<mark id="oztn4"></mark>
1
學(xué)術(shù)青年分享會(huì)是雷鋒網(wǎng)旗下垂直AI領(lǐng)域?qū)W術(shù)交流社群——AI研習(xí)社所發(fā)起的活動(dòng)。AI研習(xí)社致力于建設(shè)全球領(lǐng)先的AI求知社區(qū)，基于專業(yè)直播平臺(tái)，進(jìn)行技術(shù)交流的公益?zhèn)鞑ズ蜕疃冉涣鳌?/p>
分享會(huì)通過邀請(qǐng)學(xué)術(shù)界、工業(yè)界學(xué)者進(jìn)行高質(zhì)量內(nèi)容分享，讓廣大學(xué)術(shù)青年了解最前沿的學(xué)術(shù)與行業(yè)技術(shù)進(jìn)展，成為連接學(xué)術(shù)界與工業(yè)界之間的橋梁，雷鋒網(wǎng)希望能夠從中發(fā)現(xiàn)一大批優(yōu)秀AI人才，推動(dòng)國內(nèi)AI行業(yè)的持續(xù)發(fā)展。
接下來是一大波國慶節(jié)后的分享會(huì)預(yù)告：
主題：端到端自動(dòng)駕駛與自動(dòng)駕駛前沿研究內(nèi)容
分享內(nèi)容：本次分享會(huì)嘉賓將會(huì)通過解讀這篇被CVPR2017收錄的論文《End-to-end Learning of Driving Models from Large-scale Video Datasets》來介紹自動(dòng)駕駛前沿的研究內(nèi)容 。本次工作的核心是定義了如何從視覺的角度通過深度學(xué)習(xí)來實(shí)現(xiàn)自動(dòng)駕駛，并且與英偉達(dá)、CMU的ALVINN的工作不同，不僅僅在路況簡單的情況下可以實(shí)現(xiàn)“車道跟隨”(lane following)，而且可以處理更復(fù)雜的環(huán)境，例如城市、商業(yè)區(qū)等。現(xiàn)有的深度學(xué)習(xí)的方法往往由于數(shù)據(jù)的原因被限制在固定的場景下，他們使用大規(guī)模眾籌(crowd-sourced)視頻數(shù)據(jù)，從而讓模型可以更好地泛化。他們沿著ALVINN的道路嘗試了端到端(end-to-end)的訓(xùn)練方式，這樣的模型探索了端到端自動(dòng)駕駛的可能性，同時(shí)隱含地學(xué)習(xí)出圖像中關(guān)鍵的信息，并且加入了LSTM來進(jìn)行對(duì)時(shí)間序列的建模，從而可以利用駕駛者的歷史信息。他們還嘗試了用其他task來增強(qiáng)主task，用語義分割網(wǎng)絡(luò)來對(duì)主要駕駛網(wǎng)絡(luò)進(jìn)行調(diào)整，發(fā)現(xiàn)對(duì)主要的task有部分效果提升。
分享人：許華哲，UC Berkeley博士，師從Prof. Trevor Darrell。對(duì)計(jì)算機(jī)視覺、自動(dòng)駕駛、強(qiáng)化學(xué)習(xí)感興趣。本科畢業(yè)于清華大學(xué)電子工程系。
10月11日 20:00
主題：基于LSTM-RNN的語音聲學(xué)建模技術(shù)
分享內(nèi)容：LSTM-RNN可以對(duì)長時(shí)序列信息進(jìn)行建模，廣泛應(yīng)用于語音識(shí)別聲學(xué)模型建模中。此次主要介紹近期LSTM的一些研究進(jìn)展包括LC-BLSTM，2D-LSTM等。其中LC-BLSTM采用了雙向LSTM結(jié)構(gòu)，并在訓(xùn)練和解碼時(shí)加入了數(shù)幀的未來信息來控制延時(shí)，解決了普通雙向LSTM無法用于實(shí)時(shí)語音識(shí)別的問題；而2D-LSTM在時(shí)間和頻域兩個(gè)維度上進(jìn)行循環(huán)，同時(shí)保存時(shí)間軸與頻域軸的序列信息，Google和微軟都在大規(guī)模語音識(shí)別任務(wù)上驗(yàn)證了這類2D-LSTM結(jié)構(gòu)的有效性。
分享人：張弼弘，2017年4月畢業(yè)于西北工業(yè)大學(xué)并獲得碩士學(xué)位。研究方向是語音識(shí)別聲學(xué)建模，深度學(xué)習(xí)，機(jī)器學(xué)習(xí)。目前就職于搜狗。
主題：神經(jīng)霍克斯過程：一個(gè)基于神經(jīng)網(wǎng)絡(luò)的自調(diào)節(jié)多變量點(diǎn)過程
分享內(nèi)容：對(duì)連續(xù)時(shí)間上的離散事件進(jìn)行建模，一直是一個(gè)非常重要的研究方向：發(fā)現(xiàn)事件中廣泛而復(fù)雜的影響關(guān)系，可以幫助我們準(zhǔn)確地預(yù)測(cè)未來事件的類型和發(fā)生時(shí)間。在這篇NIPS文章中，作者設(shè)計(jì)了一個(gè)基于神經(jīng)網(wǎng)絡(luò)的點(diǎn)過程模型，并通過一個(gè)continuous-time LSTM增強(qiáng)了該模型在連續(xù)時(shí)間上的表達(dá)和泛化能力。實(shí)驗(yàn)結(jié)果充分證實(shí)了所提出的模型的良好性能。
分享人：梅洪源 ，JHU CS系二年級(jí)博士生，導(dǎo)師Jason Eisner教授。 研究興趣在于機(jī)器學(xué)習(xí)和自然語言處理。 在此之前，他曾在芝加哥大學(xué)自然科學(xué)學(xué)院獲得碩士學(xué)位，并在華中科技大學(xué)電子信息工程系獲得學(xué)士學(xué)位。他曾在微軟研究院和豐田技術(shù)研究所實(shí)習(xí)。
10月13日 20:00
主題：Beyond Universal Saliency: Personalized Saliency Prediction with Multi-task CNN
分享內(nèi)容：顯著性檢測(cè)是計(jì)算機(jī)視覺中長期存在的問題。現(xiàn)有的大部分研究都集中在探索用戶間普遍存在的顯著性模型，即缺乏對(duì)個(gè)體在性別、年齡、習(xí)慣上差異的重視。在這篇IJCAI文章中，作者首次提出了個(gè)人顯著性預(yù)測(cè)任務(wù)，并建立了首個(gè)個(gè)人顯著性數(shù)據(jù)庫，同時(shí)提出基于卷積神經(jīng)網(wǎng)絡(luò)的多任務(wù)個(gè)人顯著性預(yù)測(cè)模型（Multi-Task Convolutional Neural Network），實(shí)驗(yàn)結(jié)果驗(yàn)證了模型的良好的性能。
分享人：徐衍鈺，上海科技大學(xué)信息學(xué)院三年級(jí)博士生，導(dǎo)師為高盛華教授。2011年本科畢業(yè)于大連理工大學(xué)。主要研究方向?yàn)橛?jì)算機(jī)視覺，例如顯著性分析、人臉對(duì)齊等。
掃描二維碼備注「雷鋒網(wǎng)」立即報(bào)名活動(dòng)。
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
