中国科大学位与研究生教育
课程名称: 教师:
当前位置:
 >> 
课程列表  
主讲教师:巩敦卫 人气:2293 更新时间: 2017年11月27日
巩敦卫,中国矿业大学教授、博士生导师,教育部“新世纪优秀人才支持计划”,中国人工智能学会机器学习专委会委员、粗糙集与软计算专委会委员、智能空天系统专委会委员,中国计算机学会软件工程专委会委员。研究方向为基于搜索的特定软件测试、领域大数据处理与分析、深地资源开采智能优化与控制、复杂优化问题的智能求解。主持国家“973”计划子课题1项、国家自然科学基金6项。教学/研究成果获省部级一等奖1项、二等奖5项,授权发明专利8项,出版专著8部,发表中科院一、二区期刊论文30余篇,ESI高被引论文2篇。复杂问题普遍存在。作为一种受自然界生物进化启发的概率搜索方法,进化优化在复杂问题求解中得到了广泛应用。报告简述了复杂问题的普遍性,针对高目标优化、软件测试,以及不确定调度等实际的复杂问题,阐述了报告人所在团队解决该问题取得的最新成果,并指出了今后需要研究的问题。
主讲教师:李博杰 人气:3893 更新时间: 2017年11月04日
中科大,MSRA联合培养博士生李博杰学术报告会题目:用可编程硬件加速数据中心基础架构时间:2017年11月2日14:00地点:西区电三楼632学术报告厅
主讲教师:张兰 人气:2192 更新时间: 2017年11月04日
计算机学院青年教师学术沙龙--张兰研究员报告会题目:跨域大数据的价值、隐私和价格时间:2017年11月2日16:00地点:西区电三楼632学术报告厅
主讲教师:江鋆晨 人气:2915 更新时间: 2017年11月03日
美国芝加哥大学助理教授JunchenJiang学术报告会题目:UnleashingthePotentialofData-DrivenNetworking时间:2017年11月1日14:00地点:西区电三楼632学术报告厅
主讲教师:Bryan Ford 人气:1736 更新时间: 2017年11月03日
瑞士洛桑联邦理工学院BryanFord教授学术报告会题目:BuildingFast,Scalable,Privacy-PreservingBlockchainSystems时间:2017年11月1日9:30地点:西区电三楼632学术报告厅
主讲教师:陈仁杰 人气:2798 更新时间: 2017年10月26日
报告摘要:Wepresentahighlyefficientplanarmeshlessshapedeformationalgorithm.Ourmethodisbasedonanunconstrainedminimizationofisometricenergies,andisguaranteedtoproduceC∞locallyinjectivemapsbyoperatingwithinareduceddimensionalsubspaceofharmonicmaps.Weextendtheharmonicsubspaceof[ChenandWeber2015]tosupportmultiply-connecteddomains,andfurtherprovideageneralizationoftheboundeddistortiontheoremthatappearedinthatpaper.Ourharmonicmap,aswellasthegradientandtheHessianofourisometricenergiespossessclosed-formexpressions.Akeyresultisasimple-and-fastanalyticmodificationoftheHessianoftheenergysuchthatitispositivedefinite,whichiscrucialforthesuccessfuloperationofaNewtonsolver.Themethodisstraightforwardtoimplementandisspecificallydesignedtoharnesstheprocessingpowerofmoderngraphicshardware.OurmodifiedNewtoniterationsareshowntobeextremelyeffective,leadingtofastconvergenceafterahandfulofiterations,whileeachiterationisfastduetoacombinationofanumberoffactors,suchasthesmoothnessandthelowdimensionalityofthesubspace,theclosed-formexpressionsforthedifferentials,andtheavoidanceofexpensivestrategiestoensurepositivedefiniteness.TheentirepipelineiscarriedoutontheGPU,leadingtodeformationsthataresignificantlyfastertocomputethanthestate-of-the-art.报告人简介:陈仁杰目前任德国马普计算机研究所(MaxPlanckInstituteforInformatics)高级研究员。2010年于浙江大学获得应用数学专业博士学位。毕业后曾任职于以色列理工大学(Technion–IsraelInstituteofTechnology)、美国北卡罗来纳大学教堂山分校(TheUniversityofNorthCarolinaatChapelHill)。研究领域为计算机图形学,主要研究方向包括几何处理、几何建模、计算几何及裸眼3D显示器等。
主讲教师:黄海斌 人气:1766 更新时间: 2017年10月26日
报告摘要:Digitalrepresentationsof3Dshapesarebecomingincreasinglyusefulinseveralemergingapplications,suchas3Dprinting,virtualrealityandaugmentedreality.However,traditionalmodelingsoftwaresrequireuserstohaveextensivemodelingexperience,artisticskillsandtrainingtohandletheircomplexinterfacesandperformthenecessarylow-levelgeometricmanipulationcommands.Thus,thereisanemergingneedforcomputeralgorithmsthathelpnoviceandcasualuserstoquicklyandeasilygenerate3Dcontent.Inthistalk,Iwillpresentdeeplearningalgorithmsthatarecapableofautomaticallyinferringparametricrepresentationsofshapefamilies,whichcanbeusedtogeneratenew3Dshapesfromhigh-leveluserspecifications,suchasinputsketches.Iwillfirstpresentadeeplearningtechniquethatgenerates3Dshapesbytranslatinganinputsketchtoparametersofapredefinedproceduralmodel.Theinferredproceduralmodelparametersthenyieldmultiple,detailedoutputshapesthatresembletheuser’sinputsketch.Attheheartofourapproachisadeepconvolutionalnetworktrainedtomapsketchestoproceduralmodelparameters.Proceduralmodelsarenotreadilyavailablealways,thusIwillpresentadeeplearningalgorithmthatiscapableofautomaticallylearningparametricmodelsofshapefamiliesfrom3Dmodelcollections.Theparametricmodelsarebuiltfromdensepointcorrespondencesbetweenshapes.Tocomputecorrespondences,weproposeaprobabilisticgraphicalmodelthatlearnsacollectionofdeformabletemplatesthatcandescribeashapefamily.Theprobabilisticmodelisbackedbyadeepconvolutionalnetworkthatlearnssurfacepointdescriptorssuchthataccuratepointcorrespondencesareestablishedbetweenshapes.Basedontheestimatedshapecorrespondence,Iwillintroduceaprobabilisticgenerativemodelthathierarchicallycapturesstatisticalrelationshipsofcorrespondingsurfacepointpositionsandpartsaswellastheirexistenceintheinputshapes.Adeeplearningprocedureisusedtocapturethesehierarchicalrelationships.Theresultinggenerativemodelisusedtoproducecontrolpointarrangementsthatdriveshapesynthesisbycombininganddeformingpartsfromtheinputcollection.Withthesenewdata-drivenmodelingalgorithms,Ihopetosignificantlyshortenthedesigncycleof3Dproductsandletdetail-enrichedvisualcontentcreationbecomeeasyforcasualmodelers.报告人简介:HaibinHuangiscurrentlyaresearchscientistatMegviiResearchUS.HeobtainedhisPh.D.degreeinComputerSciencefromtheUniversityofMassachusettsAmherstthisSeptember.Beforethat,hereceivedhisBScandMScdegreesinMathematicsin2009and2011respectivelyfromZhejiangUniversityHisresearchmainlyfocusesonthree-dimensionalshapeanalysis,modelingandsynthesis,andinparticularmachinelearningtechniquesforgeometryprocessing.MostofhisworkshavebeenpublishedintopconferencesandjournalsinComputerGraphicsandComputerVision,e.g.,SIGGRAPH,SIGGRAPHAsia,ACMTOG,CVPR,ICCV,TVCG.Formoredetails,pleasecheckhispersonalpageviahttp://haibinhuang.com/
主讲教师:汪玉 人气:2050 更新时间: 2017年10月24日
清华大学电子工程系长聘副教授,从事高能效电路与系统研究,发表论文160余篇,IEEE/ACM杂志文章30余篇;谷歌学术引用2300余次。担任ACMSIGDAE-News主编,MicroecltronicsJournalSpecialIssueEditor,IEEETCAD编委,DAC等领域顶级会议技术委员会委员,ACM杰出演讲者,ACMFPGA技术委员会亚太地区唯一成员。16年获得NSFC优秀青年基金。获得FPGA17、NVMSA17、ISVLSI12最佳论文(均是大陆首次获奖),以及8次国际会议最佳论文提名。深度学习FPGA加速器在2016年知识产权转化入股北京深鉴科技有限公司,打造世界最先进的FPGA深度学习平台。深度学习的应用日益广泛。相比于传统的CPU/GPU平台,针对定制计算结构能够提供更高的计算能效。但是,基于FPGA的深度学习加速器面临开发周期长,性能受限等问题。本报告将通过总结已有工作,结合实际设计经验,总结针对深度学习加速器的设计思路,之后介绍基于FPGA的高能效、快速部署的深度学习处理器结构和部署流程[FPGA2016+2017]。其中压缩和量化技术可以去除算法中的冗余操作,减少系统计算和存储的需求,同时量化还能够提升FPGA系统的峰值计算能力。由于CNN和DNN/RNN在计算和存储模式的本质差异,针对CNN、DNN/RNN分别设计了两种体系结构与相应的指令、编译系统。基于赛林思的平台,CNN和LSTM的平台均取得了比嵌入式和桌面GPU更好的能量效率(>60GOPS/W)。
主讲教师:汪云海 人气:2681 更新时间: 2017年10月24日
摘要:如何创造有效、美观的可视化表征以达到“一眼洞穿真相”的效果,一直是可视化领域的研究目标。经过学者们多年的努力,我们已经有了很多新颖的可视化表达方法,包括常用的折线图、散点图、平行坐标等。但对于普通用户来说,许多炫目的可视化技术往往“只可远观而不能亵玩”,因为用户难以权衡哪种方法最能有效的呈现数据特征。即使户选择了某种可视化方法,该方法所对应的复杂可视化视觉编码参数仍然可能使其陷入“选择困境”。为解决该困境,我们提出了任务驱动的自动可视化技术,本次报告将分享我们最近的一些相关工作。报告人:汪云海,山东大学计算机科学与技术学院预聘制副教授。2011年于中科院计算机网络信息中心获博士学位,2011年至2015先后担任中国科学院深圳先进技术研究院可视计算研究中心助理研究员、副研究员,2015年12月加入山东大学。近年来,在国外著名期刊如ACMTOG、IEEETVCG、CGF等发表SCI论文20余篇,更多信息见:http://www.yunhaiwang.org
主讲教师:张健 人气:1786 更新时间: 2017年10月24日
张健,博士、副教授。现就职于澳大利亚悉尼科技大学。1999年自澳大利亚新南威尔士大学获得博士学位。他的研究兴趣包括多媒体信号处理、计算机视觉、模式识别、视觉信息挖掘、人机交互等。学术兼职包括TCSVT、TMM等期刊编委、ICME2012大会主席等.Countingpedestriansandmeasuringcrowddensityplayanessentialroleforcrowdmonitoringapplicationsincludingphysicalsecurity,publicspacemanagement,andretailspacedesign.Forthepopulardensity-map-estimationbasedcountingframework,therearemainlytwoquestionsinvolvedforaccuratecountingresult:i).accuraterecognitionoftargetobjectandbackground;ii).preciseestimationofdensityvaluesoftargetobjects.Thistalkfirstbeginswithaliteraturereviewofcrowdcountingalgorithms:includingtraditionalhand-craftedfeaturebasedmethodstothenewlyemergingdeeplearningbasedcrowdcountingmethods,andthenwepresentourworktowardsthetwofatalproblemsmentionedabove.
共155条记录,每页显示10条,到第页 [首页] [上一页] [下一页] [尾页]
课程搜索
类  型:
学科方向:
学科分类:
院  系:
内  容:
教  师:
讲座专家
Aranda Pino
Profesor of Department of Algebra, Geometry and Topology Science Faculty, University of Málaga, Spain. Research Interests: Leavitt path
Nikos Hadjichristidis
Prof. Nikos Hadjichristidis, Department of Chemistry, University of Athens.
蔡荣根
中国科学院理论物理所研究员,博士生导师。中国引力和相对论天体物理学会副理事长(2008-) 中国科学技术大学交叉学科理论研究中心兼职教授
欧阳钟灿
欧阳钟灿,中国科学院院士。1968年清华大学自控系毕业,1981年清华大学物理系固体物理专业获硕士学位,1984年获光学专业理学博士学位。1985-1986年在理论物理所
Manuela M. Veloso
Manuela M. Veloso教授是国际人工智能和自主机器人领域的主要学界领导人和学术带头人之一,取得了一系列杰出成就,其中部分成果产生了深远的影响。
庄小威
庄小威,华裔美籍生物物理学家,美国国家科学院院士, 哈佛大学化学与化学生物、物理学教授,创办有庄小威实验室。
课件总访问人次:12890793
中国科学技术大学研究生网络课堂试运行版,版权属于中国科学技术大学研究生院。
本网站所有内容属于中国科学技术大学,未经允许不得下载传播。
地址:安徽省合肥市金寨路96号;邮编:230026。TEL:+86-551-63602922;E-mail:wlkt@ustc.edu.cn。