報告承辦單位: 數學與統計學院
報告內容: 深度學習算法在空間智能應用中的挑戰及研究進展
報告人姓名: 向雪霜
報告人所在單位: 錢學森空間技術實驗室
報告人職稱/職務及學術頭銜: 副研究員
報告時間: 2019年6月14日14:00-14:40
報告地點: 云塘校區理科樓A-419
報告人簡介: 向雪霜,2014年博士畢業于中科院數學與系統科學研究院，2015-2016于新加坡國立大學進行博士后研究，現任錢學森空間技術實驗室副研究員。主要從事偏微分方程數值方法、深度學習算法與理論等研究。先后承擔國家自然科學基金青年基金、國家自然科學基金重點項目子課題、國防科技創新特區創新工作站重點項目，在計算數學、人工智能領域發表高水平期刊或會議論文20余篇。曾獲錢學森空間技術實驗室2017/2018先進個人，中國空間技術研究院2017先進個人、2018技術創新先進個人。
報告摘要：本報告將首先簡介深度學習算法、空間智能應用對深度學習算法的挑戰。分別針對這些挑戰，報告將簡要介紹研究團隊在數據融合、生成模型、小樣本學習、網絡壓縮、網絡安全等方向的研究進展。在數據融合方向，我們提出了任務驅動的橋神經網絡，由任務驅動共同子空間的學習過程，在數據匹配、遷移學習、跨視角重構等融合問題上取得突出效果；在生成模型方向，我們通過在網絡參數上增加隨機性來提高生成模型表達能力，在參數估計、圖片生成等標準數據集上取得更優效果；在小樣本學習方向，我們將小樣本學習任務統一到監督學習框架，進而引入多任務和跨任務訓練方法，基于現有模型架構實現訓練加速，且在部分任務上提高精度；在網絡壓縮方向，我們將隨機優化思想引入到模型壓縮過程，試圖解決權重重要性的局部判斷、確定性模型壓縮的不可恢復問題，搜索高效神經網絡架構，實現高精度、輕量化的深度學習；在網絡安全方向，將網絡的對抗樣本加入到訓練集中進行聯合訓練，通過動態調整對抗樣本幅度，實現網絡面對黑盒攻擊時的綜合魯棒。
報告承辦單位: 數學與統計學院
報告內容:基于距離學習的低帶寬人物深度恢復技術
報告人姓名: 黃美玉
報告人所在單位: 錢學森空間技術實驗室
報告人職稱/職務及學術頭銜: 助理研究員
報告時間: 2019年6月14日14:40-15:20
報告地點: 云塘校區理科樓A-419
報告人簡介: 黃美玉,2016年博士畢業于中科院計算技術研究所，現任錢學森空間技術實驗室助理研究員。主要從事普適計算、人機交互、計算機視覺和機器學習技術的研究。目前主持國家自然科學基金青年項目 1項，在普適計算、人工智能領域發表高水平期刊或會議論文18篇；授權中國專利3項；獲ICCSE2018最佳論文獎，2015年和2016年北京市科學技術獎二等獎。
報告摘要：
本報告將首先介紹人物深度恢復技術的研究背景及挑戰，然后介紹現有的深度恢復技術的研究現狀及存在的問題，最后介紹我們的解決方案——基于距離學習的低帶寬人物深度恢復技術。具體地，面向低帶寬環境中基于深度傳感器的沉浸式遠程視頻交互系統的遮擋一致處理要求，針對現有的深度恢復方法專注于恢復常規的深度圖像，僅能修復壓縮比小于16倍的深度圖像，或者只能修復少量缺失或不準確深度值的問題，我們提出了一種基于WLMNC距離的人物深度恢復方法，能夠充分利用人物姿態的骨骼關節點信息，實現在高達 64 倍壓縮比下的高精度人物深度恢復；考慮到WLMNC距離等同于對人物像素施加一個線性變換，限制了在復雜遮擋情況下的深度恢復性能，進而提出了基于神經網絡的非線性WLMNC距離，在僅損失少量帶寬的情況下大幅提高人物深度恢復的精度和效率。為了確保所提方法的有效性，我們對所提方法進行了理論分析，并建立了一個包含各種類型的具有自我遮擋的人物姿態的基準數據集。在基準數據集上的實驗結果證明了我們的方法優于現有的最先進的深度恢復方法。
報告承辦單位: 數學與統計學院
報告內容: Optimized Schwarz methods for the biharmonic problem(雙調和問題的最優Schwarz 算法)
報告人姓名: 劉勇翔
報告人所在單位: 鵬城實驗室
報告人職稱/職務及學術頭銜: 助理研究員
報告時間: 2019年6月14日15:20-16:00
報告地點: 云塘校區理科樓A-419
報告人簡介: 劉勇翔,2014年博士畢業于中國科學院數學與系統科學研究院,并于2014到2016年在日內瓦大學與Martin Gander教授合作進行博士后研究工作。主要從事數值分析和偏微分方程數值解法的研究，特別對區域分解算法有深入研究。現在鵬城實驗室量子計算研究中心工作。
報告摘要：We study some Dirichlet and Neumann conditions for the biharmonic problem. This problem, which needs two different boundary conditions, is quite different from the classical Laplace problem. Different choices of these Dirichlet and Neumann transmission conditions will lead to different Dirichlet-Neumann methods, and also different optimized Schwarz methods. Furthermore, according to some careful convergence analysis, we optimize each method by choosing suitable corresponding parameters. We illustrate our theoretical results with numerical experiments.
