關注微信公衆号：人工智能的前沿
該對話框回複"SFFAI50 論文"，以擷取有關此主題的精選論文
<h1>
注冊須知</h1>
論壇主題
ICCV'19 特殊場景分辨率和 CNN 架構優化
主題介紹
ICCV是計算機視覺方向的三大會議之一，會議的論文集代表了計算機視覺領域的最新發展方向和水準。在本次會議中，我們邀請了兩位ICCV 2019作者分享他們在工作中的想法和想法。
<h1>召集人</h1>
李鳳芝
中國科學院大學大三學生李鳳芝是中國科學院入學前的直面學生，導師是徐志偉。主要研究方向是機器學習中的因果推理。
<h1>論壇主講人</h1>
傅俊
中國科學院自動化研究所傅軍博士，主要研究圖像語義分割。
标題： 用于場景解析的自适應上下文網絡
摘要：在場景分辨率中，需要預測場景圖像中的像素是否屬于目标類或場景類。上下文的利用對于識别每個像素點至關重要。目前的方法主要基于将不同的上下文融合到全卷積神經網絡的進階語義特征中。具體而言，全局上下文用于改善局部特征的模糊性，并且空間細節由淺局部上下文補充。這些方法将全局和局部上下文與每個像素同等對待，但我們認為不同的像素對全局和局部上下文有不同的要求。為此，我們提出自适應上下文網絡，通過聯合考慮每個像素區域的全局和局部上下文關聯，提出像素感覺上下文捕獲政策，全球上下文和局部上下文的自适應融合，進而獲得更有效的場景分辨率結果。最後，實驗表明了該方法的有效性，該方法在同一時期的幾個暴露的場景分辨率資料集（Cityscapes，ADE20k等）上實作了最佳性能。
聚光燈：
分享利用不同情境的經典方法。
本文提出了一種像素感覺的上下文捕獲政策，該政策自适應地融合了全局和局部上下文。
丁偉瀚
丁偉涵，清華大學博士生，專注于卷積神經網絡的設計和優化。
題目： 非對稱卷積子產品：提高卷積網絡精度的零成本
摘要： 我們提出了非對稱卷積塊，這是卷積神經網絡的一種架構獨立的基本元件。該子產品使用一維卷積核心來增強常用的2D卷積核心。這種結構可以在訓練期間實作比常用卷積層更高的精度。經過訓練，該結構可以等效地轉換為普通卷積層，是以部署的模型更準确，但其結構與普通網絡完全相同。是以，我們說這種性能提升是"白手"。
所提出的是一種常見的卷積神經網絡元件，可用于任何架構的卷積網絡;
非常實用且易于使用，隻需幾行代碼即可實作，甚至不需要參數;
垂直向上移動性能開銷曲線，而不會引入任何推理開銷。
<h1>論文建議</h1>
這篇推薦文章重點介紹場景分析和基本的即插即用卷積子產品，可以仔細閱讀演講者推薦的論文，與演講者面對面交流哦。
一
推薦理由：本文采用早期全局上下文特征，提高局域識别模糊性，深入分析FCN網絡引入全局上下文的必要性。此外，文章以簡單有效的方式擷取全局語境特征，就是用全局語境特征來表現作品，由後續多篇拆分文章參考。
二
推薦理由：本文長期以來一直關注淺層特征，以幫助恢複目标邊緣細節，是以拉普拉斯金字塔結構旨在補充邊緣細節到進階特征，逐漸改進目标邊緣的分割。本文值得關注淺層特征的分析及相關實驗。
三
推薦理由：這篇非常著名的文章中提出的擠壓和激勵子產品本質上是對通道的關注，将卷積層的輸出乘以不同的系數可以以低成本顯着提高性能。而且這篇文章的寫法非常好。
四
推薦理由：本文介紹的軟條件計算（SCC）使用了一個非常簡單但總是被忽視的原理：多個卷積核心是卷積的，然後加在一起，這相當于添加卷積核，然後卷積。隻需将原來的卷積層放在網絡中的幾倍，并利用全連接配接層獲得的系數做路由函數來權重這些卷積層的核心，并使用生成的核心進行卷積，就可以提高性能。雖然這種網絡中的參數數量增加了好幾倍，但計算量并沒有增加多少。
五
推薦原因：選擇性核心網絡 （SKNet） 将 3x3 卷積的輸出與 5x5 卷積相結合，用于（近似）動态感測。這裡所謂的綁定也很簡單，還要用全連接配接層做路由函數得到系數再權重加起來。性能也可以提高。如果使用3x3展開卷積來近似5x5非膨脹卷積，則性能損失很小，并且可以大大減少參數和計算的數量。
<h1>關于注冊的須知事項</h1>
時間
2019年12月1日星期日
14:00 -- 17:00
地方
中國科學院自動化研究所
智能建築 1610 會議室
如何注冊
小助手微信号
<h1>活動地點/備注</h1>
要求童鞋添加一個小助手微信号并注明："SFFAI50加名稱加研究方向"，可以拿到注冊連結，因為同時添加的人數太多，請耐心等待。
1、為保證小範圍的深入交流，本次活動的名額有限;
2、活動采取稽核系統注冊，我們會根據使用者的研究方向和目前主題的适合性進行篩選，通過稽核後的使用者将收到确認郵件;
3、如不能準時參加活動，請在活動開始前24小時在微信公衆号：人工智能前沿講座、對話消息通知、短信格式為免收注冊及注冊電話。那些無緣無故缺席的人将不再有資格參加後續活動。
<h1>SFFAI時間表</h1>
期待下一期SFFAI主題和受邀演講者。如有更改，以最新通知為準。
<h1>SFFAI簡介</h1>
人工智能前沿學生論壇，簡稱SFFAI。現代科技高度社會化，在科學理論和技術方法上更加一體化和統一，為了滿足人工智能不同領域研究人員互相交流、互相啟發的需求，我們推出了SFFAI這項公益活動。SFFAI每周舉辦一次線下活動，邀請一線研究人員分享和讨論人工智能各個領域的前沿思想和最新成果，使專注于各個細分市場的研究人員能夠拓寬視野，接觸每個細分市場。
SFFAI目前正專注于機器學習、計算機視覺、自然語言處理等人工智能垂直和跨領域前沿領域的進步，将線下讨論的内容進行線上傳播，讓後期參與者少坑，也為演講者塑造個人影響力。SFFAI也在建構人工智能領域的知識森林——AI知識森林，https://github.com/SFFAI-AIKT/AIKT，歡迎來拉請求。通過彙集每個參與者貢獻的領域知識，沉澱離線共享的前沿本質，使AI知識樹茁壯成長，并為AI社群做出貢獻。
SFFAI自2018年9月16日舉辦首期線下交流以來，每周一風雨無阻，至今已舉辦49場線下交流活動，共有80位講者分享了自己的真知灼見，來自100多個機關的學生參加了現場交流，通過線上推特、網播等形式，5萬人參加了SFFAI活動。
自推出以來，SFFAI發展迅速，成為人工學生交流的第一品牌，擁有一群志同道合的研究所學生核心成員合作夥伴，一群樂于分享的SPEAKER合作夥伴，以及許多認識到活動價值并多次報名參加現場交流的觀衆，我們通過參與SFFAI獲得了寶貴的友誼和知識。
點選第14屆CSIG圖形前沿研讨會的首頁或掃描圖像二維碼，了解有關會議的更多資訊