报告时间：3月30日（周一）9:30
报告题目1：视觉目标跟踪研究及应用
报告人1：杨康
报告题目2：基于深度排序和图卷积的协同显著性检测
报告人2： 李腾鹏
点评老师：刘光灿教授
主持人：唐翠梅老师

报告方式：腾讯会议，会议 ID：823 194 380，或点击链接直接加入会议：
https://meeting.tencent.com/s/5bSP8Jy8d0451

内容简介：
       《视觉目标跟踪研究及应用》：目标跟踪分为单目标跟踪和多目标跟踪，单目标是指在第一帧中指定要跟踪的目标，然后在后续帧中准确的定位目标的位置和状态，多目标跟踪主要任务中是给定一个图像序列，找到图像序列中运动的物体，并将不同帧的运动物体给定一个确定准确的id。在许多的高层的视觉理解任务当中，目标跟踪一个基本组件，因为它能够获取帧与帧之间的语义一致性，并且跟踪也是许多智能视频系统的重要组成部分:它可以实现比如智能监控、增强现实、视频编辑、体育运动分析、无人机导航以及自动驾驶等应用。本文主要介绍目标跟踪的改进以及在实际生活中应用，主要先介绍单目标的发展现状，随后介绍实际比赛项目中多目标跟踪的设计与实现。
      《基于深度排序和图卷积的协同显著性检测》： 协同显著性检测旨在一组相关图片中挖掘相似和显著的前景物体。为解决上述问题，提出了基于深度排序和图聚类的协同显著性检测网络。
       (1)我们将无监督的掩模学习、有监督的双通道全卷积网络训练和多尺度的标签平滑相结合，提出了一个由粗到细的层次化解决方案。首先采用所提出的掩模全卷积网络产生初始检测结果。论文中所设计的全卷积网络包含两个通道。掩模被用在了两个通道中不同的卷积层，用来引导卷积层学习有针对性的相关图像间共有特征。为了得到掩模，提出了一个稀疏优化目标函数来最大化掩模响应的方差。得到初始检测结果后，文中设计的多尺度优化函数被用来联合优化像素和超像素的标记平滑性。
       (2)我们提出了基于注意力图聚类的自适应图卷积网络（GCAGC），首先设计出一个自适应图卷积网络(AGCN)用来提取特征信息以描述图像内和多张图像间的一致性。然后提出了一种无监督注意力图聚类算法(AGCM)从所有显著前景区域中辨别出相似物体。最后，生成了一个基于编码和解码结构的统一框架以端到端的方式来联合训练优化图卷积网络，注意力图聚类和协同显著性解码模块。
       实验结果显示上述方法在四个常用数据集iCoseg, MSRC, Cosal2015和COCO-SEG数据上都取得了最好或最好之一的精度。

报告人简介：
       杨康，自动化学院2017级控制工程专业研究生。研究方向：目标跟踪。主要成果：发表SCI二区一篇，发表SCI四区一篇，发表中文核心一篇，获得之江杯全球人工智能大赛行人多目标跟踪赛道三等奖。
       李腾鹏，自动化学院2017级控制工程专业研究生。研究方向：计算机视觉。主要成果：CVPR2019, CVPR2020, neurocomputing, MTA论文各一篇；2019之江全球人工智能大赛三等奖；2018全国研究生数学建模三等奖。

欢迎广大师生踊跃参加！