是比较歧义的，例如人在半蹲状态，难以预测下一时刻会站起来还是继续下蹲。因而，运动倾向性是一个高熵的先验。而右图的运动传播任务（CVPR 2019: Self-Supervised Learning via Conditional Motion Propagation），从给定的稀疏运动来恢复完整运动场，利用的则是物体的运动学属性先验。运动学属性，例如头部是刚体，四肢是铰接体等，是较为确定的先验，那么这就是一个低熵的先验。从实验结果也可以发现，在transfer到分割任务上，运动传播比运动预测更好。2. 连贯性图片具有空间连贯性，视频具有时空连贯性。那么就可以利用这些特点来设计自监督任务。如下图：3. 数据内部结构目前很火的基于contrastive learning的方法，我们可以将它们统一为instance discrimination任务。如下图，这类任务通常对图片做各种变换，然后优化目标是同一张图片的不同变换在特征空间中尽量接近，不同图片在特征空间中尽量远离。对于这类任务，下图提供了两种可能的优化后的特征空间。这两种结果都是符合instance discrimination优化目标的，即同一张图片的不同变换在特征空间中尽量接近，不同图片在特征空间中尽量远离。然而，我们发现，实际的优化结果更偏向于第二种而非第一种，也就是说，虽然我们在解决instance discrimination的过程中并没有用的物体的类别标签，但是在优化后的特征空间中，同类的物体还是相对能够靠拢。这就证明了，数据之间是具有结构性和关联性的。Instance discrimination则是巧妙地利用了这种结构性和关联性。设计一个自监督学习任务还需要考虑什么？1.捷径（shortcuts）以jigsaw puzzles为例，如下图，如果我们让划分的patch之间紧密挨着，那么神经网络只需要判断patch的边缘是否具有连续性，就可以判断patch的相对位置，而不需要学到高级的物体语义信息。这就是一种捷径，我们在设计任务的过程中需要避免这样的捷径。图八，解决jigsaw puzzles时，patch之间不能紧密挨着避免的方式也很简单，我们只需要让patch之间产生一些随机的间隔就行，如下图。图9，让patch之间产生随机间隔Solving jigsaw puzzles的其他捷径还包括色差、彗差、畸变、暗角等可以指示patch在图像中的相对位置的信息。解决方案除了想办法消除这些畸变外，还可以让patch尽量靠近图像中心。图10，色差、彗差、畸变、暗角等可利用的捷径2.歧义性（Ambiguity）大多数利用先验来设计的自监督任务都会面临歧义性问题。例如colorization中，一种物体的颜色可能是多种多样的，那么从灰度图恢复颜色这个过程就具有ambiguity；再例如在rotation prediction中，有的物体并没有一个通常的朝向（例如俯拍放在桌上的圆盘子）。有不少已有工作在专门解决特定任务的歧义性问题，例如CVPR 2019的Self-Supervised Representation Learning by Rotation Feature Decoupling。另外就是设计低熵的先验，因为低熵的先验也具有较低的歧义性。3.任务难度图11，solving jigsaw puzzles中的不同难度神经网络就像一个小孩，如果给他太简单的任务，他学不到有用的知识，如果给他太难的任务，他可能直接就放弃了。设计合理的难度也是一个需要考虑的方面。如何上手？OpenSelfSup: 通用的自监督表征学习代码库上手自监督学习是一件非常有难度的事情，主要体现在3个方面：由于自监督学习任务复杂多样，不同方法各有各的专用训练代码，难以结合、复用和改进评价方案不统一，不同的方法难以在公平环境下对比动辄百万千万的训练数据量，训练效率是个大问题针对这些问题，香港中文大学多媒体实验室和南洋理工大学开源了一套通用的自监督学习代码库，链接如下：https://github.com/open-mmlab/OpenSelfSup1.统一的框架这套代码库设计了一个统一的代码框架，支持基于分类、重建、聚类、memory bank、contrastive learning的多种自监督学习模式，目前收录了Relative Location, Rotation Prediction, DeepCluster, OnlineDeepCluster, NPID, MoCo, SimCLR等一系列表现较好的自监督表征学习方法。2.标准化的评测方案OpenSelfSup目前支持ImageNet/Place205 Linear Classification, ImageNet Semi-Supervised Classification, PASCAL VOC07 Linear SVM, PASCAL VOC / COCO Object Detection等多个标准的评测方案。3.高效率的分布式训练OpenSelfSup中收录的算法全部都实现了多机多卡的分布式训练。4.容易上手环境配置，数据配置都有from scratch的脚本或者详细的指导，简单易行。训练和测试现有算法，都只需要一行命令搞定。5.模块化设计：高度灵活性和可扩展性OpenSelfSup用config文件来定义各种参数和模块，方便参数调节和模块修改。采用高度模块化的设计，使得开发自己的自监督学习算法变得非常方便。config中还支持一些较复杂的调整，比如data augmentation的组合、learning rate schele、独立调整某些网络参数的优化参数等。例如，你希望单独调整head中fully-connected layer的momentum和learning rate，或者backbone中某几层的weight decay等等，可以在config中optimizer: paramwise_option下用正则表达式筛选出对应网络参数然后指定这些值，而不需要改动代码。如下是DeepCluster中指定head (fc layer)的momentum为0的设置。具体介绍，可参考：https://zhuanlan.hu.com/p/148782886这个总结主要基于自己的思考，也许不一定非常到位，权当抛砖引玉。最后，希望大家都能够设计出有趣又有用的自监督学习任务，为这个领域添砖加瓦。作者介绍本文的作者詹晓航，本科毕业于清华大学，目前是香港中文大学多媒体实验室三年级博士生，指导老师是Chen Change Loy、林达华和汤晓鸥教授。曾在CVPR、ECCV等计算机视觉顶级会议上发表论文十余篇，包括五篇第一作者论文。另外曾获国家奖学金、清华大学本科优秀毕业生、Hong Kong PhD Fellowship、Facebook自监督学习挑战赛冠军等荣誉。他的博士期间主要研究方向为无监督学习，具体工作涵盖人脸聚类、自监督场景理解、无监督表征学习等。个人主页：https://xiaohangzhan.github.io/

「CV研究合辑」，是智东西公开课针对计算机视觉推出的一档合辑，聚焦于计算机视觉前沿领域研究成果与进展的讲解。每一讲由主讲与答疑两个环节组成，其中，主讲60分钟，采用视频直播形式，答疑30分钟，将在相应交流群进行。神经网络由于网络特征或决策逻辑在语义层面难以理解，同时也缺少数学工具去诊断与评测网络的特征表达能力，进而解释目前不同神经网络模型的信息处理特点，一直被大家称为是一种“黑箱”。而如何对神经网络进行“解释”，称为近年来的热门研究方向。生成对抗网络近年来随着其不断的发展，生成图片的质量以及模型的训练稳定性不断提高。然而，对于对抗生成网络的可解释性还少有研究。生成图片的过程是否有迹可循？生成模型是否像分类模型一样可以学到高级的语义信息？除了生成高清图片之外，一个预训练好的生成模型还有哪些应用？6月5日晚8点，智东西公开课「CV研究合辑」第7讲直播开讲，由香港中文大学MMLab在读博士沈宇军为大家深度讲解《生成对抗网络的可解释性研究及其应用》。沈博士将从隐空间的角度出发，深入分析对抗生成网络的可解释性，并介绍如何对生成网络自发学到的知识进行再利用，使得一个预训练好的模型可以被应用到各种各样的任务中去。沈宇军，香港中文大学MMLab在读博士，师从汤晓鸥教授和周博磊教授，香港博士研究生奖学金计划（HKPFS）获得者。沈博士本科毕业于清华大学电子工程系。课程内容主题：生成对抗网络的可解释性研究及其应用提纲：1、生成对抗网络的可解释性2、基于隐空间可解释性的深度解析3、如何对生成网络自发学到的知识进行再利用讲师介绍沈宇军，香港中文大学MMLab在读博士，师从汤晓鸥教授和周博磊教授，香港博士研究生奖学金计划（HKPFS）获得者；本科毕业于清华大学电子工程系。直播信息直播时间：6月5日20点直播地点：智东西公开课小程序答疑地址：GAN交流群加入交流群本次课程的讲解分为主讲和答疑两部分，主讲以视频直播形式，答疑将在「GAN交流群」进行。加入交流群，除了可以免费收看直播之外，还能认识讲师，与更多同行和同学一起学习，并进行深度讨论。扫码添加小助手糖糖（ID：hitang20）即可申请，备注“姓名-公司/学校/单位-职位/专业”的朋友将会优先审核通过哦~

商科可谓是时下最热门专业以其高标准、严要求而著称今天Roxy老师邀请了在香港中文大学就读的Grace师姐跟我们分享在港中文的就读体验！学校概况香港中文大学香港中文大学成立于1963年，是全亚洲首屈一指的大学。本校以“结合传统与现代，融会中国与西方”为使命，透过灵活的学分制、独有的书院制和中英兼重的多元文化，为来自世界各地的学生提供以人为本的全人教育和关顾辅导。香港中文大学本部香港中文大学是香港唯一有诺贝尔奖得主（高锟，杨振宁）、菲尔兹奖得主（丘成桐）、图灵奖得主（姚期智）任教的大学。截至2017年，学校拥有教职员工7960人，其中教授1059人，各类讲师及专业顾问564人，教学助理94人，副研究员及以上520人，研究支援人员1156人。香港中文大学工商管理碩士（MBA）课程香港中文大学商学院自1963建校即成立，同年，商学院设立MBA/EMBA课程，成为亚洲第一个开办MBA/EMBA的大学。目前中大商学院已成功培养近6,600名MBA毕业生，分布于全球40多个国家。商学院校友更达34,000名。其全日制和在职兼读制课程，每年吸引超过来自20多个国家的150多名学员。图为香港中文大学校园景色申请经历我于2013年本科毕业（某985大学国际经济与贸易/日语双学位）之后在某国有银行山东分行工作，主要业务是公司贷款和国际业务。2017年1月份，我来到我银行在香港的机构外派。在对香港的生活、教育、就业、和移民有了一定的了解之后，2017年9月份，我毅然决定申请一个香港的研究生，将来留在香港工作。我当时读研有两种方式，一种是在香港外派续期，读在职研究生；另一种是辞职，读全日制研究生。后来我选择了后者。因为香港的所有大学全日制学生毕业后都会给一年的不限制逗留签证，只要找到工作就可以续签；而我作为国家公职人员外派的话虽然补贴还不错，但是对于个人限制比较多，且不得累积在香港的居留年限，不得申请香港永久居民。关于专业，我首先考虑的是我读经管或社科类专业。在香港学医学、法律和金融、经管、数理相关专业是比较实用的，容易找工作，收入也不错，而且香港的大学在这些专业也比较有优势，当然竞争也比较激烈。在选专业上，我主要考虑以下几个：MBA（港大、中大、科大、城大；需要雅思+GMAT）；金融学、经济学、市场营销（港大、中大、科大；需要雅思+GMAT）；环球企业管理（科大、城大）；国际政策研究（港大）、政治经济学（中大）。其中MBA学费最贵，金融学、经济学其次，国际政策研究和政治经济学等社会科学类的学费比较便宜，申请压力也小一点。其中最适合像我这样工作4-5年的专业肯定是MBA了，其他几个专业都是如果有相关领域工作经验的话，是加分项。比如港大、中大、科大的金融学和会计学也都是竞争力很强的，录取的学生近一半也都是有相关工作背景的，一般是1-3年，所以并不太适合我。在落实好学费问题后，最后我决定只申请MBA。因为我做决定太晚，科大的MBA申请和录取都比较早，我赶不上，所以决定重点申请中大的MBA和港大的MBA，另外城大的MBA保底。当时我的当务之急是考雅思+GMAT。因为我着手准备真的很晚，同时还在上班，所以很辛苦。我根本没有时间去上辅导班，雅思只做了剑桥真题，听说读写各报了一个网课，都是只有六七节课、点题班性质的、主要教应试技巧的那种，不太贵，不过那网课真的很有用。在备考25天后，2017年9月29日，雅思一战6分，感觉真的是仓促应战，听说读写都没准备好，当然实战还是很积累经验的； 一个月后，10月28日，雅思二战6.5分，达到各目标大学MBA的录取要求了。二战感觉还是准备不够充分，如果多给三个星期，我应该可以达到7分，但是因为还要备考GMAT，真的没时间再战雅思了。之后两个多月我考了2次GMAT，都是太仓促，而且每天都像在战斗一样，身心俱疲，成绩都比较低，不过有了这两次的经验，自己还是有信心在三战有较大进步的。同时我回本科大学找教授签好了推荐信、盖好了各种毕业证书和成绩单，写好了申请的各种文书。我最先提交了中大和城大MBA的申请，打算首先积累点申请和面试经验，同时准备第三次GMAT，之后赶港大MBA最后一轮申请。中大反应很快，我刚提交申请大约5天，就收到面试通知，5天的准备时间。君明老师有给我面试的主要问题，并帮我做模拟面试。中大MBA的面试官Lawrence人很Nice，在中大MBA做招生主任有十几年了，面试的套路每年都差不多。但是因为我长期疲于备考，根本没机会练习英语口语，雅思口语分也是超级低，我在模拟面试发挥很差，正式面试发挥也一般。我口语流利度不太好，也许Lawrence对我回答问题的内容还比较认可，在面试结束时Lawrence对我说我的英语口语还需要进一步提高，另外他认为我比较真实，他对我的感觉还不错，最后他说希望以后有机会再见到我。之后大约5天，我就收到了中大MBA的条件录取，就是要求我邮寄雅思成绩、GMAT成绩以及本科的学位证书等。我很意外的是他们接受了我第二次比较低的GMAT成绩，不需要我再考GMAT了。同时他们要求我尽快交8万港币的留位费（学费的一部分）。开学典礼因为港大、中大、科大的MBA的国际排名差不太多，近几年科大的排名稍高点，但是我已经放弃了，所以我主要对港大和中大的MBA做了下比较，有以下几个方面：1、 中大MBA与其他香港及亚洲的MBA项目相比，优势是交流项目众多，与全球近50家知名大学合办全球交流项目，港大MBA只有4所大学；2、 中大MBA还有与法国HEC商学院、美国德克萨斯大学奥斯汀分校、荷兰鹿特丹管理学院等合办双MBA学位课程可选；3、 中大MBA的选修课比较丰富，有人反应港大MBA选修课没什么好选的；4、 中大MBA还有众多实地考察和学习旅行，足迹也是遍布世界各地；5、 科大、中大MBA课业比港大MBA重一些，强度大，压力大，港大MBA相比轻松一些；6、 中大商学院是本校的重点学院，专业比较多，资源也比较多，这可能是中大MBA交流学校多、可选的课也多、考察多、活动也更密集的原因；港大的经管类专业并不多，港大以文史哲和医学著称。经过比较后，我直接接受了中大MBA的offer，城大MBA的面试也没去参加，并放弃了港大MBA的申请，总算轻松了，开始准备办理签证了。总结一下我的情况，我认为我之所以收到Offer，首先我在大陆和香港两地的工作背景可能是加分项；另外我本科的大学还好（985大学），专业也还不错，是经济/日语双学位，但是我本科绩点比较弱，只有82分。香港是一个国际化都市，他们比较喜欢有多地复合工作背景、复合专业的人，如果有欧美的学术背景或工作背景那就更好了，另外MBA对本科的专业和工作的领域并不局限，录取者一般不到一半是做金融、咨询、会计的，另外一多半遍布各种行业： IT、Marketing、Sports、教育、工程、传媒、地产、零售、医疗、物流等各行业都有。我在乒乓球比赛中获得第一名日常生活关于日常生活，我们先来谈一下香港，我之前去香港旅游过，就是逛逛街，买买东西，感觉香港除了商场超级多，高楼大厦很多（有很多公司的亚太区总部，各种清算中心等），好像也没什么别的东西。但是当我到香港居住、生活之后，我对香港的认识改变了。我认为香港的突出优势主要有以下几点：1、 香港治安非常好，大家不要被香港的警匪片误导了（澳门治安也非常好，不要被赌场误导了），与美英法意等国家相比，香港是世界上最安全的地区之一，同时具有经济发展水平高、距中国比较近、教学质量好的突出特点，尤其女孩子在香港安全系数高。在这里不与加拿大和澳洲做比较，因为这两个国家地广人稀，跟香港风格不一样，日本和德国治安也不错，但是非英语国家，需要学小语种。2、 香港的交通和生活相当便利，香港的公共交通效率和便利度远远高于大陆北上广深各大城市，港铁的运营高效性在全世界著称。香港私家车保有率比较低，所以堵车不太严重，好于国内所有一二线城市。香港是世界美食之都，另外商区和商场、商店众多，购物特别高效和便利，来自全世界的商品，在香港没有买不到的。3、 香港自然环境超级好，虽然人口密集，但是森林和公园保护非常好，很多公园和行山径就在市中心或居民聚居区，闹中取静。香港有上百条行山径，有众多马拉松、越野、冲浪、滑翔伞、自行车、铁人三项爱好者，是像我这样的户外爱好者的天堂。4、 香港的医疗条件世界一流，2017年香港的人均寿命超过了日本，位列世界第一，这样说明香港人饮食、生活习惯很健康，又爱生活、运动。5、 对于中国人来说，香港比较容易适应，普通话在香港大致适用，大陆人也多，与其他国家相比，生活上面临的困难比较少。香港是中西方文化交融的一个中心，国际化视野比北上广深好一些。6、 香港是世界金融中心、清算中心，这个是北上广深都取代不了的，金融相关的岗位和机会众多，精英聚集，是我们金融从业者的福地和熔炉。7、 与大陆的大学相比，香港的大学资源和设施普遍要好很多，因为政府资金和社会捐款众多，香港的教职待遇也是非常高的。8、 香港所有的全日制学生毕业后都有一年的不限制逗留签证，与美英澳加相比，大陆学生在香港就职比较容易，因为有普通话（广东话）的优势，只要找到工作就可以续工作签证，享受香港居民的医疗和低税收、子女也可享受香港教育资源，达到七年即可申请香港永久居民，移民成本较低。关于香港中文大学，我认为，它与香港其他大学相比有一个显著特点，就是校园大，据说香港其他七所大学的校园面积加起来也不如中大。在香港这个寸土寸金的地方，这是何等的奢侈。中大校园与科大有点像，就是自然环境非常好，校园里起起伏伏，有些小山；与港大、城大等相比，大大的校园使得这里非常有学校的氛围。另外，学校交通比较便利，地铁站依学校而建；学校距深圳非常近，从学校到深圳罗湖或福田口岸只需20多分钟。宿舍可看到的风景关于宿舍，香港各大学一般宿舍先分给non-local的本科生，然后是博士，授课型的master一般都是没有的，但是我们学校有给我们MBA的预留宿舍，而且是single-room，海景宿舍，还不错。香港的租金几乎算是世界第一贵，对我来说，香港什么都好，就是居住成本太高，平民普遍住得比较挤，但有钱人住的超级好，都住半山上的海景别墅。宿舍可看到的海景去日本参观企业北海道大学访学学校组织俱乐部去看赛马香港不愧是亚洲金融之都，师姐的分享让小编看得十分激动，小伙伴们是否也想亲自去香港看看呢？Grace师姐就读的港中文工商管理专业（MBA课程）属于商科，不知道有多少人也一样想读商科专业，又或者还没有确定自己的未来发展方向。

「算法库开源讲座」，是智东西公开课继前沿讲座之后，面向开发者和科研人员策划推出的、专注于讲解不同开源算法库及其开发实践的一档开源讲座。第一季推出三讲，将分别针对开源算法库OpenSelfSup、OpenPCDet和OpenUnReID的框架组成及开发实践进行深度讲解。自监督的表征学习领域近几个月来获得了显著的突破，特别是随着Rotation Prediction, DeepCluster, MoCo, SimCLR, BYOL等简单有效的方法的诞生，大有超越有监督表征学习的趋势。然而，相信做这个领域的研究者都深有感触：1）自监督任务复杂而多样，不同方法各有各的专用训练代码，难以结合、复用和改进；2）评价方案不统一，不同的方法难以在公平环境下对比；3）动辄百万千万的训练数据量，训练效率是个大问题。针对这些问题，香港中文大学多媒体实验室和南洋理工大学开源了一套统一的自监督学习代码库：OpenSelfSup。它具有统一的代码框架、灵活的模块化设计、高效的分布式训练、标准化的评测方案等特点，而且非常容易上手，让每个人都能够快速地实现和评测自己的idea。为了让大家更好的理解与使用OpenSelfSup，11月25日晚8点，算法库开源讲座第一讲上线。由香港中文大学MMLab博士詹晓航主讲，主题为《自监督学习算法库OpenSelfSup解析与开发实践》。在本次的讲座中，詹晓航博士将从OpenSelfSup的背景，即自监督学习的研究背景出发，全面讲解开源算法库OpenSelfSup的框架组成，最后也将会向大家展示如何使用OpenSelfSup，并利用其复现由DeepMind推出的自监督新做BYOL。对自监督感兴趣的朋友千万不要错过。詹晓航，本科毕业于清华大学，博士毕业于香港中文大学多媒体实验室，指导老师是Chen Change Loy、林达华和汤晓鸥教授。他曾在CVPR、ECCV等计算机视觉顶级会议上发表论文十余篇，包括五篇第一作者论文，另外曾获国家奖学金、清华大学本科优秀毕业生、Hong Kong PhD Fellowship、Facebook自监督学习挑战赛冠军等荣誉。他在博士期间主要研究方向为无监督学习，具体工作涵盖人脸聚类、自监督场景理解、无监督表征学习等。课程介绍课程主题《自监督学习算法库OpenSelfSup解析与开发实践》课程提纲1、自监督学习的研究背景2、OpenSelfSup算法库的框架组成3、开发实践– BYOL在OpenSelfSup上的复现讲师介绍詹晓航，本科毕业于清华大学，博士毕业于香港中文大学多媒体实验室，指导老师是Chen Change Loy、林达华和汤晓鸥教授；曾在CVPR、ECCV等计算机视觉顶级会议上发表论文十余篇，包括五篇第一作者论文；另外曾获国家奖学金、清华大学本科优秀毕业生、Hong Kong PhD Fellowship、Facebook自监督学习挑战赛冠军等荣誉；博士期间主要研究方向为无监督学习，具体工作涵盖人脸聚类、自监督场景理解、无监督表征学习等。直播信息直播时间：11月25日20:00直播地点：智东西公开课小程序加入讨论群加入讨论群，除了可以免费收看直播之外，还能认识讲师，与更多同行和同学一起学习，并进行深度讨论。添加小助手糖糖（ID：hitang20）即可申请，备注“姓名-公司/学校/单位-职位/专业”的朋友将会优先审核通过哦~

每经记者：吴治邦 每经编辑：魏官红7月26日下午，香港中文大学（深圳）高等金融研究院副教授、研究员吴海峰博士在中国上市公司董秘俱乐部闭门研讨会武汉专场上表示：科创板一定将是一个赢家通吃的时代，并购将成为主流，会发生更多的兼并案，这也是2000年以来美国资本市场的一个常态，但是在选择上应该会很慎重。吴海峰博士进行分享 图片来源：每经记者 吴治邦 摄他进一步表示，如智能制造板块就同时存在着机遇和陷阱，解决单一技术问题和用户痛点的核心技术、材料、器件，具有良好的创业环境，但对于AI这类，尤其是深度学习在智能制造领域的应用，要持谨慎态度。本次闭门研讨会由每日经济新闻主办，湖北省企业上市发展促进会、湖北省上市公司协会协办，天风证券、武汉软件新城、马应龙药业特别支持。每日经济新闻

CV前沿讲座，是智东西公开课针对计算机视觉推出的一档讲座，聚焦于计算机视觉前沿领域研究成果与进展。我们将持续邀请研究者、专家与资深开发者，为大家带来直播讲解。在完结了8个直播讲解后，「CV研究合辑」正式升级为「CV前沿讲座」。「CV前沿讲座」将聚焦于计算机视觉前沿领域研究成果与进展的讲解。每一讲由主讲与答疑两个环节组成，共计90分钟。6月28日晚8点，「CV前沿讲座」第9讲将直播开讲，由香港中文大学MMLab博士沈岩涛讲解，主题为《面向向后兼容的特征学习》。该篇论文为CVPR 2020 Oral presentation，本文提出了一个新的问题：如何在保证准确性鲁棒性安全性提升的同时，使新训练的模型特征与旧模型直接兼容，大量减少测试(testing)时的计算开销，并进一步思考在云服务端，模式识别(人工智能)模型的更优部署模式。本次课程的讲师为香港中文大学多媒体实验室（MMLab）博士沈岩涛，其指导教师为王晓刚老师和李洪升老师，同时也是香港政府博士奖学金(HKPFS)获得者。沈博士本科毕业于东北大学自动化系，研究方向为图像检索和基于深度学习的特征学习，曾在CVPR, ICCV, ECCV, T-PAMI等多个会议和期刊上发表论文。CVPR作为计算机视觉领域的顶级会议之一，一直受到众多科研人员和开发者的关注。虽然近年来CVPR 的论文投稿量一直在持续增长，然而在录用率方面，却是一直在下降，今年的论文接受率仅为22%左右。为此，智东西公开课将持续邀请更多的论文作者参与到CV前沿讲座中，为大家讲解过去一年中他们在计算机视觉领域中的研究成果。课程内容主题：面向向后兼容的特征学习提纲：1、新旧模型兼容后的计算开销问题2、向后兼容的特征学习方法3、云端模型的更优部署模式讲师介绍沈岩涛，香港中文大学多媒体实验室（MMLab）博士，指导教师为王晓刚老师和李洪升老师，香港政府博士奖学金(HKPFS)获得者。研究方向为图像检索和基于深度学习的特征学习，曾在CVPR, ICCV, ECCV, T-PAMI等多个会议和期刊上发表论文。本科毕业于东北大学自动化系。直播信息直播时间：6月28日20:00直播地点：智东西公开课小程序答疑地址：CV前沿讲座主讲群报名方式添加小助手糖糖（ID：hitang20）即可申请，备注“姓名-公司/学校/单位-职位/专业”的朋友将会优先审核通过哦~

袁玉景，香港科技大学直博offer。施玉玮，香港中文大学直博offer。张煜佳，丹麦奥胡斯大学的直博offer。蒋椿萱，将相继在南科大和伦敦国王学院完成本科和硕士毕业，按自己的计划决定去向。南方科技大学生物系副教授姬生健课题组，4名2016级本科生全都在升学深造的路上收获满满。一起奋斗，一起优秀，携手看梦想之花逐渐开放，课题组的成员见证了彼此的成长。他们在南科大的奋斗历程是怎样一番风景？在南科大第一科研楼的办公室里，生物系副教授姬生健正在全神贯注地撰写论文。旁边实验室里，博士后、博士生、研究生和RA们多在紧张有序地做着各自的实验，或者在电脑前处理数据、阅读论文。微信“叮”的一声，将姬生健从撰写论文的思绪中拉了出来，是系里宣传员付文卿的微信：“恭喜姬老师，在生物系评选的十佳毕业生里，有3位本科生是来自您的课题组。”收到这条信息，姬生健写论文的疲惫一扫而空，他由衷为弟子们的优异表现感到高兴。严谨的导师：学子科研路上的引路人姬生健在实验室指导学生姬生健曾在美国约翰·霍普金斯大学医学院、康奈尔大学医学院工作，最终，他选择回国加盟南科大。在他看来，不论是科研还是人才培养，既要扎根中国大地，又要面向国际。他的思考与南科大的理念和实践不谋而合。本科生广泛参与科学研究已经成为南科大特色之一，而加入课题组则是他们参与科研的重要步骤。几位同学不约而同地表示，加入姬生健老师课题组不仅因为对专业方向感兴趣，也是因为了解和看重姬生健老师优秀的科研经历、丰富的科研成果和严谨的科研态度。大学生涯，姬生健老师给他们的成长带来了深刻影响。在姬生健看来，学生进入实验室的前提条件是学有余力，能够较好地完成自己的学习任务。他建议学生确定实验室后不要再轻易更换，这样可以保证持续做相关课题，也比较容易出成果。课题组每周都会召开小组会议，了解各个课题的实验进程，探讨解决方法，并拟定之后的实验目标。“我觉得参与课题小组会议的过程，让自己在科研思路和科研素质方面有了很大的提升。最难忘的是大四上学期，姬老师让我们毕业班的学生做自己提出的课题，同时给我们很多帮助。”张煜佳说。“严谨”是姬生健提到最多的一个词。他对课题组成员要求非常严格，尤其看重科研细节，比如要求学生培养良好的实验习惯、书写合格的实验记录、有条理地组织样品数据库、正确地记录和保存数据、规范分析数据和interpretation等等。“我希望他们都能养成良好的科研习惯。这是做好科研的基本功，也是让他们终身受益的事情，马虎不得。”姬生健说。严谨之余，姬生健也乐意给本科生机会去尝试和挑战，他允许本科生开展自己思考和提出的课题，并在设备、试剂、耗材等方面都给予全力支持。施玉玮表示：“我觉得最重要的一点是姬老师给我们指明方向并搭建平台，这有助于我们在探索中变得优秀且独特。”姬生健与课题组学生们（拍摄于2019年秋季学期）“在科研之外，导师也给了我们很多关怀和帮助。”蒋椿萱说，“在生活中遇到挫折的时候，姬老师的关怀常常让我们感到温暖。”施玉玮表示，“姬老师对生活和学习的指导是相辅相成的。他通过课题组活动和书院导师组活动，为我们的学习生活提供了很多乐趣。他还常常给我们一些生活上的建议，比如如何平衡学习和生活，如何在高强度的实验工作之余放松和调节状态。每个人都要学会在尝试和挫折中自己成长，姬老师的关怀让我们不至于迷失方向。”有爱课题组：学长学姐让科研路更有温度张煜佳在丹麦奥胡斯大学时实验室聚餐(左上)施玉玮在实验室学习（右上）袁玉景在西班牙暑期实习时出海观察（左下）蒋椿萱在看材料（右下）在课题组内做科研，这些科研刚起步的本科生不仅可以直接请教姬老师，还能得到课题组内的硕士生、博士生等学长学姐们给予的帮助，让他们从一窍不通的实验室小白到最后的游刃有余。年龄的接近，让学生们很快能够打成一片。张煜佳记得刚进入课题组时，大多数的实验他都没接触过，甚至一点都不了解，有些手足无措。后来，两个学姐就带他从最基础的步骤开始做实验。当时他在学习冷冻切片技术，师姐们很耐心地在旁边指导，分享她们在冷冻切片上的实验经验，不断练习之下，他才渐渐掌握这项技能。蒋椿萱和施玉玮也表示：“大一就逐渐开始跟随师兄师姐学习实验。初入实验室时什么都不懂，没有一点知识基础。在我们遇到问题的时候，他们会提供经验和建议，也会在平时实验中给我们提供一些帮助和指导。”课题组成员间的互相鼓励和支持也形成一种默契，让他们的科研之路更加有温度。同辈间交流，成为他们缓解压力和相互勉励的一个重要的途径。在实验室，或在约饭的时候，他们经常交流项目，以及各自实验的进度、实验过程中遇到的问题和解决办法，也常常涉及生活、学业、升学等重要议题。在大四做毕业设计时，他们还交流了诸多关于毕业设计的实验技术和想法。成长蜕变路：从青涩少年到意气风发父母听了一场宣讲会，回家之后跟她安利，蒋椿萱于是抱着了解一下的想法和南科大结下了不解之缘。入学后,蒋椿萱选择了更感兴趣的生物专业。她曾独自管理课题相关小鼠，参与了m6A对于小鼠神经发育的课题，探究了小脑浦肯野细胞体外培养方法以及尝试建立体外突触体系。“因为喜欢，想要知道更多关于人的大脑结构和认知的关系，想了解为什么人类有记忆、有思维、可以做决策等等关于认知的问题。” 蒋椿萱回忆起在刚上大学时，总想体验各种各样的新事物。她曾担任学校义工联副主席，也曾是学生会、应急救援队、戏剧社、义工联的骨干和班级的副班长，还作为创始人之一和书院同学一起创建荔园奶茶店。施玉玮施玉玮也是因为从宣讲会了解到特色新颖的育人模式而选择来到南科大。“无论是生活条件还是学习条件都满足了我对一所大学的期待。”在大一下学期,施玉玮根据通识教育期间的感受和探索，基本确定了自己想要选择的专业和想要加入的课题组。“南科大的特色是入学时不分专业，这让我们有更多时间去思考、发现自己真正的兴趣点以及未来要选择的道路。”施玉玮参加了学校应急救援队，她觉得普及应急救援知识很有意义。张煜佳还记得当年高考后，在南科大录取的名次中比较靠后。“很幸运当时没有失之交臂，也给了自己蜕变的机会，这四年超出了我的预期。我最欣赏的是学校运行的高效率，以及学校和生物系鼓励本科生参与科研，并提供了丰富的科研机会。”张煜佳说。袁玉景是学校的社团达人，他曾是南科大街舞社第四任社长，带领社团多次参加校内外表演，还与街舞社的同伴一起组织了深圳市高校联合比赛。另外，他还曾经利用暑假时间前往外地支教以及进行野外考察。如今，在南科大经历四年的蜕变，他们一改入学前的青涩，意气风发，自信满满。凭借良好的课业成绩及丰富的实践、科研经历，他们都获得了心仪大学的青睐。袁玉景袁玉景收获了特拉华大学、香港科技大学的全奖博士offer，以及麦吉尔大学的国家留学基金资助博士offer。成为野外生物学家，去大自然研究未知的生命一直是袁玉景的梦想，他在大三暑期曾去西班牙宽吻海豚研究所实习，并和研究所的老师开展小课题研究环境因素对海豚空间分布的影响。回南科大后，他对自己的兴趣点和未来的发展做了综合思考。最终，他选择了香港科技大学。未来，他将研究珊瑚礁的生态系统以及通过对海洋资源的研究开发潜在药物。施玉玮收获了伦敦国王学院、爱丁堡大学、哥本哈根大学和香港中文大学的offer。施玉玮坦言申请offer时有一些波折，幸运的是在写research proposal的过程中，身边老师和同学给了她很多鼓励和帮助。最终，她抱着试一试的心态拿到了差点失之交臂的心仪大学offer。“早早规划、勇于尝试很重要。”施玉玮总结经验时说到。张煜佳张煜佳收到了丹麦奥胡斯大学全奖博士offer和瑞典斯德哥尔摩大学offer。“我在申请材料以及暑研时展现了对于科研的浓厚兴趣，也在暑研中证明了自己的做实验和做课题的能力。”张煜佳在2018年暑假时申请参加了英国伯明翰大学暑期交流项目（BISS），在那里开展生物医学科学方面的课题。2019年暑期时，他又前往丹麦奥胡斯大学开展交流，在丹麦皇家科学院院士Torben Heick Jensen 课题组学习并从事关于真核生物中 RNA 转录终止机制的研究。而这次交流也帮他确定了自己想要升学的大学。蒋椿萱蒋椿萱由于参加了南科大和伦敦国王学院的合作项目，正在英国伦敦国王学院同时攻读硕士学位。根据南方科技大学生物系与伦敦国王学院“3+1”项目协议，学生前三年在南科大完成除毕业论文外所有课程的学习，再进入伦敦国王学院完成后续1年的毕业设计。毕业论文经南方科技大学与伦敦国王学院考核合格后，可获得南方科技大学学士学位以及伦敦国王学院硕士学位。“当时我的GPA和雅思成绩，还有其他条件，都达到了项目要求的标准。可能因为当时是项目第一届，竞争不算太激烈。” 蒋椿萱谦虚地说。离别之际，他们再一次表达了对南科大的感谢：“南科大给了我们极大支持，让我们能够更勇敢地追求自己想学的东西，做更好的自己。学校‘敢闯敢试、求真务实、改革创新、追求卓越’的创校精神会一直影响、激励我们。”给学弟学妹们的建议袁玉景：“最重要的是找到属于自己的天地，同时持之以恒地坚持自己热爱的‘事业’。在大学四年中，无论做什么，都要积极应对，让大学过得充实而丰富。”蒋椿萱：“接受以前自认为的不完美，在今后的日子里做出些改变。人生要不断经历，试错，随着大环境的改变努力让自己满意，加深对自己的了解。人生的选择最好都基于对自己的了解和需求，而不是随波逐流。”施玉玮：“努力的方向大于努力本身。”张煜佳：“首先顾好课业，并认清自己的兴趣和需求，学会把握机会。选专业的时候一定要关注自己真正的兴趣和天赋，不要盲从。”来源：南方科技大学 新媒体中心 新闻中心 采访：付文卿、苗雪宁通讯员: 付文卿 摄影：王凯强、部分由本人提供 文字、编辑：苗雪宁主图设计：丘妍

来源 ：新智元谷歌2019博士生奖研金项目新科入选名单公布：全球55人入选，其中华人/中国学生13人。谷歌的博士生奖研金项目（Google Ph.D Fellowship Program）创立于2009 年，以奖励在计算机学科及其相关学科或者其它前瞻科研领域方面表现优异的博士生。该项目为攻读计算机科学（或相关领域）研究生学位的学生提供了一个独特的机会，资助其自由探索影响未来的科技。创立10年来，Google Ph.D Fellowship已经资助来自澳大利亚、中国和东亚、印度、北美、欧洲、中东和非洲的近400名学生。每年，谷歌PhD Fellows会被邀请参加全球 PhD Fellowship Summit，在那里他们可以接触到谷歌正在进行的最先进的研究，并有机会与谷歌的研究员以及来自世界各地的其他博士研究生交流。Fellows们有机会展示海报，与谷歌的研究员讨论他们的工作，并从各自领域的大牛那里直接获得反馈。小组讨论由2位来自Google和2位来自学术界的校友组成，同时提供来自学术界和工业界的观点。今天，谷歌在官方博客宣布了新科Ph.D Fellowship入选者。一共55人入选，其中，中国人/华人学生13人，分别比去年少2人。入选领域：算法，优化和市场Peilin Zhong, Columbia University哥伦比亚大学计算机科学专业4年级博士，导师为 Alex Andoni, Cliff Stein, and Mihalis Yannakakis，研究方向理论计算机科学，主要是在算法的设计和分析。本科在清华大学姚班学习，发表顶会（包括NeurIPS、ICML、ICALP、SODA等）论文14篇，今年一年发表6篇！哈佛大学计算机科学专业3年级博士，导师为David C. Parkes博士，研究方向机制设计，机器学习和算法。本科在上海交通致远学院，发表论文9篇.入选领域：人机交互Hua Hua, Australian National UniversityANU博士在读。研究方向是知识表征与推理。入选领域：机器学习Diana Cai, Princeton University普林斯顿大学计算机科学博士生，研究贝叶斯统计和机器学习方面的问题。特别感兴趣的是开发用于概率建模和推理的强大且可扩展的方法。目前在机器学习女性董事会任职。研究得到了谷歌博士学位机器学习奖学金。入选领域：机器感知，语音技术和计算机视觉Chenxi Liu, Johns Hopkins University约翰斯·霍普金斯大学博士师从Alan Yuille，在加州大学洛杉矶分校和B.E. 在清华大学获得硕士学位。还曾在芝加哥的谷歌，Adobe，丰田技术学院，多伦多大学和莱斯大学度过时光。研究方向计算机视觉和自然语言处理。德克萨斯大学奥斯汀分校计算机科学系5年级博士。师从Kristen Grauman教授。 研究兴趣是计算机视觉，机器学习和数据挖掘。 2015年获得香港中文大学（CUHK）信息工程系颁发的一等荣誉学位。在香港中文大学，在Wing Cheong Lau教授的监督下，通过图形抽样进行了大型图形挖掘的研究。加州大学圣地亚哥分校CSE部门的二年级博士生。师从Ravi Ramamoorthi教授。 本科清华大学姚班。研究兴趣包括计算机图形学和计算摄影，特别关注真实的外观建模，捕捉和操作。悉尼科技大学（UTS）ReLER实验室的三年级博士候选人。师从 Yi Yang教授。2016年毕业于北京航空航天大学计算机科学与技术学院。香港中文大学MMLab二年级博士。师从Xiaogang Wang。研究兴趣包括：Auto ML，大规模（> 1M类）分类和神经网络理解的优化问题。是CVPR，ICCV，AAAI，IJCAI，T-PAMI，IJCV，TCSVT，PRCV的评审。入选领域：NLPHao Peng, University of Washington华盛顿大学保罗G.艾伦计算机科学与工程学院三年级博士学，师从Noah Smith研究兴趣包括自然语言处理和机器学习。本科北京大学，曾在Google AI，Microsoft Research Asia和爱丁堡大学实习。入选领域：NLPYuan Su, University of Maryland at College Park马里兰大学帕克分校计算机科学专业三年级博士生。师从Andrew Childs。入选领域：结构化数据和数据库管理Zhuoyue Zhao, University of Utah犹他大学计算机学院四年级的博士生。师从Feifei Li教授（注：这位教授是一位男性）。本科上海交通大学ACM班。研究兴趣是大规模数据管理系统;，特别是近似查询处理和查询优化、OLTP和OLAP引擎以及流处理。2019 年谷歌博士生奖研金完整名单算法，优化和市场Aidasadat Mousavifar, EPFL Ecole Polytechnique Fédérale de LausannePeilin Zhong, Columbia UniversitySiddharth Bhandari, Tata Institute of Fundamental ResearchSoheil Behnezhad, University of Maryland at College ParkZhe Feng, Harvard University计算神经科学Caroline Haimerl, New York UniversityMai Gamal, Nile University人机交互Catalin Voss, Stanford UniversityHua Hua, Australian National UniversityZhanna Sarsenbayeva, University of Melbourne机器学习Ablsalam Ometere Latifat, African University of Science and Technology AbujaAdji Bousso Dieng, Columbia UniversityBlake Woodworth, Toyota Technological Institute at ChicagoDiana Cai, Princeton UniversityFrancesco Locatello, ETH ZurichIhsane Gryech, International University Of Rabat, MoroccoJaemin Yoo, Seoul National UniversityMaruan Al-Shedivat, Carnegie Mellon UniversityOusseynou Mbaye, Alioune Diop University of BambeyRedani Mbuvha, University of JohannesburgShibani Santurkar, Massachusetts Institute of TechnologyTakashi Ishida, University of Tokyo机器感知，语音技术和计算机视觉Anshul Mittal, IIT DelhiChenxi Liu, Johns Hopkins UniversityKayode Kolawole Olaleye, Stellenbosch UniversityRuohan Gao, The University of Texas at AustinTiancheng Sun, University of California San DiegoXuanyi Dong, University of Technology SydneyYu Liu, Chinese University of Hong KongZhi Tian, University of Adelaide移动计算Naoki Kimura, University of Tokyo自然语言处理Abigail See, Stanford UniversityAnanya Sai B, IIT MadrasByeongchang Kim, Seoul National UniversityDaniel Patrick Fried, UC BerkeleyHao Peng, University of WashingtonReinald Kim Amplayo, University of EdinburghSungjoon Park, Korea Advanced Institute of Science and Technology隐私与安全Ajith Suresh, Indian Institute of ScienceItsaka Rakotonirina, Inria NancyMilad Nasr, University of Massachusetts AmherstSarah Ann Scheffler, Boston University编程技术与软件工程Caroline Lemieux, UC BerkeleyConrad Watt, University of CambridgeUmang Mathur, University of Illinois at Urbana-Champaign量子计算Amy Greene, Massachusetts Institute of TechnologyLeonard Wossnig, University College LondonYuan Su, University of Maryland at College Park结构化数据和数据库管理Amir Gilad, Tel Aviv UniversityNofar Carmeli, TechnionZhuoyue Zhao, University of Utah系统和网络Chinmay Kulkarni, University of UtahNicolai Oswald, University of EdinburghSaksham Agarwal, Cornell University如果您喜欢此类文章，我们请关注或使用评论功能↓↓声明：转载此文是出于公益传递更多信息之目的。若有来源标注错误或侵犯了您的合法权益，请作者持权属证明与本网联系，我们将及时更正、删除，谢谢。

近日，香港中文大学（深圳）理工学院和未来智联网络研究院喜报频传，我校博士生作为第一作者的三篇论文被顶级国际会议收录。三名博士生的论文被IEEE计算机视觉与模式识别顶会CVPR 2020和信息检索顶级会议ACM SIGIR 2020收录。博士一年级学生颜旭以第一作者身份发表的论文被IEEE计算机视觉与模式识别顶会CVPR 2020收录；博士一年级学生林逸群为第一作者的论文也被CVPR 2020收录，该篇论文为我校与中国科技大学及快手科技合作共同完成；计算机与信息工程专业博士二年级学生马畅翼作为第一作者的论文被ACM SIGIR 2020信息检索顶级国际会议收录。这三名博士生都是理工学院崔曙光教授通过“未来智联网络研究院”的科研平台面向全国招收的优秀学生，并与李镇教授、韩晓光教授、李文烨教授等联合执导。得知论文被接收，颜旭同学对于合作者和指导老师给予的支持和启发表示感谢。林逸群同学表示很受鼓舞，会继续努力。马畅翼同学说：“该工作对我自己来说是一个很好的锻炼，让我对机器学习和图像检索有了更加深刻的了解。同时，很感谢各位老师的支持，他们的指导对该工作起到了很重要的作用。” 颜旭计算机与信息工程项目博士一年级学生研究兴趣：3D点云处理论文题目：PointASNL: Robust Point Clouds Processing using Nonlocal Neural Networks with Adaptive Sampling论文摘要：原始点云数据不可避免地从3D传感器或在重建算法中包含异常值。该篇论文提出了一种用于鲁棒点云处理的新型端到端网络——PointASNL，可以有效地处理带噪声的点云。图：PointASNL其方法的关键部分是自适应采样（AS）模块。它首先从最远点采样点的周围对点的邻域加权，然后在整个点云中自适应地调整采样点。自适应采样模块不仅有益于点云的特征学习，而且缓解异常值的影响。为了进一步捕捉采样点和整体的长距离依赖关系，我们从非局部操作的角度出发，提出了局部-非局部 (local-Nonlocal, L-NL) 模块。这种局部-非局部模块使学习过程对噪声不敏感。大量的实验证明了在分类和语义分割任务上，在合成数据，室内、室外数据，是否有噪声的数据上，该模块都有良好性能和鲁棒性，并且在有大量噪声的真实户外数据集SemanticKITTI上，明显优于以前的方法。林逸群计算机与信息工程学博士一年级研究兴趣：3D点云处理论文题目：FPConv: Learning Local Flattening for Point Convolution论文摘要：点云是三维物体最为重要的表示形式之一，但同时也具有非规则、无序性和稀疏性的特点。为了克服三维卷积带来的计算资源消耗和分辨率限制，论文提出了一种基于局部展开的面卷积方法FPConv，通过学习投影权重，将局部点云非线性地投影到二维平面上，而后利用2D卷积进行有效的特征提取[图1]。FPConv可以方便地集成到各种网络结构中，以完成分类和3D场景分割等任务，达到与现有体卷积（如KPConv，PointConv）相媲美的性能[图2]。更重要的是，论文中的实验表明FPConv与体卷积互补，两者的结合可以进一步提高总体性能，得到最佳的结果。图1图2马畅翼计算机与信息工程专业博士二年级研究兴趣：机器学习基础理论论文题目：Large-scale Image Retrieval with Sparse Binary Projections论文摘要：受神经科学前沿技术启发，李文烨博士及其团队于2018年和2019年分别发表NeurIPS文章和技术报告，揭示了稀疏二值投影和竞争模型的诸多优良特性，为信息检索等经典问题提供了新的研究思路。不同于传统方法通过减少数据维度加快检索速度，我们的模型首先将样本投影到高维空间，然后利用WTA竞争对数据向量进行稀疏化和二值化重新表达。沿着该思路，本文借助一种新的算法，通过无监督训练来获得高质量的稀疏二值投影矩阵，并成功地应用于图像检索领域。实验结果表明，该方法针对大规模图像检索任务除了具有良好的稳定性之外，更能够有效提高检索精度和速度，并有效降低数据的存储需求，适合实际工业应用。·会议简介·SIGIR（ACM International Conference on Research and Development in Information Retrieval）国际计算机协会信息检索大会是一个展示信息检索领域中各种新技术和新成果的重要国际论坛，专注于信息存储、检索和传播的各个方面，同时也是中国计算机学会推荐的A类学术会议，享有很高的国际学术声誉。CVPR是由美国电气及电子工程师学会（IEEE）组织的计算机视觉领域最权威的国际会议之一，每年一届，与ICCV（计算机视觉国际会议）和ECCV（欧洲计算机视觉会议）并列为计算视觉领域最顶级的三大国际会议。国际计算机视觉领域普遍认为，CVPR/ICCV/ECCV三大会议代表了计算机视觉领域的旗舰和风向标，而其Oral Paper（口头论文）则基本代表当年度计算机视觉领域的最高水准。 2020年，CVPR共收到有效投稿论文6656篇，最终会议论文的录用率约为22%，而大会口头报告论文的录用率更低（2019年为5.6%）。来源：香港中文大学深圳