时  间：2018年5月9日（周三）下午2点

地  点：计算机科学与技术学院六楼会议室

题  目：计算机视觉中人体目标检测与行为分析

摘  要：视频监控是指在不需要人为干预的情况下，利用计算机视觉和视频分析的方法对摄像机拍录的图像序列进行自动分析，并判断观察对象的行为，从而做到在完成日常管理外还能对发生的异常状况做出反应。目标的检测与行为分析作为视频监控的主要研究内容，是当前计算机视觉领域的研究热点，其不但具有重要的实际意义，而且对计算机视觉的其他研究领域有着重要的推动作用。经过几十年尤其是近十年的不懈研究，上述技术取得了长足的进步，但实践表明一般意义上的目标检测与行为识别技术还远未成熟，要开发出真正鲁棒、实用的视频监控系统还需要更为鲁棒的核心算法。本次报告主要结合报告人在目标检测、人体姿态估计、行为分析等领域的工作做以简要阐述。

个人简介：朱艾春，博士，毕业于法国特鲁瓦技术大学。主要研究方向是计算机视觉、深度学习、目标检测、人体姿态估计、行为分析等。

题  目：多目标及半监督式异质分类器集成

摘  要：近年来，在机器学习的实际应用场景中，样本和特征的数量急剧增长。然而，并非所有的数据都对机器学习的模型训练有利。例如，数据的噪声、非（弱）相关特征，以及人为污染等，都有可能显著影响分类器的性能。更棘手的是，随着人力成本的增加，对数据进行标注的成本也有明显的提升趋势。传统的机器学习方法需要一定数量的有类标数据用于训练，否则得到的模型易出现欠拟合的现象，从而导致较差的一般性。这些问题对传统的机器学习算法产生了一系列新的挑战，例如：1）如何应对数据噪声，2）如何处理大量特征的数据，3）如何从只有少量类标的数据中进行学习。分类器集成、降维算法以及半监督学习等研究是应对这些挑战较为常见的技术。然而，尽管许多理论研究证明了这些方法在提升分类器一般性上的效果，在实际应用中的使用和验证还尚有欠缺。例如，我们早已从理论上证明好的分类器集成不仅需要每个基分类器都尽可能的准确，而且需要它们的失误出现在不同的样本上。实际上，具有这种特性的基分类器群的生成可能非常困难，尤其是基分类器的多样性难以保证，甚至都没有公认的测量标准。本报告结合自己之前的相关研究，覆盖集成式学习方面的一系列主题，包括经验主义的异质分类器集成、多目标分类器集成、基于演化算法的多特征数据的特征选择，以及创新的半监督分类器集成算法等。

个人简介：顾慎凯，博士，2017年1月获得英国萨里大学计算机系博士学位。2017年1月至2018年2月在英国萨里大学从事博士后研究，课题为基于人机交互行为的数据防泄漏研究与应用，该项目为英国政府科研和创新机构Innovate UK与知名数据防泄漏公司Clearswift联合资助。主要研究方向：机器学习、分类器集成、演化算法、多目标优化、信息安全等。

作者：刘越男；审核：刘学军