2018全国深度学习技术应用大会

拟邀专家

1.报告题目：Bridging Vision and Language with Deep Neural Networks 

报 告 人：俞  俊  杭州电子科技大学 教授

2.报告题目：集成学习理论及应用

报 告 人：余志文  华南理工大学计算机学院副院长

3.报告题目：深度学习处理器现状与展望

报 告 人：汪  玉  北京深鉴科技有限公司创始人、清华大学电子工程系副教授

报告摘要：深度学习算法由于其优异的拟合特性，使得从算法层面统一系统架构成为可能，推动了许多领域智能应用的发展。然而，深度学习在云、边缘、终端的高效部署受到计算资源的限制，包括带宽、计算能力、功耗等。2009年后，针对深度学习的加速器、处理器设计开始出现，并在2014-15年之后呈现爆发态势。演讲者将回顾近期的深度学习加速器、处理器的技术发展，即对于不同的应用域（不同功耗约束下），学术界和工业界基于“X”PU和应用定制芯片的研究设计路径。同时，演讲者也将结合清华大学与深鉴科技的研究与产业实践，介绍如何通过软件和硬件协同优化的方式，突破芯片的能量效率壁垒，提供更高的系统能量效率。最后，演讲者将结合深度学习算法与底层物理器件的发展，讨论深度学习电路与系统领域的未来研究热点。

4.报告题目：深度神经网络在底层视觉处理上的应用

报 告 人：谢晓华  中山大学数据科学与计算机学院博士、研究员

报告摘要：底层视觉处理指对图像/视频进行像素级别的处理，以达成图像增强、图像变换、图像生成等效果。底层视觉处理是计算机视觉领域的基础问题，它在数字艺术、混合现实、三维重建、图像识别等方面具有广泛应用。本演讲将介绍深度神经网络在若干底层视觉处理任务（包括图像本征属性重建、图像超分辨率、人脸图像光照处理、图像去模糊、人脸对齐）上的应用方法与效果。

5.报告题目：加速深度学习—高效的硬件及软件方法

报 告 人：赖俊杰 NVIDIA(英伟达)大中华区高性能计算及Applied Deep Learning部门技术总监、博士

报告摘要：深度神经网络已经在多个领域证明它的价值，并在工业界取得了广泛的使用。如今，一方面，研究者们还在不断研究新的网络结构，新的方法，寻找新的应用。另外一方面，因为深度神经网络对计算能力要求较高，工业界及学术界都在不断迭代硬件架构，以及设计新的软件方案。以期能让深度学习获得更高的性价比，获得更广泛的应用场景。

6.报告题目：深度视觉算法的发展前沿及产业实践

报 告 人：张展鹏  商汤科技公司高级研究员、博士

报告摘要：数据驱动的深度视觉算法随着各类传感器和网络大数据的普及得到广泛应用，对很多传统行业和互联网应用产生了深刻的影响。本报告将从深度学习的起源开始，阐述相对于传统机器学习方法，深度神经网络的先进性。然后，将具体展示商汤科技应用深度视觉算法在智慧安防，手机互联网娱乐，自动驾驶以及机器人方面的应用成果。同时，对深度学习应用中面临的多个问题：日益巨大的数据需求，新算法如何快速迭代和部署，通用人工智能的发展前沿又有什么新成果等，本报告也将进行探讨。

7.报告题目：基于深入强化学习的群智感知抗虚假感知机制 

报 告 人：肖  亮  厦门大学信息科学与技术学院教授

报告摘要：Mobile crowdsensing (MCS) is vulnerable to faked sensing attacks, as selfish smartphone users sometimes provide faked sensing results to the MCS server to save their sensing costs and avoid privacy leakage. In this talk, we formulate the interactions between an MCS server and a number of smartphone users as a Stackelberg game, in which the server as the leader first determines and broadcasts its payment policy for each sensing accuracy. Each user as a follower chooses the sensing effort and thus the sensing accuracy afterward to receive the payment based on the payment policy and the sensing accuracy estimated by the server. The Stackelberg equilibria of the secure MCS game are presented, disclosing conditions to motivate accurate sensing. Without knowing the smartphone sensing models in a dynamic version of the MCS game, an MCS system can apply deep Q-network (DQN), which is a deep reinforcement learning technique combining reinforcement learning and deep learning techniques, to derive the optimal MCS policy against faked sensing attacks. The DQN-based MCS system uses a deep convolutional neural network to accelerate the learning process with a high-dimensional state space and action set, and thus improve the MCS performance against selfish users. Simulation results show that the proposed MCS system stimulates high-quality sensing services and suppresses faked sensing attacks, compared with a Q-learning-based MCS system.

8.报告题目：基于深度学习的用户时空行为模式挖掘与预测

报 告 人：李  勇  清华大学电子工程系博士、副教授

报告摘要：随着信息技术的快速发展，人类在日常生活中产生的数据被收集得日益丰富且全面，通过对海量数据的分析挖掘，建模数据背后的人类行为规律，能有效实现数据到商业、学术和社会价值的转化。本报告将以以人为中心的行为大数据作为研究载体，利用深度学习、表征学习等技术，对这些承载着人类在物理空间、网络空间等多个维度行为信息的数据进行分析挖掘，从而挖掘和预测人类个体的行为模式、人与人之间互动模式、由人组成的城市和社会的发展模式等。

9.报告题目： 从识别到认知：全面理解视觉数据

报 告 人：陈玉荣  英特尔中国研究院认知计算实验室主任

10.报告题目：深度神经网络加速器设计探索

报 告 人： 孙广宇  北京大学信息科学技术学院

报告摘要：深度神经网络已经在视频监控、语音识别等领域得到了广泛的应用，相比于传统的方法，深度神经网络采用了深层次的网络拓扑结构，网络中神经元的连接更加复杂。因此，当前的通用处理器很难满足其对于计算性能、访存带宽、能量效率等方面的需求。为了解决这些问题，近几年学术界、工业界提出了多种针对神经网络算法的加速器。在本次报告中，报告人将首先简要分析当前各类深度神经网络专用加速器。然后，将介绍本课题组基于FPGA和新型存储器件两个平台进行深度神经网络加速器研究的工作，其中包括架构设计、设计空间探索、自动化流程工具等相关内容。

11.报告题目：从异常检测到预防维保：机器学习在工业场景的应用

报 告 人：严竣驰  IBM主管研究员