今天是:     

当前位置:首页 > 学术报告 [返回]

From Learnable Optimization to Deep Unrolling: Roadmap for Interpretable Deep Learning

文章来源:科研处 发布时间: 2018-07-17 17:53:51 浏览次数:

报告时间:2018-07-23 10:00         
报告地点:数理化A213         
报告人:刘日升                  
主办单位:数学学院         
报告人简介:
    刘日升,大连理工大学计算数学博士,香港理工大学计算科学博士后。目前任职大连理工大学国际信息与软件学院副教授,博士生导师。曾于2010-2012在美国卡内基梅隆大学、2016-2017在香港理工大学从事访问研究工作。主要研究方向为机器学习、计算机视觉、优化方法等。近年来在本领域重要学术期刊(TPAMI、TNNLS、TIP、TMM等)和会议(CVPR、NIPS、IJCAI、AAAI、ACM MM、ECCV、CIKM、ICDM、ACCV等)发表论文70余篇。相关工作目前被引用超过1800余次,H-index为14,最高单篇引用超过500次。连续获得ICME 2015和2014年度最佳学生论文奖,获得VALSE 2018最受关注论文奖,两篇论文入围ICME 2017最佳论文Finalist(Top 3%),ICIP 2015最佳10%论文奖,ICIMCS 2017最佳论文提名奖。发表在IEEE TNNLS的研究工作被推荐为IEEE智能计算专委会亮点论文(Publication Spotlight)。获得教育部自然科学二等奖1项(排名第三)、辽宁省自然科学二等奖1项(排名第三)。辽宁省自然科学学术成果奖(论文类)一等奖(2017)、二等奖(2014)、三等奖(2015)各一项。入选国家“香江学者”计划、获得大连市“青年科技之星”称号、ACM新星奖(大连Chapter)入选大连理工大学“星海优青”计划。担任The Visual Computer、IET Image Processing和Journal of Electronic Imaging编委(Associate Editor),担任AAAI 2019 Senior Program Committee(SPC),连续多年担任CVPR、ICCV、ECCV、NIPS、IJCAI、AAAI、ACM MM、ACCV、BMVC、ICIP等会议PC成员以及IJCV、TPAMI、TIP、TNNLS、TKDE、TCSVT、TPDS等期刊审稿人。中国计算机学会计算机视觉专委会委员、中国计算机学会多媒体专委会委员、中国图像图形学会机器视觉专委会委员、中国图像图形学会多媒体专委会委员、中国自动化学会混合智能专委会委员。
 

报告简介:
    深度学习模型在许多现实应用中取得了巨大的成功。然而,大多数现有的网络通常是启发式设计的,因此缺乏理论上的保证和解释。最近一些研究通过展开一个包含任务信息的特定优化模型来建立深层结构。不幸的是,由于网络参数的动态性质,它们所得的深度传播网络不具有与原始优化方案一样的良好收敛性。本次讲座介绍了一系列新的想法,通过集成实验验证的网络架构和丰富的线索的任务来建立深厚的模型。更重要的是,在理论上证明了1)展开的深度模型生成的传播全局收敛到给定的变分能量的临界点,并且2)所提出的框架仍然能够从训练数据中学习先验来生成收敛传播。