常青藤名校嘉賓來了！一周4場學術公開課，乾貨太多完全聽不過來……

預祝大家國慶 + 中秋快樂~

言歸正傳

假期出門遊玩回來

記得繼續關注

學術青年分享會

接下來

是一大波預告

10 月 10 日10:30

主題：端到端自動駕駛與自動駕駛前沿研究內容

分享內容：本次分享會嘉賓將會通過解讀這篇被 CVPR2017 收錄的論文《End-to-end Learning of Driving Models from Large-scale Video Datasets》來介紹自動駕駛前沿的研究內容 。本次工作的核心是定義了如何從視覺的角度通過深度學習來實現自動駕駛，並且與英偉達、CMU 的 ALVINN 的工作不同，不僅僅在路況簡單的情況下可以實現 「車道跟隨」(lane following)，而且可以處理更複雜的環境，例如城市、商業區等。現有的深度學習的方法往往由於數據的原因被限制在固定的場景下，他們使用大規模眾籌 (crowd-sourced) 視頻數據，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) 的訓練方式，這樣的模型探索了端到端自動駕駛的可能性，同時隱含地學習出圖像中關鍵的信息，並且加入了 LSTM 來進行對時間序列的建模，從而可以利用駕駛者的歷史信息。他們還嘗試了用其他 task 來增強主 task，用語義分割網路來對主要駕駛網路進行調整，發現對主要的 task 有部分效果提升。

分享人：許華哲，UC Berkeley 博士，師從 Prof. Trevor Darrell。對計算機視覺、自動駕駛、強化學習感興趣。本科畢業於清華大學電子工程系。

10 月 11 日20:00

主題：基於 LSTM-RNN 的語音聲學建模技術

分享內容：LSTM-RNN可以對長時序列信息進行建模，廣泛應用於語音識別聲學模型建模中。此次主要介紹近期 LSTM 的一些研究進展包括 LC-BLSTM，2D-LSTM 等。其中 LC-BLSTM 採用了雙向 LSTM 結構，並在訓練和解碼時加入了數幀的未來信息來控制延時，解決了普通雙向 LSTM 無法用於實時語音識別的問題；而 2D-LSTM 在時間和頻域兩個維度上進行循環，同時保存時間軸與頻域軸的序列信息，Google 和微軟都在大規模語音識別任務上驗證了這類 2D-LSTM 結構的有效性。

分享人：張弼弘，2017 年 4 月畢業於西北工業大學並獲得碩士學位。研究方向是語音識別聲學建模，深度學習，機器學習。目前就職於搜狗。

10 月 12 日20:00

主題：神經霍克斯過程：一個基於神經網路的自調節多變數點過程

分享內容：對連續時間上的離散事件進行建模，一直是一個非常重要的研究方向：發現事件中廣泛而複雜的影響關係，可以幫助我們準確地預測未來事件的類型和發生時間。在這篇 NIPS 文章中，作者設計了一個基於神經網路的點過程模型，並通過一個 continuous-time LSTM 增強了該模型在連續時間上的表達和泛化能力。實驗結果充分證實了所提出的模型的良好性能。

分享人：梅洪源 ，JHU CS 系二年級博士生，導師 Jason Eisner 教授。 研究興趣在於機器學習和自然語言處理。 在此之前，他曾在芝加哥大學自然科學學院獲得碩士學位，並在華中科技大學電子信息工程系獲得學士學位。他曾在微軟研究院和豐田技術研究所實習。

10 月 13 日20:00

主題：Beyond Universal Saliency: Personalized Saliency Prediction with Multi-task CNN

分享內容：顯著性檢測是計算機視覺中長期存在的問題。現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，即缺乏對個體在性別、年齡、習慣上差異的重視。在這篇 IJCAI 文章中，作者首次提出了個人顯著性預測任務，並建立了首個個人顯著性資料庫，同時提出基於卷積神經網路的多任務個人顯著性預測模型（Multi-Task Convolutional Neural Network），實驗結果驗證了模型的良好的性能。

分享人：徐衍鈺，上海科技大學信息學院三年級博士生，導師為高盛華教授。2011 年本科畢業於大連理工大學。主要研究方向為計算機視覺，例如顯著性分析、人臉對齊等。

報名方式

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！

本站內容充實豐富，博大精深，小編精選每日熱門資訊，隨時更新，點擊「搶先收到最新資訊」瀏覽吧！

請您繼續閱讀更多來自 唯物 的精彩文章: