實驗室首期“青年學術論壇”成功啟航｜學術交流

7月28日上午，上海人工智能實驗室青年學術論壇（第一期）在徐匯西岸智塔順利啟動。清華大學王重道，中國科學技術大學楊文飛，上海交通大學徐宇輝、高星四位青年學者作為首期分享人，分別帶來“自監督認知感知”、“弱監督學習下的動作和目標定位”、“卷積神經網絡模型和結構優化”以及“基于層次化圖神經網絡的多尺度圖表表示學習”等主題的學術報告。

上海人工智能實驗室教授、科學技術發展部部長喬宇博士為首期青年學術論壇致詞。他表示，希望通過青年人才學術論壇，搭建實驗室青年人才學術交流的平臺，大家可以在此充分交流學術思想。

在學術分享過程中，實驗室研究員們與青年學者們進行了深入的交流和探討，后續青年人才系列學術論壇將會陸續開展，敬請期待。

王重道-清華大學電子工程專業博士（2022屆）

報告題目：自監督認知感知

機器認知感知是計算機系統以類似于人類使用其感官與周圍世界建立聯系的方式來解釋數據的能力。其終極目標是希望機器和人類一樣有能力去看到、感受到和認知到世界，進而了解人類如何做決策。開放的世界導致不斷變化的世界，不斷更迭的數據，也只有通過自監督學習的方法才能滿足機器對未知的事務的認知。他分享了近年來自監督學習在物體跟蹤中表觀模型學習的進展和應用，并介紹了自己的工作UniTrack。 UniTrack 是一個通用的物體跟蹤框架，可以將同一表觀模型應用到不同的跟蹤任務中（如單目標、多目標跟蹤，人體姿態跟蹤等）。通過UniTrack框架，自監督學習得到的表征可以容易地遷移到跟蹤任務中并取得良好的性能。此外，他還介紹了自監督物體發覺與檢測的一些想法和思路，并提出物體的檢測與跟蹤可能在未來會通過自監督學習解決。

楊文飛-中國科學技術大學控制科學與工程專業博士（2022屆）

報告題目：弱監督學習下的動作和目標定位

在弱監督學習下，現有時序動作定位一般研究范式是通過多實例分類學習的角度來解決問題，但現有研究難以解決諸如分類任務與定位任務的不一致性，只能定位最具有區分性的片段；特征連續性問題，同一動作被分割為多個動作；由于復雜背景等原因，容易產生誤檢。楊文飛介紹了近些年其在基于結構感知的弱監督定位網絡方法、基于不確定性引導的協同訓練方法以及基于協同訓練的無監督定位方法的相關研究成果。同時，他也分享了基于目標part學習的弱監督目標定位方法。

徐宇輝-上海交通大學信息與通信工程博士（2021屆）

報告題目：卷積神經網絡模型和結構優化

卷積神經網絡（CNN）在許多計算機視覺任務上展現出了顯著的效果。現有的網絡模型和結構因參數量和計算量過大的問題，很難在資源受限的設備上部署。因此對現有模型進行壓縮或者利用網絡結構搜索（NAS）設計更高效的結構是有重要研究和實用意義的。介紹了他們在模型和結構方面對神經網絡進行優化的相關工作，模型優化是指對模型參數的優化，結構優化是指網絡結構中操作和連接的優化。對現有模型參數，他們提出基于李普希茲約束的迭代式量化算法和可訓練低秩分解，并且設計新的NAS 算法來探索更高效的網絡結構——部分連接的可微網絡結構搜索，這解決了目前可微NAS 搜索顯存過大的問題。

高星-上海交通大學信息與通信工程博士（2021屆）

報告題目：基于層次化圖神經網絡的多尺度圖表表示學習

在許多科學研究和實際應用中，數據不再局限于規則結構，而是經常駐留在以圖或網絡表示的不規則結構上(例如，社交網絡、蛋白質交互網絡等)。深度學習方法（例如卷積神經網絡）由于無法表示與處理圖數據的拓撲信息，因而無法直接應用于圖數據。高星分享了基于層次化圖卷積網絡的多尺度圖表示學習方法相關工作，包括適用于任意拓撲結構的圖數據的圖卷積算子、圖池化算子以及兩者的輕量型替代跨步圖卷積算子。就圖池化算子而言，針對如何有效保留任意圖數據的高信息量特征，以及進一步地高效利用圖拓撲幾何信息。對于圖卷積算子，針對現有圖卷算子對于處理具有多樣頻率特性的（異構）圖信號的局限，在提升卷積算子對不同頻率信息的利用和提取能力的同時，維持模型參數的數量以兼顧其泛化性。