CV前沿講座，是智東西公開課針對計算機視覺推出的一檔講座，聚焦于計算機視覺前沿領(lǐng)域研究成果與進展。我們將持續(xù)邀請研究者、專家與資深開發(fā)者，為大家?guī)碇辈ブv解。
基于卷積神經(jīng)網(wǎng)絡(luò)的監(jiān)督學習方法近幾年在語義分割任務(wù)里取得了顯著進展。但是，這種方法十分依賴于大量帶注釋的數(shù)據(jù)進行訓(xùn)練。為了解決這種限制，通常將從圖形引擎生成自動注釋數(shù)據(jù)，并用來訓(xùn)練語義分割網(wǎng)絡(luò)。但是，從圖形引擎里生成的數(shù)據(jù)訓(xùn)練的模型很難遷移到真實世界采集到的圖像數(shù)據(jù)。
針對遷移學習的問題，目前主流的是使用域適應(yīng)或遷移學習的方法來解決圖像分割任務(wù)中的遷移學習問題。這些種方法均基于深度對抗網(wǎng)絡(luò)模型，從遷移對象來分可分為三類：圖像空間的遷移轉(zhuǎn)換，特征空間的遷移轉(zhuǎn)換，和生成空間的遷移轉(zhuǎn)換。
那么當前現(xiàn)有的域適應(yīng)方法都有哪些局限性呢？域適應(yīng)及遷移學習又有哪些挑戰(zhàn)和應(yīng)用呢？8月21日晚8點，智東西公開課邀請到韓國科學技術(shù)院在讀博士潘飛參與「CV前沿講座」第15講。潘博將圍繞《語義分割場景中域適應(yīng)問題的研究》這一主題進行直播講解。
潘博將從語義分割場景下的域適應(yīng)問題出發(fā)，更深入去探討當前現(xiàn)有的域適應(yīng)方法的局限性。當前這些方法已經(jīng)考慮將模型從源域直接遷移到未標記的目標域（以減少域間差別）。但是，目標數(shù)據(jù)本身之間的較大分布差距（域內(nèi)差別）并沒有被考慮。因此潘博將會深度解析基于深度對抗網(wǎng)絡(luò)的域適應(yīng)方法和他們最新的研究成果，即利用自監(jiān)督的域自適應(yīng)方法，以最小化域間和域內(nèi)的差別。最后，潘博也會對域適應(yīng)在增強模型魯棒性中的應(yīng)用進行介紹。感興趣的朋友不要錯過！
潘飛是韓國科學技術(shù)院（KAIST）在讀博士，主要研究方向為語義分割任務(wù)下的遷移學習和域適應(yīng)問題，在CVPR, ECCV等會議上發(fā)表多篇論文。潘博本科畢業(yè)于西安電子科技大學。
課程內(nèi)容
主題：
語義分割場景中域適應(yīng)問題的研究
提綱：
1、語義分割場景下的域適應(yīng)問題
2、基于深度對抗網(wǎng)絡(luò)的域適應(yīng)方法
3、基于自監(jiān)督學習的目標域內(nèi)遷移學習
4、域適應(yīng)在增強模型魯棒性中的應(yīng)用
講師介紹
潘飛，韓國科學技術(shù)院（KAIST）在讀博士；主要研究方向為語義分割任務(wù)下的遷移學習和域適應(yīng)問題，在CVPR, ECCV等會議上發(fā)表多篇論文；本科畢業(yè)于西安電子科技大學。
直播信息
直播時間：8月21日20:00
直播地點：智東西公開課小程序
答疑地址：圖像分割討論群
加入討論群
本次課程的講解分為主講和答疑兩部分，主講以視頻直播形式，答疑將在「圖像分割討論群」進行。
加入討論群，除了可以免費收看直播之外，還能認識講師，與更多同行和同學一起學習，并進行深度討論。
添加小助手糖糖（ID：hitang20）即可申請，備注“姓名-公司/學校/單位-職位/專業(yè)”的朋友將會優(yōu)先審核通過哦~
