报告主题：低质量视觉物体学习理解                                                                                     

报告人：葛仕明，中国科学院信息工程研究所                                                                                               

报告时间：2021年05月10日9：30

报告地点：必赢电子游戏网站东六B209                                                                           

报告摘要：

随着数据采集手段和计算能力的快速发展，深度学习极大推动了很多人工智能应用的突破，尤其是在视觉应用上，基于深度学习模型的方法在物体检测、跟踪和识别都取得了当前最高的精度。尽管如此，要将这些高性能的深度学习模型在实际视觉应用中进行部署，仍存在很多挑战：一方面实际场景中的图像质量往往不尽如人意（如遮挡、低分辨率、真假难辨等），另一方面通常模型在很多实际应用（如智能驾驶、机器人）中被要求部署在资源受限的设备上。在应对这些场景时，通用图像数据集上训练得到的深度学习模型的精度会极大下降，而大规模采集这些实际数据进行重新训练则会耗费大量人力物力且可能无功而返。一种经济且行之有效的手段是对已训练好的深度学习模型进行优化，以便能够适应资源受限条件下的实际部署。本报告分别以蒙面人脸识别、低分辨率人脸识别、弱小目标跟踪、深度伪造检测为例子，介绍在数据低质量条件下，通过深度模型的蒸馏优化来实现精度和速度的提升。

个人简介：

男，博士，中国科学院信息工程研究所研究员，中国科学院大学岗位教授，博士生导师。在中国科学技术大学获得学士和博士学位，主要研究方向为人工智能安全、深度学习、计算机视觉等，在中国科学院大学主讲《深度学习基础及应用》、《人工智能安全》等课程，近年来在IEEE TIP、TNNLS、TCSVT和CVPR、AAAI、ACM MM等国际著名期刊和会议上发表论文80余篇，获得吴文俊人工智能技术发明二等奖。目前主持或参与国家重点研发计划、国家自然科学基金、北京市自然科学基金等课题，研究成果在军事、安全、公安和工业等领域应用。担任IEEE/CCF/CSIG高级会员、CCF计算机视觉和多媒体技术专业委员会委员、中国人工智能学会模式识别专委会委员。