学生会员分享论坛
中国图象图形学学会第四期学生会员分享论坛成功举办
时间：2023-06-06 来源： 中国图象图形学学会
2023年5月30日，由中国图象图形学学会（CSIG）主办，CSIG会员发展与服务工作委员会和优博俱乐部联合承办的第四期学生会员分享论坛在线成功举办。论坛由上海交通大学副教授马超主持，邀请5位优秀博士生作学术报告，由5位评议嘉宾(含主持人)对研究工作做出点评并解惑，共同围绕研究生学术生涯的热点话题进行探讨。
首先CSIG会员发展与服务工委会副主任刘敏教授介绍了学生会员分享论坛的活动形式、理念原则以及学会已经举办和计划举办的一系列优质学术交流活动，并对参加此次论坛的评议嘉宾及讲者表示感谢。刘敏教授强调中国图象图形学学会是一个致力于给图像图形领域研究人员和广大会员提供高质量学术服务平台的全国性一级学会组织，也是一个重要的人才举荐平台，希望大家都能积极参加学会各项学术活动，为学会作出贡献，并预祝本次活动取得圆满成功。
图 1 CSIG学生会员分享论坛合影
图 2 CSIG会员发展与服务工委会副主任刘敏教授致辞
接下来，五位博士生分别带来精彩的学术报告。曾爱玲作题为“Towards Expressive Human Motion Capture Models and Datasets”的报告。从单目的人体姿态估计任务定义，分类方式，以及该任务的基础相关研究和下游应用背景介绍，到她在2D姿态估计最近的工作EDPose以及3D全身姿态估计的模型OSX讲解，旨在建立一个完全端到端高效率高精度的框架。再到重新思考模型是否已经遇到瓶颈，提出了关于衔接真实场景与人工艺术场景的多标签数据集Human-Art以及大规模的真实应用场景数据Ubody。最后她总结了在做这一系列工作中的思考。
图 3 IDEA研究员曾爱玲作报告
刘敏教授就曾爱玲同学的内容进行深入点评，肯定了所作工作的创新性和完备性，并对人体动捕的潜在应用方向进行了展望。
图 4 CSIG会员发展与服务工委会副主任刘敏教授点评
叶鹏作题为“基础模型搜索和优化研究”的报告。基础模型设计和优化是深度学习和人工智能领域的重要研究方向。报告主要探索自动化神经网络设计技术（NAS）和刺激性训练方法（ST）在视觉基本任务上的性能表现：1）介绍如何利用NAS高效率地搜索出低复杂度和高性能的视觉模型，以及如何加速NAS搜索的速度并改进多维搜索的有效性；2）增强NAS在不同数据和任务上的搜索鲁棒性和架构泛化性；3）指出残差网络中普遍存在网络惰化的问题，并提出刺激性训练方法改善子网和主网的性能。最后，从不同角度展示上述算法在ImageNet等大型数据集上的实验效果和有效性。
图 5 复旦大学博士生叶鹏作报告
黄高副教授对上述工作做出深入点评，肯定了所提方法的简单有效性，并提出若干问题和见解。
图 6 清华大学黄高副教授点评
黄文柯作题为“异构联邦学习”的报告。主要汇报目前联邦学习通常假设数据独立同分布且模型结构相同，通过加权平均模型等方式进行聚合。然而，在实际场景中，联邦学习包含多个客户端，参与者数据分布和模型结构的存在差异，跨域准确率大幅下降。联邦学习依赖全局信号约束本地模型, 但其在跨域场景中无法表征多域信息以及容易倾向于主导域，导致有限的泛化性能。图数据在推荐等领域广泛使用，但是图数据存在节点多样，关系多变等挑战。针对这三个问题，分别提出了基于互相关和实例相似的自适应平衡领域泛化异构联邦学习，基于集群和无偏原型的对比一致性领域泛化异构联邦学习和基于节点语义和结构信息校准异构图联邦学习。大量的实验验证方法的有效性，并始终优于现有的方法。
图 7 武汉大学博士生黄文柯作报告
许永超教授就黄文柯同学提出的问题和内容的作出了深入点评，并对研究联邦学习在未知领域的泛化问题给出实用建议和见解。
图 8 武汉大学许永超教授点评
张鸿远作题为“图网络在一般数据上的应用”的报告。报告指出了现有的神经网络主要面向图像、文本、视频这种特征维度之间存在位置关系的“规则”数据，而在只能被向量简单表示的一般数据上，神经网络仍以全连接网络为主，这导致了模型难以训练、模型性能不稳定的问题。针对这些问题，提出了同其他网络结构想兼容的一系列图表征学习模型，该类模型以图网络作为表征学习模块。报告从理论上指出了这类模型存在很严重的模型崩溃问题，并设计了一种简单有效的图更新机制，避免了模型崩溃，后续工作针对该模型进行了更泛化的理论分析，并通过设计孪生二部图卷积将模型计算复杂度进一步减小到线性。
图 9 西北工业大学博士生张鸿远作报告
李冠彬副教授就张鸿远同学所提出的图表示学习模型进行了点评，并讨论了所提出的模型在更多实际场景中可能的应用。
图 10 中山大学李冠彬副教授点评
胡鹤臻作题为“低资源视频手语识别方法”的报告。报告首先针对手语识别的任务定义、任务挑战性、任务相关工作进行介绍。由于有标注手语数据规模十分有限，现有基于深度学习的方法通常会遇到过拟合、可解释性差等问题。针对这一问题，提出了基于自监督学习的手语预训练模型SignBERT+和BEST。该方法采用遮罩重构的策略，从不同的角度借鉴自然语言处理中BERT的成功，并在对应的手语识别子任务上带来显著的性能提升。最后，总结了这一系列工作的思考，并对未来手语识别的发展进行展望。
图 11 中国科学技术大学博士生胡鹤臻作报告
马超副教授就胡鹤臻同学的内容进行深入点评，肯定了所作工作的创新性，并讨论了未来手语识别的发展方向。
图 12 上海交通大学马超副教授点评
panel讨论环节由马超副教授主持，评议嘉宾和报告人共同围绕“如何有针对性地阅读科研文献？”“如何提升学术论文写作能力？”“如何跟踪研究领域最新技术？”“如何从看论文到产生idea？”等研究生学术生涯的热点话题进行了热烈的交流讨论与互动，通过此次活动，参会的学生们纷纷表示在此次活动中收获颇丰、受益匪浅。
图 13 panel交流讨论合影
论坛报名征集
有意报名参加此活动的同学，请扫描下方二维码填写信息，学会秘书处将在收到申请后一周内予以回复。
联系人及联系方式
联系邮箱：membership@csig.org.cn