cvpr ieee conference on computer vision and pattern recognition
nips neur..
扫扫二维码，随身浏览文档
手机或平板扫扫即可继续访问
模式识别领域的期刊，会议 转
举报该文档为侵权文档。
举报该文档含有违规或不良信息。
反馈该文档无法正常浏览。
举报该文档为重复文档。
推荐理由：
将文档分享至：
分享完整地址
文档地址：
粘贴到BBS或博客
flash地址：
支持嵌入FLASH地址的网站使用
html代码：
&embed src='/DocinViewer-4.swf' width='100%' height='600' type=application/x-shockwave-flash ALLOWFULLSCREEN='true' ALLOWSCRIPTACCESS='always'&&/embed&
450px*300px480px*400px650px*490px
支持嵌入HTML代码的网站使用
您的内容已经提交成功
您所提交的内容需要审核后才能发布，请您等待！
3秒自动关闭窗口CCPR 模式识别讲习班
CCPR 模式识别讲习班
-16日 长沙 （与CCPR2014 一同召开）
模式识别一直以来是计算机和自动化学科的研究热点，也是各种智能应用的关键技术，如视频监控、图像搜索、移动增强现实、智能问答系统等。这是一个跨学科的领域，牵涉到机器学习、统计计算、优化算法、图像/视频处理、语音语言处理等。模式识别正处在一个基础研究和应用研究爆发的时期。随着智能设备和物联网的不断发展，模式识别具有更广阔的研究和应用前景。
本次模式识别讲习班与 CCPR 2014 一同召开，邀请到模式识别领域知名的专家学者做主题报告，希望能对从事该领域的学生、老师和工业界研究人员有所帮助。本讲习班将对模式识别的热点理论和方法、重点应用研究进行介绍，使参加者在了解学科热点、提高学术水平的同时，增加交流机会和实践体验。&工欲善其事，必先利其器&，我们相信这次讲习班将有助于大家未来的研究工作。
学术主任：王　亮　中科院自动化所研究员
主办单位：模式识别国家重点实验室
协办单位：湖南大学
（按姓名拼音排序）
Prof.&Qiang Ji
题目：Probabilistic Graphical Models and Their Applications in Computer Vision
Probabilistic graphical models (PGMs) have been increasingly applied to solve many computer vision problems, thanks mainly to their powerful capability in representing various types of visual knowledge as well as to the availability of principled statistical theories and algorithms for inference and learning. &Under probabilistic models, data are modeled as a collection of random variables with a particular pattern of possible dependencies among them. &Using the model, we can then discover knowledge, predict future events, and infer hidden causes. &In this lecture, I will first introduce&different types of PGMs including directed PGMs such as Bayesian Networks, Hidden Markov Models, and Dynamic Bayesian Networks as well as undirected PGMs such as Markov Networks, Conditional Random Fields, and Restricted Boltzmann Machine. &I will then discuss various PGM learning and inference methods, including both parameter and structure learning as well as both exact and approximate inference methods. &The second part of this lecture will cover the applications of PGMs to computer vision. These applications include image segmentation, facial expression recognition, object tracking, and human action/activity recognition. &This lecture will conclude with a discussion of remaining issues and future directions in PGM research and in its application in computer vision.
Qiang Ji received his Ph.D degree in Electrical Engineering from the University of Washington. He is currently a Professor with the Department of Electrical, Computer, and Systems Engineering at Rensselaer Polytechnic Institute (RPI). From 2009 to 2010, he served as a program director at the National Science Foundation (NSF), where he managed NSF&s computer vision and machine learning programs. He also held teaching and research positions with the Beckman Institute at University of Illinois at Urbana-Champaign, the Robotics Institute at Carnegie Mellon University, the Dept. of Computer Science at University of Nevada at Reno, and the US Air Force Research Laboratory. Prof. Ji currently serves as the director of the Intelligent Systems Laboratory (ISL) at RPI.
Prof. Ji's research interests are in computer vision, probabilistic graphical models, information fusion, and their applications in various fields. He has published over 200 papers in peer-reviewed journals and conferences. He has won several awards from IEEE and other international journal and conferences. His research has been supported by major governmental agencies including NSF, NIH, DARPA, ONR, ARO, and AFOSR as well as by major companies. Prof. Ji is an editor on several related IEEE and international journals and he has served as a general chair, program chair, technical area chair, and program committee member in numerous international conferences/workshops. Prof. Ji is a fellow of IAPR
Dr.&Xiaogang Wang
报告题目：Introduction to Deep Learning and its applications in Computer Vision
Deep learning has become a major breakthrough in artificial intelligence and achieved amazing success on solving grand challenges in many fields including computer vision. Its success benefits from big training data and super parallel computational power emerging in recent years, as well as advanced model design and training strategies. In this talk, I will try to introduce deep learning and explain the magic behind it. Through concrete examples of computer vision applications, I will illustrate four key points about deep learning. (1) Different than traditional pattern recognition systems, which heavily rely on manually designed features, deep learning automatically learns hierarchical feature representations from data and disentangles hidden factors of input data through multi-level nonlinear mappings. (2) Different than existing pattern recognition systems which sequentially design or training their key components, deep learning is able to jointly optimize all the components and crate synergy through close interactions among them. (3) While most machine learning tools can be approximated with neural networks with shallow structures, for some tasks, the expressive power of deep models increases exponentially as their architectures go deep. (4) Benefitting the large learning capacity of deep models, we also recast some classical computer vision challenges as high-dimensional data transform problems and solve them from new perspectives. &Some open questions related to deep learning will also be discussed in the end.
讲者简介：
Xiaogang Wang received his Bachelor degree in Electrical Engineering and Information Science from the Special Class of Gifted Young at the University of Science and Technology of China in 2001, M. Phil. degree in Information Engineering from the Chinese University of Hong Kong in 2004, and PhD degree in Computer Science from Massachusetts Institute of Technology in 2009. He is an assistant professor in the Department of Electronic Engineering at the Chinese University of Hong Kong since August 2009. He received the Outstanding Young Researcher in Automatic Human Behaviour Analysis Award in 2011, Hong Kong RGC Early Career Award in 2012, and Young Researcher Award of the Chinese University of Hong Kong. He is the associate editor of the Image and Visual Computing Journal. He was the area chair of ICCV 2011, ECCV 2014 and ACCV 2014. His research interests include computer vision, deep learning, crowd video surveillance, object detection, and face recognition.
Dr.&Yan Shuicheng
题目:&&PASCAL VOC Classification Challenge:
In this talk, we shall summarize the progress of PASCAL VOC classification challenge from 2010 to 2014, namely how the performance is step-by-step improved from 0.73 to above 0.90.
The contents include:
Contextualizing object classifi
Hypothesis-CNN-Pooling framework.
Also live demo shall be presented to demonstrate the state-of-the-art performance.
讲者简介：
Dr. Yan Shuicheng is currently an Associate Professor at the Department of Electrical and Computer Engineering at National University of Singapore, and the founding lead of the Learning and Vision Research Group (http://www.lv-nus.org). Dr. Yan's research areas include machine learning, computer vision and multimedia, and he has authored/co-authored nearly 400 technical papers over a wide range of research topics, with Google Scholar citation &12,000 times. He is ISI highly-cited researcher 2014, and IAPR Fellow 2014. He has been serving as an associate editor of IEEE TKDE, CVIU and TCSVT. He received the Best Paper Awards from ACM MM'13 (Best Paper and Best Student Paper), ACM MM&12 (Best Demo), PCM'11, ACM MM&10, ICME&10 and ICIMCS'09, the runner-up prize of ILSVRC'13, the winner prizes of the classification task in PASCAL VOC , the winner prize of the segmentation task in PASCAL VOC 2012, the honorable mention prize of the detection task in PASCAL VOC'10, 2010 TCSVT Best Associate Editor (BAE) Award, 2010 Young Faculty Research Award, 2011 Singapore Young Scientist Award, and 2012 NUS Young Researcher Award.
杨健&教授&
题目：Structured 2D Methods for Feature Extraction and Classification
2DPCA has been a popular method for image feature extraction. In this talk, we first give an overview 2DPCA: its algorithm and properties. We know that2DPCA can be equivalently implemented via image-row based 1D PCA because it uses the F-norm. We then presents a structured 2D PCA method, namely, nuclear norm based 2DPCA (N-2DPCA). N-2DPCA uses a nuclear norm based reconstruction error criterion. The nuclear norm is a matrix norm, which provides a structured 2D characterization for the reconstruction error. Finally, we talk about our new work: nuclear norm based structured 2D regression. The method is used to design a classifier for robust face recognition.
讲者简介：
2002年7月博士毕业于南京理工大学计算机学院模式识别专业。自2003年起，先后在西班牙萨拉戈萨大学、香港理工大学、美国新泽西理工学院、加州理工学院从事博士后或访问研究。2007年9月起任南京理工大学计算机学院教授，2014年3月起任南京理工大学计算机科学与工程学院副院长。
长期从事模式识别理论与应用方面的研究，先后主持了国家自然科学基金面上项目，国家杰出青年科学基金项目，教育部科学技术研究重大项目，国家973课题等项目。在模式识别和机器智能领域的顶级国际期刊 IEEE Trans. on PAMI上发表论文3篇，在其他IEEE Transactions及Pattern Recognition等国际SCI源期刊上发表论文70余篇。SCI被引用3000余次，Google Scholar被引用6000余次。现担任国际SCI源学术期刊的IEEE Trans. on Neural Networks and Learning Systems和Pattern Recognition Letters的编委。
曾获国家自然科学二等奖（第二完成人）；江苏省科技进步一等奖（第二完成人）；教育部科技进步奖(推广类) 二等奖（第二完成人）；第十一届中国青年科技奖；第二届&SCOPUS寻找青年科学之星&成长奖；国务院政府特殊津贴；入选国家百千万人才工程，被授予&有突出贡献中青年专家&称号。
查红彬 教授
题目：&结构敏感的图像分析和场景建模
图像分割和识别、场景建模是计算机视觉中基础的研究问题，其挑战来自问题本质的病态定义、输入噪声和分辨率不足、遮挡和光照等干扰因素导致的二义性。如何发现和利用关于场景布局和物体结构的信息、编码人类感知系统所启发的附加先验知识、挖掘问题数学描述中的结构约束，是解决基于图像的分析和建模的一个重要的研究方向。对于大多数图像分析任务，成功解决问题的第一步是发现某种尺度下高效的图像描述，我们尝试将结构约束加入到不同尺度的图像特征，加强了这些特征与图像结构和内容的关联，提高了其对类内变化的容忍能力和对类间差异的辨别能力。我们发现结构约束能够提高图像分割、目标检测和视觉识别的精度和效率，相关算法超越了前沿算法的性能。经典的运动恢复结构(SFM)依靠稀疏关键特征点来计算场景的几何结构和相机参数，我们尝试使用场景结构语法或物体模型先验，通过拆分重拼装的方式，以增强形状的精细几何结构，实现逼真的三维建模。我们发现基于结构分析的方法能够有效提高深度传感器数据的精度和解析度，达到较好的形状增强结果。
讲者简介：
北京大学信息科学技术学院智能科学系教授（教育部长江学者奖励计划特聘教授）。1990年在日本九州大学工学院获博士学位。现任北京大学信息科学技术学院副院长，智能科学系主任，机器感知与智能教育部重点实验室主任。主要从事计算机视觉、模式识别与智能人机交互的研究，在三维视觉几何计算、三维重建与环境几何建模、三维物体识别、三维人脸动画和动态目标跟踪等方面取得了一系列成果。出版学术期刊及国际会议论文300多篇，其中包括IEEE Trans. PAMI，Int. J. Computer Vision, IEEE Trans. VCG, IEEE Trans. RA, IEEE Trans. SMC,ACM TIST, Pattern Recognition 等国际期刊以及ICCV, ECCV, CVPR, CHI, ICML, AAAI,ICRA等国际学术会议论文60 余篇。
张长水 教授
题目：机器学习方法介绍
在这个报告中，介绍在过去几年中机器学习的一些方法，对当前机器学习领域正在研究和关心的挑战问题做一些介绍和讨论。
讲者简介：
1992年7 月毕业于清华大学自动化系，获得博士学位。1992年7月至今在清华大学自动化系从事教学和科研工作。现任清华大学自动化系教授、博士生导师，主要研究兴趣包括：机器学习、模式识别、计算视觉等方面。目前是自动化学会理事、人工智能学会常务理事、计算机学会高级会员；担任学术期刊：&Pattern Recognition&, &International Journal of Applied Mathematics & Computer Science&, &计算机学报&，&自动化学报&等编委；近年来在国际期刊发表论文50多篇，在顶级会议上发表论文40多篇。
刘成林&研究员
题目：怎样做科研和写学术论文
发表高质量学术论文的前提是有高质量研究成果，有重要学术价值或应用价值。本讲座从我在文字识别领域发表的几篇论文出发，就以下几方面介绍产生研究成果和撰写学术论文的经验。
什么是高质量研究成果；
如何寻找有价值的研究问题；
如何产生高质量的解决方案；
论文的组成要素和撰写要点；
如何提高英语写作水平；
投稿中注意事项。
讲者简介：
中科院自动化研究所模式识别国家重点实验室主任、研究员、博士生导师。1995年在中国科学院自动化研究所获模式识别与智能控制专业工学博士学位。2005年入选中国科学院&百人计划&。2008年获得国家杰出青年科学基金资助。研究兴趣包括图像处理、模式识别、机器学习、文字识别与文档分析等。在文字识别领域，特别是手写字符的识别与分割方面取得了突出的研究成果，并因此荣获2005年国际模式识别协会IAPR/ICDAR Young Investigator Award（青年学者奖）。研制的算法在多种信息产品中得到实际应用。在国际期刊和国际会议上发表论文190余篇，其中以第一作者发表在一流学术期刊（IEEE Trans. PAMI，IEEE Trans. Neural Networks, Pattern Recognition等）上20篇。合著英文专著一本。获得授权发明专利3项。现任国际刊物Pattern Recognition, Image and Vision Computing, Int. J. Document Analysis and Recognition和国内期刊《自动化学报》的编委。中国自动化学会和计算机学会高级会员、美国电气电子工程师协会高级会员(IEEE Senior Member)、国际模式识别学会会士(IAPR Fellow)。
本次讲习班费用由 CCPR 2014 会议主办方代收，请访问 &了解注册详情。
报名请填写并发送以下报名表至邮箱 rhe1979 ，邮件主题为&姓名-职称-单位&。本次讲习班欲接纳150名学员，按报名先后录取。
联系人：赫然
E-Mail:&rhe1979
电话：010-
地址：北京中关村东路 95 号智能化大厦（100190）
CCPR模式识别讲习班报名表
任职单位（包括学院/系/实验室名称）
专业、研究方向
发票项目内容 &
□注册费 □会议费 □会务费 □培训费
我申请参加本届研究峰会并承诺按主办单位的规定参加。1296人阅读
第一章：会议 conferences
一般来说，学术会议会设置很多chairs，各种chairs职责不同。General chairs是负责组织会议的准备和进行的，program chairs负责接收paper并确定paper的领域。各个领域会有area chairs，负责将每篇paper分发给不同的reviewer。Reviewer不属于会议的领导层。会议的审稿分为双盲，单盲和全透明。双盲就是审稿人不知道审的是谁的，作者也不知道自己的paper由谁审。单盲就是审稿人知道在审谁的paper，作者却不知道自己的paper被谁审。全透明就是双方都知道。视觉界三大会议CVPR，ICCV，ECCV都是双盲的。很多大牛导师不喜欢双盲，因为自己的牛文可能被一个小弱reviewer给拒了。如果不是双盲审稿，reviewer基本不会去拒大牛的paper。这就是跟牛导师的一大好处。
会议没有影响因子一说，但是也有很多评价会议好坏的指标，比如H-index，这个后面再讲。还有一个就是接受率acceptance rates。好的会议接受率一般会比较低。一般会议在提交截止日期三个月之后会告诉你是否接受你的论文。中国学生投会议一般都要优先考虑会议地点，因为中国护照和签证问题是个致命伤。开完了会，你的paper会以会议的proceeding的形式成为出版物。但是如果你的paper被会议接受了，但是你没去开会，不仅你的paper不会被proceeding收录，而且还可能被加入黑名单。“投了会议却不去开会是严重的学术不端行为。”——引自我老板
第二章：期刊 journals
视觉，图像和模式领域一般都不讨论影响因子IF这个概念，因为实在是太特么低了，顶级的TPAMI也才在4到6之间波动，而生物、化学相关的专业随便一个期刊的IF都是十几二十几。H-index是个不错的指标，而且可以和会议一起进行比较。
期刊的审稿一般都不是双盲的，审稿人都会知道自己审的是谁的稿，有时还会主动和你联系。因此，那些比较有名的实验室发期刊一般比较容易，但是那些新的实验室或者小的实验室就很难发了，这也造成了一定程度上的不公平。
期刊的审稿是非常非常慢的，而且步骤多，很麻烦。提交之后，先有工作人员给你审格式，格式不对直接退回，格式对了才能送往reviewer手中。以TPAMI为例，第一轮review一般在3个月到半年之间，结果有五种：直接接受，接受但需要小改，接受但需要大改，重新提交，拒绝接受。第二轮review一般2到4个月，结果有三种：接受，接受但需要小改，拒绝接受。
第三章：H-Index
H-index是一个混合量化指标，可用于评估研究人员的学术产出数量与学术产出水平。一个人在其所有学术文章中有N篇论文分别被引用了至少N次，他的H-index就是N。同样，H-index也可以用来衡量会议和期刊的影响力。一个会议和期刊的H-index可以在微软的学术搜索中找到：http://academic./
在我们领域，只有一个期刊的H-index是超过200的，那就是TPAMI，也有人简写为PAMI。很多流芳千古的论文都出自TPAMI。博士期间要是发过一篇TPAMI，那绝对是大神级别的。当然，TPAMI也是我的目标，但是实现起来还是有点难的。
此外，有很多H-index在100以上的会议和期刊，像IJCV，ICCV，ECCV，CVPR，NIPS，AAAI等。博士期间能够发一两篇，就算是大牛了。
H-index在50以上，也算是优质的期刊和会议了，但是收录的文章质量参差不齐。比如我老板为editor的CVIU，H-index为89，不算太高，里面估计也有不少灌水的论文，但是有很多著名的文章都是从CVIU出来的，比如SURF特征，Active Shape Models，和大量的survey文章。
H-index在20到50之间的，就是水分比较大的了。一帮教授在一起，想自己过过当chairs的瘾，就自己组一个会议，邀请同行来投稿。这个档次的期刊和会议关注度不是那么高，但也不能说它们差。博士前几年把自己的论文投过去，不仅可以作为starter，还可以去会议认识人，出去走一走，非常不错的。
H-index在20以下的，那就很水了，一般都是一些刚刚组建实验室的导师，为了积累自己的publication history，便鼓励自己的学生去发表，等到积累了一定的数量，再去冲刺高级别的会议和期刊。人都是有渐进过程的，所以不要鄙视灌水的人，别人这么做都有自己的原因。但如果你导师是大牛，你还拿个大作业级别的东西去灌这种期刊或者会议，那肯定要被人鄙视的。当然，如果会议地点在夏威夷之类的地方，那又另当别论了。
最后，推荐我学长做的一个网站：/
更新：该网站已与视觉界第一大网站Computer Vision Central合并！/
顺便给出我搜集的一些期刊和会议的H-index供大家比较：
期刊 Journals:
-TPAMI: 242
-IEEE Transactions on Image Processing: 153
-IJCV: 152
-IEEE Transactions on Medical Imaging: 129
-Pattern Recognition: 112
=============================================
-Image and Vision Computing: 80
=============================================
-IJPRAI: 39
-Machine Vision and Applications: 38
-International Journal of Image and Graphics: 16
-Journal of Real-time Image Processing: 10
-Signal, Image and Video Processing: 7
会议 Conferences:
-CVPR: 153
-SIGGRAPH: 182
-NIPS: 133
-AAAI: 132
-ICCV: 126
-ICML: 126
-ECCV: 105
=============================================
-ICASSP: 98
=============================================
-MICCAI: 47
-MMBIA: 23
-ICIAR: 12
顺带给出别的领域的一些期刊会议的H-index：
-Nature: 615&
-ICRA: 108
-ICINCO: 10
-ICARCV: 8
PS: 关于H-index的理解，会有一些误区。H-index不是万能的，只是一个简单的参考。比如MICCAI的H-index只有47，但其实MICCAI差不多是和CVPR一个级别的会议，只是侧重点不同而已。很多实验室都会把牛paper往MICCAI和CVPR之间轮着投。IPMI的H-index只有39，但IPMI其实是一个很小众但是很高端的会议，去参加IPMI决不能当作是去旅游的，presentation如果准备不周到会被羞辱到死的。此外，每个教授也会有自己的H-index，这个更不能说明问题了。因为随着时间推进科技发展，人类的出版物是指数增加的。很多著名的老教授，发的论文并不多，尽管有很多经典的论文，影响都很大，但H-index不高。很多年轻的教授，没有太著名的论文，但是数量巨多，也会有一些不错的论文，但都算不上经典，他的H-index也会很高。最后，很多真正的牛人是不需要灌水的。多年科研默默无闻，最后发一篇顶级，秒杀所有人。
* 以上用户言论只代表其个人观点，不代表CSDN网站的观点或立场
访问：376350次
积分：4926
积分：4926
排名：第2529名
原创：89篇
转载：50篇
译文：21篇
评论：42条
(4)(1)(1)(3)(4)(1)(4)(8)(12)(17)(9)(21)(2)(5)(3)(27)(38)我校区计算机学科在人工智能和模式识别领域取得新进展
&&& 近日，在国家自然科学基金、香江学者计划和哈工大青年拔尖人才计划等项目支持下，我校区计算机科学与技术学院青年教师张盛平副教授以第一作者身份与通用电气全球研究中心（General Electric Global Research）的Shiva Kasiviswanathan博士、香港浸会大学计算机系的Pong C Yuen教授和澳大利亚国立大学（Australian National University）的Mehrtash Harandi博士共同完成的研究工作“Online Dictionary Learning on Symmetric Positive Definite Manifolds with Vision Applications”被第29届AAAI人工智能国际会议录用为大会报告(Oral)的长文(Full paper)。这是我校区首次以第一单位在该国际会议上发表论文。
&&&&AAAI成立于1979年，全称为the Association for the Advancement of Artificial Intelligence，其前身是the American Association for Artificial Intelligence。 AAAI是人工智能领域最好的两个顶级国际学术会议之一。 今年的AAAI共收到1991篇投篇，最终录用531篇，其中238篇被录用为大会报告，录用率为11.95% 。本届会议将于2015年1月25-30日在美国德克萨斯州的奥斯汀举行。
&&& 此外，张盛平博士以第二作者身份与校本部姜峰博士等人合作完成的“Multi-layered Gesture Recognition with Kinect”也于近期被人工智能和模式识别领域的顶级期刊Journal of Machine Learning Research （JMLR）录用。这是我校首次在JMLR上发表论文。JMLR 2013年全年共接收764篇投稿，仅录用135篇，录用率为17.67%。根据最新的影响因子报告，JMLR2013年影响因子为2.853。
&& 中国计算机学会（CCF）将计算机学科的期刊和会议分为A、B、C三档。根据CCF的分类标准，其中“A类指国际上极少数的顶级刊物和会议，鼓励我国学者去突破”。张盛平博士近期录用的AAAI会议论文和JMLR期刊论文均属于A类。近年来，我校区计算机科学与技术学院高度重视对青年教师的培养，鼓励和支持青年教师同国外高水平大学和科研机构展开合作。此次张盛平博士能在顶级的国际期刊和会议上发表论文，表明我校区计算机学科在模式识别和人工智能领域的研究取得了一定的进展，也在全球的科研舞台上展示了我校区计算机学科的科研实力。
文章发布员：王建亭
没有相关文章
&&当前位置
&&&&新闻内容<<
&&新闻搜索
[浏览：640]&6月8日[浏览：625]&6月4日[浏览：485]&6月15日[浏览：463]&6月12日[浏览：445]&6月4日[浏览：433]&6月23日[浏览：398]&7月2日[浏览：376]&7月2日[浏览：321]&6月22日[浏览：303]&6月11日[浏览：283]&6月3日[浏览：274]&6月8日