机会与挑战并存 Chance & challenge ---- 浅谈参加国际会议的感受与机器学习的崛起

1. 机会与挑战并存Chance & challenge----浅谈参加国际会议的感受与机器学习的崛起 张磊

2. 信号处理领域会议介绍 • 声学信号、语音信号、雷达信号、图像和视频信号 • ICASSP • 每年5月份召开，截稿日期10月份-11月份 • 视频信号、图像信号 • ICCV、ECCV • ICCV每两年召开一次、ECCV基本是每年召开一次 • 图像处理 • ICIP • 每年9-10月份召开，截稿日期是前一年1月份 • 模式识别 • ICPR、CVPR • 机器学习 • ICML—今年6月份在北京召开

3. 参加ICASSP感受 • ICASSP是信号处理领域最大的会议，每年参会的人数在2000人以上，今年2700人 • 每年在会上对当年信号处理领域做出贡献的人进行奖励，包括IEEE fellow、十年最佳论文等 • 会议领域很广泛，包括很多相关信号处理的很多相关主题 • 语音识别、语种识别、语音理解交互 • 图像理解、图像分类、编码 • 视频处理 • 通信领域、雷达信号处理 • 机器学习算法

4. 参加ICASSP感受 • 2014-佛罗伦萨，意大利 • 照片

5. 参加ICASSP感受 • 2014-佛罗伦萨，意大利 • 孕育了但丁、米开朗基罗、达·芬奇等等赫赫有名的大人物 • 古旧得近乎朴素的城市 • 阿尔诺河将城市一分为二，在河上矗立着一座座老桥，桥边则遍布着金银首饰店铺等前店后铺的手工作坊 • 佛罗伦萨大教堂

6. 参加ICASSP感受 • 只要是信号处理方向，你都能找到你感兴趣的热点问题

7. 参加ICASSP感受 • 2013-温哥华，加拿大 • 照片

8. 参加ICASSP感受 • 温哥华 • 温哥华给人印象最深的是覆盖冰川的山脚下众岛点缀的海湾，绿树成荫，风景如画，是一个富裕的绿色住宅城市。 • 斯坦利公园（Stanley Park） ‎David G. Lowe

9. 参加ICASSP感受

10. 参加ICIP感受 • ICIP主要关注图像处理和计算机视觉相关领域的研究进展，每年一次 • 同ICASSP一起是IEEE 信号处理协会（SPS）下主办的两个会议 • 会议等级等同于ICASSP，但参会的规模要小于ICASSP，这是由于ICASSP囊括的领域要远大于ICIP的缘故。 • ICIP 2012—奥兰多，美国 • ICIP 2013—墨尔本，澳大利亚

11. 参加ICIP感受 • ICIP 2012—奥兰多，美国 • 迪士尼乐园 • 迪斯尼-未来世界( Disney's Epcot ) • 迪斯尼-动物王国( Disney's Animal Kingdom) • 迪斯尼-好莱坞影城( Disney's hollywood studio ) • 迪斯尼-魔法王国( Disney's Magic Kingdom);

12. 参加ICIP的感受

13. 参加ICIP感受 • ICIP2013

14. 参加ICCV感受 • 计算机视觉的顶级会议 • 牛人多、文章有深度，偏重于理论 • 涉及领域不局限于计算机视觉，还包括识别、跟踪、分割、统计机器学习和基于几何的视觉学习等

15. 参加ICCV感受

17. Machine Learning • 谷歌曾发布一个雄心勃勃的计划，要用计算机硬件和软件重新构建人类大脑---谷歌大脑 • 百度去年在加州库珀蒂诺，建立一个专门研究“深度学习”的实验室 • 灵魂人物：吴恩达 Andrew Ng • Stanford university • Machine learning course • NIPS、ICML上几乎每年有新文章

18. Machine Learning

19. Machine learning

20. Machine Learning • Supervised learning/unsupervised learning

21. Machine learning

22. Machine learning • Classifier model / machine learning algorithm NBNN/LNBNN/ NBNN kernel Random forest Deep neural network BOW / VLAD(vector of locally aggregated descriptor) Fisher kernel

23. Machine learning • NBNN

24. Machine learning • Local NBNN

25. Machine learning • Random forest

26. Deep learning

27. deep learning

28. Machine learning • Deep learning /DNN Building High-level Features Using Large Scale Unsupervised Learning ICML 2012  Andrew Y. Ng

29. deep learning • is it possible to learn a face detector using only unlabeled images? • the model has 1 billion (十亿) connections • the dataset has 10 million（百万）200x200 pixel images downloaded from the Internet •  1,000 machines (16,000 cores) for three days

30. deep learning

31. Deep learning

32. Deep learning

33. image classification • Basic classification

34. Image classification • Main framework for basic classification • SIFT+BOW+SVM • Sparse coding +SVM • Fisher kernel +SVM • VLAD + SVM • Object bank + SVM

36. Object bank

37. image classification • Refined classification • Chihuahua

38. image classification • Refined classification • English_foxhound

39. Image classification • Main framework for refined classification • SIFT + BOW + random forest • SIFT + spatial pyramid + EMD + SVM • New descriptor mapping as manifold learning • Random forest + SVM