申省梅

个人简介：澎思科技首席科学家、新加坡研究院院长 华人知名女科学家，计算机视觉与深度学习领域国际知名学者。前松下新加坡研究院副院长，累计获 得 30 余项人工智能国际竞赛冠军，累计专利 300 余项。拥有计算机视觉领域全栈算法研究及工程化经 验，技术面覆盖 AI 智能传感、AI 视觉感知、AI 视图处理、视觉导航和控制、增强现实、声纹识别、 机器人等领域。曾荣获日本松下杰出技术、领军人物特别奖；担任国际标准化组织（ISO）和国际电工 委员会（IEC）标准制定主编；负责和牵头多项音视频国际标准制定工作，在 CVPR 2020 组织了 The 1st Anti-UAV Workshop & Challenge 竞赛。

陈熙霖

个人简介：中科院计算技术研究所研究员，IEEE Fellow, IAPR Fellow, CCF 会士 博士，中科院计算技术研究所研究员，IEEE Fellow, IAPR Fellow, CCF 会士。近年来主要研究领域 为计算机视觉、模式识别、多媒体技术以及多模式人机接口。目前是 IEEE Trans. on Multimedia 的 Associate Editor、Journal of Visual Communication and Image Representation 的 Senior Associate Editor、 计算机学报副主编、人工智能与模式识别副主编。先后获得国家自然科学二等奖 1 项，国家科技进步 二等奖 4 项，合作出版专著 1 本，在国内外重要刊物和会议上发表论文 300 多篇。

杨 强

报告题目：用户隐私，数据孤岛和联邦学习

报告摘要： 联邦学习，是当前人工智能尤其是 AI 金融领域，最受工业界和学术界关注的研究方向之一。 当下，AI 在算法研发方面突飞猛进，却离企业落地的目标有着不小的距离。AI 所面临的一个挑战是标 注数据的严重不足，而数据往往分布在不同的机构和个人形成的数据孤岛处。使用和聚合这些数据都会 受到用户隐私、商业安全的挑战。本次演讲将介绍如何利用联邦学习来连接数据孤岛的数据，形成合力， 以得到更有效的机器学习模型，同时保护用户隐私和商业机密。

个人简介：AAAI、ACM、CAAI、IEEE、IAPR、AAAS Fellow，《IEEE Transactions on Big Data》和《ACM Transactions on Intelligent Systems and Technology》开创主编，曾获 2019 年度"吴文俊人工智能科学技术奖" 杰出贡献奖，2017 年 ACM SIGKDD 杰出服务奖。他曾任华为诺亚方舟实验室主任，第四范式公司联合 创始人，香港科技大学计算机与工程系系主任以及国际人工智能联合会（IJCAI）理事会主席。最近的 著作有《迁移学习》和《联邦学习》。

邓伟洪

报告题目：跨域人脸和表情识别

报告摘要：海量标注数据和深度学习技术推动了视觉识别的巨大进步，现有模型在许多数据集上的性能 已经超越人类。然而，高准确率的前提是同源数据的随机划分保证了训练和测试集具有相同的特征分布。 在技术落地中，训练集和应用间的环境差异、地域差异、文化差异等挑战导致大部分视觉识别应用的准 确率和稳定性仍不理想，甚至造成"种族偏见"等伦理问题。本报告将从数据集建设、迁移学习算法和性 能评价三个角度，汇报课题组近期在解决多人种人脸识别、视频监控人脸识别、对抗鲁棒性人脸识别、 表情识别文化差异上的研究进展。

个人简介：长期从事模式识别与计算机视觉的基础理论研究，并应用到人脸识别、表情识别、行人再识 别、细粒度图像检索等。近年来主持国家重点研发计划课题和国家自然科学基金等项目十余项，与华为、 中兴、腾讯、滴滴、佳能等科技企业开展广泛的技术合作，曾三次指导学生获得图像识别类的国际算法 竞赛第一名，担任 IJCAI 2020、ICPR 2020、ICME2020 领域主席和高级程序委员，国际期刊 IEEE Access 编委，Image and Vision Computing 客座编委。在 IEEE TPAMI、TIP、TIFS、IJCV、PR 等国际期刊以及 ICCV、CVPR、ECCV、NIPS、AAAI、SIGIR 等国际会议发表论文 100 多篇，谷歌学术引用 4300 多次， SCI 他引 1100 余次。曾入选北京市优秀博士学位论文、教育部"新世纪优秀人才"、北京市"科技新星"。

阚美娜

报告题目： 多粒度图像迁移建模

报告摘要：迁移学习是机器学习与计算机视觉中的重要研究问题之一，旨在研究如何将一个领域的知识 迁移到另外的领域，具有重要的研究意义与应用价值。场景变化是计算机视觉应用中的重要挑战之一。 本报告将介绍讲者近期在场景、类别、以及样例层面进行图像迁移建模的研究工作，旨在提升图像分类 算法的场景自适应能力。

个人简介：研究领域为计算机视觉与模式识别，主要关注人脸识别、多视学习、迁移学习、弱少监督学 习等问题，相关成果已发表在 TPAMI、IJCV、CVPR、ICCV 等相关领域主流国际期刊与会议上面，谷 歌学术引用 2300 余次。担任 TPAMI、IJCV、TIP、TMM、CVPR、ICCV、ECCV 等期刊会议的审稿人。 2014 年获得 CCF 优秀博士学位论文奖、2016 年入选 CCF 青年人才托举计划、2018 年获得中国图象图形 学学会石青云女科学家奖青年奖、2019 年入选北京市科技新星计划。此外，获得 2015 年 IEEE FG 视频 人脸识别竞赛冠军、2015 年 IEEE ICCV 年龄估计竞赛亚军、2017 年 IEEE CVPR 人脸面部关键点定位 亚军等。

郑 良

报告题目：Do We Really Need Ground Truths to Evaluate A Model?

报告摘要：模型性能评估是机器学习的重要一步，一般来说，我们要求测试集包含测试样本与其标签， 并将测试标签与模型预测结果进行比较。尽管学术界大多数数据集满足这个要求，在实际情况中，往往 158 技术论坛 我们只能获取测试数据而无法获取其标签。在本次报告中，我将介绍一个重要而较少讨论的问题：模型 自动评估 (AutoEval)。具体地，给定有标签的训练集和一个模型，目标是估计模型在一个没有标签的测 试集上的性能。为此，提出了一种 meta-dataset 的方法，从数据集层面上设计了一种回归模型，实现了 较为理想的精度。

个人简介：在物体再识别领域做出了重要贡献。论文被 MIT Technology Review 报道。获中国人工智 能学会优秀博士学位论文、澳大利亚青年科学家奖、澳大利亚人报 Top-40 Early Achievers 等荣誉。任 CVPR 2021, ECCV 2020 和 Multimedia 2020 领域主席，IJCAI 2019 和 AAAI 2020 资深程序委员，IEEE TCSVT 副编辑等。在 CVPR 2020 和 ECCV 2020 组织了 AICITY 和 TaskCV 竞赛。

龙明盛

报告题目：迁移学习理论，算法及开源库

报告摘要：迁移学习一直是机器学习领域的难点问题，其目标是在数据分布变化的条件下实现强泛化能 力。经过长期探索，逐步缩小了迁移学习的泛化理论与学习算法之间的鸿沟，获得了更紧致的泛化界和 更优的学习器。此次报告将按照发展历程介绍迁移学习的代表性泛化理论及学习算法，重点介绍我们的 间隔泛化理论及其对抗学习算法、迁移推理中的概率校准和无监督迁移学习算法。最后，介绍我们最近 开源的迁移学习算法库，为推动迁移学习的规范发展和应用落地提供支撑。

个人简介：：研究领域涉及机器学习理论与算法，专注于迁移学习、预测学习、深度学习及其在数据科 学和人工智能中的应用。以第一 / 通讯作者在 CCF-A 类期刊和会议上发表论文 60 余篇，包括 TPAMI/ ICML/NIPS 二十篇，谷歌学术引用超过 8000 次。担任 NIPS/ICLR 领域主席，中国计算机学会人工智能 与模式识别专委会委员。获得 SDM 会议最佳论文提名、清华大学优秀博士学位论文、中国人工智能学 会优秀博士学位论文、中国知网最受关注博士学位论文、教育部技术发明一等奖。