12 月 1 日，2018 复旦大学博士生论坛·计算机科学技术篇 — 大数据与人工智能在复旦大学张江校区食堂三楼多功能报告厅座举办。本次论坛邀请到字节跳动人工智能实验室主任李航及旷视科技上海研究院负责人危夷晨做主旨演讲，计算机科学技术学院副院长汪卫、党委副书记厉家鼎出席了论坛。
论坛首先由汪卫副院长汪卫致开幕词。他对论坛 “大数据与人工智能” 这一主题表达了自己的看法，并希望大家可以通过这个平台汇聚相知，互相交流行业前沿的成果，互相碰撞科学的思想。
随后特邀嘉宾李航与危夷晨为大家带来了主旨演讲。
李航博士主旨演讲的主题为《智能与计算》，他为我们阐述了自己对于人工智能时代的看法，重点强调了人工智能的关键在于人的智能，并未大家解释了为什么深度学习的感知、认知的效果这么好、深度学习未来的任务会是什么等问题，报告通过探讨脑的科学，说明了人工智能的基础。
危夷晨博士主旨演讲的主题为《无处不在的视觉计算》，向我们讲述了在如今社会生活中视觉无处不在的应用。危夷晨博士首先阐述了视觉的核心问题，包括图像分类、区域检测、分割、序列学习。然后从计算机视觉的历史讲起，引入了计算机视觉的核心问题即图像表示。
下午，论坛分别邀请了丁岱宗、王陆平、封江涛、彭敏龙、林航宇等来自计算机科学技术学院及大数据学院的优秀研究生代表进行了优秀论文报告，现场学术交流氛围非常浓厚。
丁岱宗博士讲述了有关机器学习中特征提取的研究内容，分别从基于社交关系的研究、基于地理卷积神经网络的研究和基于图像到图像的转换任务的研究三个方面展示了他所做的工作。
在计算机视觉中，帮助机器人了解室内场景任务具有很大的应用价值。然而由于室内场景的多样性，该任务存在巨大的挑战。王陆平提出了一种方法，可以从单个图像中有效地了解室内场景，无需训练或了解相机的内部校准信息，通过线对的几何推断，可以找到这些空间直角投影，然后将这些投影分配给不同的聚类，并且利用位于邻居聚类中的线帮助估计室内场景的布局。
预先训练的分布式词表示在自然语言处理任务中非常有用。然而，词表示的几何基础及其与词情境表征的关系尚未得到仔细研究。在封江涛的项研究中，首先在一般框架下研究这种几何关系，从一些典型的单词表示学习方法中抽象出来，并且发现只有词表示的方向与它们的上下文向量表示能够很好地相关联，而大小不能。为了更好地利用包含在词表示的大小中的信息，他提出了一种结合最大后验估计的分层高斯模型来学习词表示，并将其扩展为表示多义词。
欠采样在种类不平衡学习领域有着广泛的应用。现有的非去采样方法的主要缺点是它们的数据采样策略是基于启发式的，并且独立于使用的分类器和评估度量。因此，在数据采样期间，它们可能丢弃分类器的信息实例。彭敏龙提出了一个基于欠采样的元学习方法来解决这个问题。
林航宇带来了基于深度三元组分类的实例级草图检索方法。为了有效地解决实例级 SBIR，林航宇提出了一种新的深三重分类暹罗网络 (DeepTCNet)，它采用 DenseNet-169 作为基本特征提取器，通过三重损失和分类损失进行优化。实验证明他提出的深度 TCNet 可以突破以往工作中存在的局限性。另外，为了研究基于草图的发型检索任务，他还提出了一个新的实例级草图数据集——发型草图数据集。
2018 年复旦大学博士生论坛计算机科学技术篇——大数据与人工智能就此落下帷幕，感谢嘉宾和老师们的莅临，感谢同学们的积极参与，感谢志愿者们的辛勤付出！
撰稿：赵琼，计算机科学技术学院研究生会
