主办：

广东省图象图形学会（GDSIG）

承办：

 GDSIG计算机视觉专委会

 华南理工大学电子与信息学院

 哈尔滨工业大学（深圳）

 中山大学计算机学院

时间：2023年12月29日

地点：广州市花都区凤凰北路75号广州融创施柏阁大观酒店珠海厅 

广东省图象图形学会学术年会暨第十三届届粤港澳图像图形学术会议会议定于2023年12月29日下午14:00-16:30召开，会后将召开广东省图象图形学会第七届理事会第二次全体理事会议、第七届理事会第二次理事长秘书长工作会议，请各位理事按时参会。

相关会议信息安排如下：

                       会议议程一览表

特邀报告1：多模态大模型

讲者简介：聂礼强，IAPR Fellow，现任哈尔滨工业大学深圳校区计算机学院二级教授、博导、院长。西安交大本科，新加坡国立大学博士、博后。曾入选国家级青年人才与国家级人才计划。主持两项基金委重点项目、科技部重点研发课题、省杰青、两项千万级横向项目等。致力于多媒体内容分析与搜索的研究。发表CCF A类论文百余篇，出版中英文专著5部，授权国家发明型专利30余项，谷歌引用2.2万余次。任IEEE TKDE、IEEE TMM、IEEE TCSVT、ACM ToMM等汇刊编委；获ACM中国新星奖2019、SIGIR 2019与SIGMM 2019最佳论文提名奖、SIGMM Rising Star 2020、达摩院青橙奖2020、MIT TR35 China 2020、SIGIR 2021最佳学生论文奖、省科技进步一等奖 2021（排一）、ACM MM 2022最佳论文奖、省青年科技奖2022、AI’s 10 to Watch 2022等。成果在多家上市公司落地。

报告摘要：大模型已向世界展现出了超强的涌现能力，激起了学术届与工业界的百模大战。目前研发的大模型以语言、视觉、语音等单一模态为主。然而，自然界是以多模态的形式呈现的，单一模态大模型存在着知识冰山的问题。本次报告中，讲者将：1）分析大模型技术的现状；2）剖析多模态大模型主流技术路线；3）介绍自研的多模态大模型-九天；以及4）多模态大模型的评测方式。

特邀报告2：面向社交网络的多媒体信息取证

讲者简介：周建涛博士，澳门大学科技学院电脑与资讯科学系教授，博士生导师，智慧城市物联网国家重点实验室城市大数据与智能技术研究室核心成员。2009年于香港科技大学电子及计算机工程系获得博士学位。曾作为富布赖特（Fulbright）青年学者于美国伊利诺大学厄巴纳－香槟分校访学。多年来一直从事图像处理、信息安全、计算机视觉等方面的研究。近年来在IEEE T-PAMI，IEEE T-IP, IEEE T-SP，IEEE T-IFS，IEEE T-AC等顶级期刊发表论文百余篇。在CVPR，ICCV，ICML，ACM Multimedia，AAAI等主流会议上发表论文近百篇。目前担任图像处理领域的顶级期刊IEEE T-IP (CCF-A)、IEEE T-MM及信息安全领域顶级期刊IEEE T-DSC (CCF-A)的副编辑(Associate Editor)。并担任IEEE ICME 2023程序委员会联合主席。曾获2016年度IEEE ICME最佳学生论文奖及2020年度ICME最佳论文Runner-Up奖。

报告摘要：近年来，随着社交网络平台的发展，数字多媒体信息传播的便利性和快速性得到极大的提高。海量社交多媒体信息在丰富人们生活的同时，也为社会带来了如版权侵权、隐私信息泄露、信息恶意篡改等安全问题。此次报告，将探讨面向社交网络的多媒体信息取证的新技术。首先从社交网络信道建模和估计入手，介绍基于模型的信道建模方法，以及向深度模型建模的进化。在社交网络信道模型的基础上，简介课题组近年来的一系列工作，包括抗社交媒体传输的鲁棒图像篡改检测、鲁棒相机模型识别、AIGC图像检测等，并对未来工作进行展望。

特邀报告3：数据偏差场景下的视觉不变表征学习

讲者简介：任传贤，中山大学数学学院教授、副院长，科学计算与计算机应用系主任，广东省（广州）工业与应用数学学会副理事长兼秘书长，中国计算机学会计算机视觉专委会副秘书长，中山大学“逸仙学者”岗位教授。长期关注高维、异质视觉数据的特征表达与学习算法，在多尺度判别分析、稀疏表示与正则化方法、深度自适应特征表达等方面开展了较为系统的研究。主持广东省自然科学基金杰出青年项目，主持和参加多项国家自然科学基金项目，在国际重要学术期刊IEEE TPAMI, TIP, TNNLS, TMI, TCYB以及重要学术会议CVPR、AAAI、MICCAI等发表论文五十余篇，获得2015年度教育部自然科学研究优秀成果二等奖和2022年度中国图象图形学学会自然科学二等奖。

报告摘要：随着大数据与信息技术的不断进步，机器视觉的学习方法取得了快速发展。然而，这些成功往往严重依赖于数据质量和模型假设，而海量数据带来的复杂特性使得依赖的理想条件难以满足，导致经典的机器学习理论与算法失效。一方面，经典学习理论往往假设训练集和测试集服从同分布，而跨环境获取的现实数据却普遍存在结构异质、分布差异等问题，导致泛化误差界过于宽松，学习模型欠缺理论保障；另一方面，传统机器视觉方法忽略了数据分布差异的刻画，缺少理论性质良好且应用高效的差异度量，从而难以保证视觉表征的可泛化性，为视觉图像的自适应特征表达带来了严峻的挑战。本次报告将向同行汇报数据偏差场景下的泛化误差理论与视觉不变表征学习方法，以及基于最优传输原理的几何建模与解释。

特邀报告4：Empowing Deep Modeling of 3D Point Clouds with 2D Representation Modalities

讲者简介：Prof. Junhui Hou is an Associate Professor with the Department of Computer Science, City University of Hong Kong. Prof. Hou's research interests include multi-dimensional visual computing, such as image/video/3D geometry representation, processing and analysis, graph structure learning, and data compression.  He received the Early Career Award (3/381) from the Hong Kong Research Grants Council in 2018. He is an elected member of IEEE MSA-TC, IEEE VSPC-TC, and IEEE MMSP-TC. He is currently an Associate Editor for IEEE Transactions on Image Processing, IEEE Transactions on Visualization and Computer Graphics, and IEEE Transactions on Circuits and Systems for Video Technology.

报告摘要：3D point cloud data is becoming increasingly popular in various emerging applications, such as meta-verse, autonomous driving, and computer animations/games, as it provides an explicit representation of the geometric structures of objects and scenes. While deep learning has achieved great success in 2D image and video processing, it is still in its infancy for 3D point cloud data, which is a fast-growing but challenging field due to its irregular and unstructured characteristics. That is, designing deep architectures and loss functions for 3D point cloud data is difficult, and as a result, the representation capability of existing deep architectures is limited. In this talk, I will present our efforts to advance this field from two perspectives. First, we explore the representation of 3D point clouds as 2D images, where mature 2D CNNs can be applied. Second, we investigate the possibility of transferring visual knowledge from 2D images to 3D point clouds. We conduct extensive experiments on various low- and high-level tasks to demonstrate the advantages of these approaches. Such new perspectives will open up many possibilities in deep 3D point cloud data modeling.

大会联系人

 徐老师，Email: laterfall@hit.edu.cn

    郑老师，Email: wszheng@outlook.com