日期：5月23日 18:30~20:00

地点：电子楼500会议室

主讲嘉宾

　　任镤，2014级博士生，研究方向为计算机图形学，机器学习。在攻读博士期间已发表包括Computers&Graphics在内的多篇高质量学术论文，其中2016年会议获得最佳论文奖。

　　胡琴，2014级硕士研究生，研究方向为移动网络。在攻读硕士期间已发表了包括ICC、ICDCS等A类会议在内的五篇会议期刊文章。

　　陈洁，2014级硕士研究生，研究方向为图像处理、计算机视觉、深度学习。在攻读硕士期间已发表两篇2区SCI两篇3区SCI。

主讲内容

　　任镤:三维建筑场景的快速生成方法研究

　　构建三维建筑场景是CG工业、VR产业的基础工作，也是计算机图形学领域的热点研究内容。报告将围绕三维场景快速建模方法的研究现状和发展趋势展开介绍，重点讲述一种针对室外三维建筑场景的快速建模方法。将模型驱动的场景建模方法引入室外场景建模中，具体包括快速检索和自动优化布局两个方面。首先，用户通过手绘草图检索三维模型，采用流形排序技术对检索算法进行改进，得到了更快更好的检索结果。其次，提出了针对室外建筑场景的能量优化约束条件，定义满足功能性和美观性要求的能量函数。提出分步执行策略和随机跳转避免陷入约束冲突和局部最优陷阱。实验结果证明了本文方法在不同类型场景布局中的有效性，并在游戏场景的实际开发中得到应用。


 

　　胡琴:众包的零行列式博弈研究

　　众包通过利用众多普通参与者的力量来完成复杂的任务，成为一种极具潜力的全新工作模式。然而，近年来各项现实案例及学术研究表明，众包的成功应用受到了参与者恶意攻击行为的威胁。在本文中，我们利用重复囚徒困境模型分析了众包中参与者的恶意攻击问题，提出了一个基于零行列式策略的算法，来奖励参与者的合作行为而惩罚其背叛行为，从而激励其达到最终的完全合作。通过理论分析和实验仿真，该算法具有以下两个特点：1）经济性：请求者可以通过仅增加参与者的短期收益来促使其保持长期合作；2）公平性：虽然作为博弈的占优方，但是请求者不能通过随便惩罚无辜的参与者来增加其自身收益。调研显示，我们是首次利用零行列式策略来激励两名玩家在重复囚徒困境博弈中实现最终合作。此外，我们提出的算法并不局限于解决恶意众包问题，事实上它可以用来解决任何能形式化为重复囚徒困境的问题。
 

　　陈洁:基于深度学习与联合显著性分析的遥感影像感兴趣区域提取方法研究

　　当遥感影像的高速获取和低速解译日益成为一对愈加尖锐的矛盾时，将基于人眼视觉注意力的显著性机制引入遥感影像的感兴趣区域提取，就为遥感影像的快速解译提供了新的思路。然而，目前针对遥感影像的显著性方法难以同时高效地提取出具有共性视觉特征的共同感兴趣区域。不仅如此，随着遥感影像获取技术的不断发展，遥感影像的来源也越来越广泛。由于各传感器存在较大的差异，获取到的遥感图像会出现明显的不同。如何快速有效地将多源遥感影像中的共同感兴趣区域提取出来是本文拟解决的主要问题。

　　本文从基于深度神经网络的弱监督学习、主动轮廓模型和联合显著性分析三个方面展开研究，提出了多源遥感影像的联合显著性分析模型，以实现从来自不同数据源的遥感影像中，提取在高层语义上属于同一类别的感兴趣区域。
　　一、构建了一个基于反馈调节的联合显著性分析模型，来解决多图共性特征的提取问题。实现了具有共性视觉特征的共同感兴趣区域的有效提取。
　　二、将基于弱监督梯度类别响应的单图显著性分析，和基于区域分析的Chan-Vese主动轮廓模型引入多源遥感影像的联合显著性分析框架，以解决多源遥感影像的处理问题。该模型优势是，利用相对简单易获取标签就能同时来自不同数据源的遥感影像进行有效监督，以大致确定出精确到像素级别的人眼感兴趣区域。同时，该框架还凭借深度神经网络强大的学习能力实现了从大量多源遥感影像训练样本中，自动提取出表征区域本质特征的高层语义信息。

　　我们在含有 650幅高分辨率多源遥感影像上，对模型在共同兴趣区域的提取 任务上展开了充分的实验比较。结果表明，本文提出多源遥感影像联合显著性模型，能有效排除不含感兴趣区域的图像抑制显著背景干扰准确提取出库中共同的感兴趣区域。