JIttor团队将举办第二届计图深度学习研讨会

深度学习框架极大地促进了深度学习技术的普及，降低了人工智能应用的门槛，使得深度学习技术广泛应用于人工智能相关的各个领域，如计算机视觉、智慧城市、智能机器人、图形图像处理、机器翻译、自然语言处理等，并取得了前所未有的突破。

2020年3月20日，清华大学图形学实验室发布并开源了深度学习框架 —— 计图(Jittor)。为促进我国人工智能技术的发展和开源深度学习生态的构建，清华大学举办计图深度学习系列研讨会，旨在提供一个论坛以展示深度学习最新的研究成果，交流Jittor框架的进展和应用。

第二届计图深度学习研讨会将于2020年10月10日举行。由于新冠肺炎的影响，研讨会将在线上举行。听众可以通过腾讯会议和哔哩哔哩（Bilibili）的直播厅参与和交流。

第二次计图深度学习研讨会分为机器学习新进展、计图平台创新与实践两个部分。邀请清华大学黄高副教授和牛津大学吴尚哲博士生介绍深度学习的最新成果，并由Jittor团队介绍Jittor平台的新进展及应用。 研讨会于2020年10月10日（周六）下午2点半开始。议程如下。

研讨会邀请到的第一位演讲嘉宾是DenseNet的发明人黄高博士。黄高博士毕业于清华大学，2015年至2018年在美国康奈尔大学计算机系做博士后，现为清华大学副教授。黄高博士目前在NeurIPS，ICML，CVPR等国际顶级会议及IEEE Transactions上共发表学术论文40余篇，被引用16000余次。曾获得CVPR最佳论文奖、世界人工智能大会SAIL先锋奖和吴文俊人工智能自然科学一等奖等荣誉。

黄高博士的报告题目是“Dynamic Neural Networks”，将介绍一类在推理过程中能够根据输入的变化改变自身结构或者参数的自适应神经网络模型；并介绍适应样本变化和适应图像空间变化的两类动态卷积网络模型，并讨论现有方法的局限以及未来发展前景。

黄高博士（清华大学）

研讨会的第二位报告人是牛津大学博士生吴尚哲，导师是Andrea Vedaldi教授。他的研究一直集中在无监督的3D理解上。在加入牛津大学之前，尚哲在HKUST获得学士学位，并与唐志强教授和戴玉荣教授合作研究图像翻译。他的论文获得了2020年CVPR最佳论文奖。

吴尚哲的报告题目是“Unsupervised Learning of 3D Objects from Images”，将介绍一些基于学习的重建技术的最新进展，重点是无监督和弱监督的方法，并将详细讨论CVPR 2020年的获奖论文。

吴尚哲（牛津大学）

此外，计图团队李相利、国孟昊、周文洋等将介绍Jittor框架的一些最新进展，包括检测与分割模型库、几何学习库和Jittor的可微渲染功能。

考虑到新冠肺炎的影响，我们以参会者的健康和安全为优先，故本次的计图深度学习研讨会仍将在线上举行。

研讨会免费向公众开放。大家可以通过扫描下方的二维码，在哔哩哔哩(Bilibili)的直播中听演讲和参与互动。

Bilibili参会的二维码

如果在电脑上参会，不便扫描二维码，也可以通过网页链接进入。 Bilibili：https://live.bilibili.com/22558868

我们鼓励参会者扫描下方的二维码免费注册，尤其是希望使用Jittor研发的研究人员和学生，以便我们后续通知您关于Jittor的版本发布和计图深度学习研讨会的信息。对最早注册的100位参会者，我们将赠送内有Jittor软件和资料的新款Jittor纪念U盘一只。

会议注册的二维码

本次研讨会得到国家自然科学基金委创新群体项目、北京信息科学与技术国家研究中心和清华-腾讯联合实验室联合的支持和资助。特此致谢。