AI研习社按：8月12日，雷锋网(公众号：雷锋网)在上海交大举办的GAIR（Global Artificial Intelligence & Robotics)大讲堂CVPR学术分享活动赢得了在场同学们的一致好评。对于这次没赶上参加活动的同学们，请留意关注雷锋网GAIR大讲堂的相关内容报道。GAIR大讲堂下一站清华专场已启动报名，这次同样是请来了参加了CVPR 2017且论文被收录的学术青年。正值暑假，如果您还留在学校，就快来报名参加吧！这绝对是一次学术充电和提高自己对国际顶级学术会议认知的好机会！

（上海交大站讲者之一的吴佳俊同学分享进行中）

对学术界稍有了解的同学们都知道CVPR会议。CVPR（国际计算机视觉与模式识别会议）是IEEE 举办的年度学术性会议，会议主要关注计算机视觉与模式识别等方面的技术内容。在各种学术会议统计中，CVPR 有着非常强的影响力和高排名。尤其是今年在美国夏威夷刚刚结束的CVPR 2017，国内很多研究AI的企业和高校实验室都有深度参与，可以说学术界和工业界都给予了极高的关注度，最终收录的论文数和参会人数都刷新了CVPR 的历史纪录。

对于这样一场顶尖学术会议，广大没有机会出席活动现场的同学们除了阅读相关文章之外，还能如何更深度、更真实地了解CVPR 2017的学术成果呢？GAIR大讲堂携四位前方论文讲者为大家共同还原当时的CVPR现场，四位嘉宾将会讲解他们在CVPR现场的论文内容，并分享他们的CVPR参会心得，相信他们的分享将会对你投递学术论文起到直接的帮助作用！

GAIR大讲堂 CVPR清华专场

嘉宾介绍

段岳圻

清华大学自动化系三年级博士生，指导老师为周杰教授和鲁继文副教授。他的研究方向在于视觉识别，二值特征学习和非监督学习。在此之前，他于2014年在清华大学自动化系获得学士学位。

主题：Learning Deep Binary Descriptor with Multi-Quantization （多量化深度二值特征学习）

分享内容：深度二值特征学习因其存储和匹配的高效性，近年来在学术界持续受到关注。现有的深度二值特征学习方法采用符号函数对实值特征进行二值化，未能考虑数据分布，从而导致了较大的量化损失。本文将二值化过程看作非监督多量化问题，提出了基于K-自编码网络的深度多量化算法，并将其应用于深度二值特征学习，提出了多量化深度二值特征学习，降低了二值化造成的量化损失。实验结果证明了本文方法的有效性。

孙刚

Momenta 研发总监、联合创始人、高性能并行计算系统专家、大规模图像识别专家、ImageNet 2017 图像分类冠军、ImageNet 2016 场景分类亚军、中科院大学计算机视觉专业博士。

主题：ImageNet冠军模型SE-Net详解

分享内容：作者提出了一种新颖的神经网络模块称为Squeeze & Excitation（简称SE），以此大幅提升模型的精度。通过Squeeze 和Excitation操作，SE模块自动对特征重新分配权重，增强对识别有用的特征，而抑制无效或收益甚微的特征。在引入极少计算和参数量的情况下，将现有绝大多数网络结构的性能大幅提升。

郑贺亮

中国科学技术大学电子工程与信息科学系一年级博士生，导师梅涛研究员和罗杰波教授。他的研究兴趣在于计算机视觉，机器学习。他于2017年在中国科学技术大学信息科学与技术学院获得学士学位，并于2016年7月到2017年7月在微软亚洲研究院实习。

主题：Look Closer to See Better: Recurrent Attention Convolutional Neural Network for Fine-Grained Image Recognition（精细化物体识别中基于递归注意力模型的卷积神经网络）

分享内容：基于弱监督的精细化物体识别问题近年来倍受关注。现存的主流方法分两种：对于有判别力区域的定位和对精细化特征的学习。在这篇CVPR文章里，作者通过设计一种RA-CNN的网络结构，将不同尺度的重要区域综合起来进行分类，实现了定位和精细化特征学习之间的相互促进，在精细化物体分类的任务上取得非常理想的结果。

邱钊凡

中国科学技术大学-微软亚洲研究院联合培养二年级博士生，导师为梅涛研究员和田新梅副教授。他的研究兴趣在于计算机视觉，机器学习和多媒体检索。他曾于2015年在中国科学技术大学获得学士学位，并长期在微软亚洲研究院实习。曾多次参与视频分类相关国际比赛并取得较好的成绩。

主题：Deep Quantization: Encoding Convolutional Activations with Deep Generative Model （基于深度生成模型的卷积层特征提取整合）

分享内容：深度卷积神经网络目前在不同的识别问题上体现出优异的性能，而如何从神经网络的卷积层中提取特征并做出整合分析成为了进行研究的一个基本问题。本文中提出了基于深度生成模型的卷积层特征的提取整合方案，并将最终得到的全局特征应用在不同分类问题当中。实验结果表明，在图片精细分类和视频动作识别两个问题上，该方法均体现出较好的性能。

活动时间：8月19日下午2:00-6:30

活动地点：北京市海淀区双清路77号院双清大厦4号楼4层

报名链接：（本活动仅限报名参加，名额有限抓紧时间报名）

https://www.leiphone.com/activity/view/id/2

另外小编温馨提醒大家：活动现场，主办方雷锋网将会送出5本《深度学习》书籍，精美奖品不容错过！

往期活动直播回放地址：http://www.mooc.ai/course/151/lesson/list

。