模式识别与机器智能前沿讲坛

主办单位： 中国自动化学会模式识别与机器智能专委会中国图象图形学学会中国图象图形学学会机器视觉专委会
承办单位： 广东工业大学网络身份安全粤港联合实验室

会议日程

Session 1：机器视觉 （2018年1月12日 上午9:30–11:30）1. 文档图像识别研究现状与趋势，刘成林，中国科学院自动化研究所副所长、国家杰青2. 低秩子空间恢复模型的闭解及其应用， 林宙辰，北京大学信息科学技术学院教授、国家杰青) Session 2：机器学习 （2018年1月12日 下午1:30–3:30）1. Double Forward Propagation for Memorized BatchNormalization，谭明奎，华南理工大学软件学院教授、青年千人2. Human-Powered Machine Learning， 陈雷，香港科技大学计算机系教授、VLDB期刊主编 Session 3：大数据 （2018年1月13日 上午9:30–11:30）1. Smart Health: Medical Big Data Mining and Whole-life Cycle Health Management，张彦春，复旦大学、澳大利亚维多利亚大学教授、国家千人2. Event Cube: A Conceptual Model forMulti-sourced Event Management and Multi-dimensional Analysis，李青，香港城市大学计算机系教授、香港万维网协会主席



报告一题 目： 文档图像识别研究现状与趋势报告人：刘成林 研究员 (中国科学院自动化研究所副所长、国家杰青)报告时间：2018年1月12日（星期五）上午9:30-10:30报告地点：广东工业大学工学一号馆216室



个人简介：刘成林，中国科学院自动化研究所副所长，模式识别国家重点实验室主任，研究员、博士生导师。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。1989年毕业于武汉大学无线电信息工程系，1992年在北京工业大学获电路与系统专业工学硕士学位，
4000
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。1996年3月到1997年10月在韩国科学技术院（KAIST）从事博士后研究。1997年11月到1999年3月在日本东京农工大学从事博士后研究。1999年3月到2004年12月在日立中央研究所（东京）先后任研究员和主任研究员。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。在国际期刊和国际会议上发表论文200余篇，合著英文专著一本。现任国际刊物Pattern Recognition的副主编, Image and Vision Computing, Int. J. DocumentAnalysis and Recognition, Cognitive Computation的编委，国内期刊《自动化学报》的副主编。美国电气电子工程师协会会士 (IEEE Fellow)、国际模式识别学会会士(IAPR Fellow)。


报告摘要：
文档图像分析与识别（也称文字识别）经过50多年的研究，产生了大量的研究成果，但是在实际应用中还存在很多技术不足，需要从应用的角度重新思考聚焦研究问题。本报告中，我首先简要介绍文档图像分析的应用背景、研究历史和技术现状。然后以一些典型应用（印刷/手写文档数字化、场景文本识别）为例分析现有方法和技术（包括基于深度学习的方法）的不足，从满足实际应用需求的角度出发提出一些值得研究的方向，包括文档结构元素识别、字符结构分析、小样本学习、弱监督学习、交互式学习/识别、大数据驱动的学习和识别等。

报告二
题 目：低秩子空间恢复模型的闭解及其应用报告人：林宙辰 教授 (北京大学信息科学技术学院教授、国家杰青)报告时间：2018年1月12日（星期五）上午10:30-11:30报告地点：广东工业大学工学一号馆216室



个人简介：林宙辰，北京大学信息科学技术学院教授。他的研究领域包括计算机视觉、图像处理、机器学习、模式识别和数值优化。他是ACCV 2009/2018、CVPR 2014/2016、ICCV 2015和NIPS 2015的领域主席、AAAI 2016/2017/2018和IJCAI 2016/2018的高级程序委员，并担任IEEE Transactions on Pattern Analysis and MachineIntelligence和International Journal ofComputer Vision的编委。2016年、2017年分别当选国际模式识别学会（IAPR）和国际电子与电气工程师学会（IEEE）Fellow, 2016年获得国家杰出青年科学基金资助。

报告摘要：In recent years, in parallel to sparse models,low-rank models also develop significantly, in particular in subspace recoveryproblems. Besides robustness, low-rank subspace recovery models may have closedform solutions. This property further makes low-rank models distinct fromsparse models. The results are both surprising and elegant. Moreover, they alsoopen doors to better solutions and faster numerical algorithms. In this talk, Iwill present my work in this line, with applications.  

报告三题 目： Double Forward Propagation for Memorized Batch Normalization报告人：谭明奎 教授 (华南理工大学软件学院教授、博导、青年千人)报告时间：2018年1月12日（星期五）下午13:30-14:15报告地点：广东工业大学工学一号馆216室



个人简介：谭明奎博士现担任华南理工大学软件学院教授、博导，并担任华南理工大学计算中心主任，中组部青年千人计划获得者，分别在2006年和2009年于湖南大学获得环境工程学士和模式识别与智能系统硕士学位，在2014年10月南洋理工大学获得计算机科学博士学位。自2014年6月到2016年9月，在阿德莱德大学从事计算机视觉博士后研究，并于2016年9月全职回国工作，目前主要研究方向为机器学习和机器视觉。谭明奎的研究方向包括超高维大数据的特征选择、大规模数据缺失值恢复以及高维复杂结构数据分析等，目前已在相关方向发表近40篇高水平学术论文。针对具体问题，通过对数据内在稀疏性和低秩性的研究和利用，他提出了一系列基于“稀疏约束”和“低秩约束”的优化模型和高效算法，有效解决了相关大规模数据分析的难点问题。例如，他提出了“特征生成机”的特征选择算法，解决了大规模超高维书记特征快速鲁棒选择难题，该算法能有效从千万级甚至数百亿级数据特征中快速选择最优特征子集，具有较大的创新性。此外，他还提出了黎曼追踪矩阵恢复算法，解决了大规模数据缺失值快速精确恢复问题，该算法能广泛应用于用户推荐系统、图像处理等领域。

报告摘要：BatchNormalization（BN）已成为深度网络中的一个标准组件，能有效地提升模型的训练速度和泛化能力，但其仍然存在一些局限。一方面，在训练过程中，BN根据单个batch的数据估计样本整体分布的均值和方差。当数据量很小或采样不均匀时会严重影响模型的稳定性。另一方面，在模型测试中，BN使用multi batches统计量的移动平均值替代模型训练过程中singlebatch的统计量估计样本的整体分布。也就是说，BN的训练过程和测试过程不一致，导致存在模型偏差。为了解决以上问题，我们提出了基于multi batch的记忆归一化网络层（MBN）。相比于标准BN，MBN能够获得更加准确且更加鲁棒的统计信息，同时MBN在训练和测试中始终保持一致的行为。特别地，训练过程中的每一次随机梯度下降（SGD）都会引起模型参数的改变，进而引起模型更新前后特征分布的偏差。为了减小该分布偏差对模型性能的影响，我们提出了双前向传播训练算法进一步提升网络的性能。实验结果表明，结合双前向传播算法的MBN能够大幅度的提高深度网络的泛化能力。
 

报告四题 目： Human-Powered Machine Learning报告人：陈雷 教授 (香港科技大学教授，VLDB期刊主编)报告时间：2018年1月12日（星期五）下午14:15-15:00报告地点：广东工业大学工学一号馆216室

e863



个人简介：陈雷教授于1994年从天津大学获得计算机科学与工程学士学位，于1997年从亚洲理工学院获得计算机科学硕士学位，并于2005年从加拿大滑铁卢大学获得计算机科学博士学位。他现在是香港科技大学计算机科学与工程系的正教授。他的研究方向包括人智机器学习，众包，社交网络分析，概率及非确定数据库，以及数据公开中的隐私保护。由他的团队开发的时空众包系统获得了2014年VLDB杰出演示奖（VLDB Excellent Demonstration Award）。另外，他于2015年获得了SIGMOD十年验证奖（SIGMOD 10 years Test-of-Time Award）。他曾经是数据库重要会议SIGMOD 2014, VLDB 2014, ICDE 2012, CIKM 2012, SIGMM 2011的程序委员会分组主席，以及多次ICDE，VLDB，SIGMOD，SIGMM，WWW的程序委员会委员。他现在是VLDB期刊主编，IEEE TKDE期刊副主编。此外，他是VLDB委员会（VLDB Endowment）执委会委员。

报告摘要：Recently, machine learning becomes quite popularand attractive, not only to academia but also to the industry. The successfulstories of machine learning on Alpha-go and Texas hold 'em games raisesignificant interests on machine learning. The question is whether machinelearning can do everything perfect? In this talk, I will first give severalexamples that current machine learning techniques have difficulty to performwell. Then, I will show by putting human in the machine-learning loop, theresults can be significantly improved. After that, I will discuss thechallenges and opportunities for this human-powered machine learning paradigm.
 

报告五题 目： 医学大数据挖掘及生命全周期健康管理（Smart Health: Medical Big Data Mining and Whole-life Cycle Health Management）报告人：张彦春 教授 (复旦大学、澳大利亚维多利亚大学教授、国家千人)报告时间：2018年1月13日（星期六）上午9:30-10:30报告地点：广东工业大学工学一号馆216室



个人简介：张彦春教授于1991年获澳大利亚昆士兰大学计算机科学博士学位。毕业后先后在昆士兰大学和南昆士兰大学做博士后研究员，讲师，副教授。并于2004年聘为澳大利亚维多利亚大学教授及应用信息科学研究中心主任。张教授曾任澳大利亚研究理事会数学、信息及通讯科学领域的专家委员会委员（2008－2010）。 并于2010 年入选国家千人计划，现复旦大学特聘教授兼社会计算及电子健康实验室主任。张彦春教授多年来从事社会计算和电子健康，大数据与数据挖掘、算法与应用研究工作。张教授在这些领域发表国际期刊论文和国际学术会议文章300多篇 ，其中多篇发表在国级顶级杂志和会议 (如ACM Transactions OnComputer-Human Interaction，IEEE Transactions on Knowledge and Data Engineering，Information Systems， VLDB， SIGMOD， ICDE及医学期刊等)。张教授已经出版，编辑书刊和专辑20部。已完成指导相关方向20多个博士生，其研究得到澳大利亚研究委员会 (AUSTRALIA RESEARCH COUNCIL)  和国家自然科学基金重大项目资助。张教授目前领导一个跨多个学部，多个学科的e-Research研究团队，其中包括电子健康、电子环境等应用方面的研究。其研究工作被广泛应用并已产生较大社会影响。张教授团队的病人监控及预警研究最近在多家中英媒体报道，包括 TheAustralian, The Age，Brisbane Time，Sydney Morning Herold，China Daily，海外华人, ChinaNews，XinhuaNet 等。张彦春教授担任国际万维网期刊 (World Wide Web)的主编 (2000-), 国际健康信息科学及系统期刊（Health Information Scienceand Systems）的主编（2013-），国际互联网信息系统工程与技术丛书 (WISE-IT) 主编,  国际互联网信息系统工程协会(WISE Society) 主席, 国际互联网信系工程学会主席和国际互联网信系工程会议系列指导委员会主席。张教授曾多次任互联网技术和数据库领域国际会议主席，程序委员会主席，出版委员会主席, 指导委员会主席和委员，应约做大会主题报告和特邀报告等。自2006年起多次聘为各国重点基金计划的评审专家，包括澳大利亚研究理事会基金， 新西兰Marsden研究基金，国家自然科学基金和国家千人计划评审专家等。

报告摘要：医疗健康是目前人工智能和大数据最为关注的领域。 人工智能+医疗大数据将对医疗产业赋予新的能量与机会。人工智能技术+医疗大数据就是将机器学习和数据挖掘两大核心技术用于医疗健康数据， 提高医疗诊治，健康管理水平。 体现在智能辅助诊断，疾病风险预测，医学图像分析肿瘤监测，药物挖掘，健康管理等。  本讲座将从全生命周期健康管理的角度出发，探讨生命各阶段的健康分析，人体和疾病各因素之间的关系。通过实例介绍基于医学数据的数据集成, 数据挖掘， 数据关联分析及病人监测，分析预警。 应用场景包括孕期与婴幼儿，老年健康，手术重症，精神健康，医学图像分析肿瘤监测等。  

报告六题 目： EventCube: A Conceptual Model for Multi-sourced Event Management andMulti-dimensional Analysis报告人：李青 教授 (香港城市大学计算机科学系教授、香港万维网协会主席)报告时间：2018年1月13日（星期六）上午10:30-11:30报告地点：广东工业大学工学一号馆216室



个人简介：Qing Li is a Professor at the Department ofComputer Science, and the Director of the Engineering Research Centre onMultimedia Software at the City University of Hong Kong, where he joined as afaculty member since Sept 1998. He received his B.Eng. from Hunan University(Changsha), and M.Sc. and Ph.D. degrees from the University of SouthernCalifornia (Los Angeles), all in computer science. His research interestsinclude multi-modal data management, conceptual data modeling, social media andWeb services, and e-learning systems. He has authored/co-authored over 400publications in these areas. He is actively involved in the research communityand has served as an associate editor of a number of major technical journalsincluding IEEE Transactions on Knowledge and Data Engineering (TKDE), ACMTransactions on Internet Technology (TOIT), Data and Knowledge Engineering(DKE), World Wide Web (WWW), and Journal of Web Engineering, in addition tobeing a Conference and Program Chair/Co-Chair of numerous major internationalconferences. He also sits in the Steering Committees of DASFAA, ER, ACM RecSys,IEEE U-MEDIA, and ICWL. Prof. Li is a Fellow of IET (UK), a senior member ofIEEE (US) and a distinguished member of CCF (China).

报告摘要：The publicly available data such as the massive anddynamically updated news and social media data streams (a.k.a. big data) coversthe various aspects of social activities, personal views and expressions, whichpoints to the importance of understanding and discovering the knowledge patternsunderlying the big data, and the need of developing methodologies andtechniques to discover real-world events from such big data, to manage and toanalyze the discovered events in an efficient and elegant way. In this talk weintroduce techniques of discovering events from the multi-modal big data andbuilding an event cube model to support event queries and analysis, byaddressing the tasks of data cleansing, data fusion, event detection andmodeling. Preliminary experimental results on some of the tasks will bereported. We further explore and connect the important events discovered in amultimodal collection of inputs from various public sources, uncover theirco-occurrence and track down the spatial and temporal dependency to answer thechallenging questions of "how" and "why". A novel eventcube (EC) model is devised to support various queries and analysis tasks ofevents; such events include those discovered by techniques of untargeted eventdetection (UED) and targeted event detection (TED) from multi-sourced data.More specifically, based on essential event elements of 5W1H, the EC model isdeveloped to organize the discovered events from multiple dimensions, and tooperate on the events at various levels of granularity, which facilitates analyzingand mining hidden/inherent relationships among the events effectively.