报告题目：关于图像语义分割和对齐问题中的弱监督策略

报告摘要

在像素层面的图像理解中，深度学习方法通常需要大量的密集标注来进行神经网络训练。这对于许多实际应用来说是很难获得，比如医学图像分析。本次报告将介绍我们最近在基于弱监督学习策略的语义分割和对齐的工作，包括小样本、半监督和自监督与深度网络学习的结合。首先我将介绍一种新型的形状感知半监督分割方法，利用丰富的无标记数据对语义分割输出实施几何形状约束，并应用到CT图像的心房分割数据集。其次，我将讨论我们基于新的原型表示的小样本语义分割的工作，其目的是捕获多样化和细粒度的对象特征。最后，我将简要介绍我们在图像语义匹配方面的工作，其中我们考虑了预测的置信度，并开发了一种新的融合策略来纠正匹配错误。

嘉宾简介

何旭明博士1998年和2001年于上海交通大学电子工程系获得本科和硕士学位，并于2008年在加拿大多伦多大学计算机系获得博士学位。他从2008到2010在加州大学洛杉矶分校Alan Yuille教授的指导下完成了博士后的研究工作。之后，他加入了澳洲国立信息技术研究院（NICTA)成为研究员（2010）并从2013年开始任高级研究员。同时，他还兼任澳洲国立大学的研究员和高级研究员。他于2016年12月成为副教授、研究员入职上海科大。他的研究方向包括机器学习，计算机视觉和生物视觉。他已经发表了超过60篇期刊和会议文章，包括CVPR, ICCV, ECCV, AAAI, NIPS, IEEE TIP, IEEE TPAMI, Journal of Vision等。他担任了多个国际会议的Area Chair，包括ICCV 2019, ECCV 2020, CVPR 2021，以及期刊IET Computer Vision的Associate Editor。

课题组主页：https://plus.sist.shanghaitech.edu.cn

特别感谢本次Webinar主要组织者：

魏本征（山东中医药大学）