张磊

声学信号、语音信号、雷达信号、图像和视频信号 ICASSP 每年 5 月份召开，截稿日期 10 月份 -11 月份

视频信号、图像信号 ICCV 、 ECCV ICCV 每两年召开一次、 ECCV 基本是每年召开一次

图像处理 ICIP 每年 9-10 月份召开，截稿日期是前一年 1 月份

模式识别 ICPR 、 CVPR

机器学习 ICML— 今年 6 月份在北京召开

ICASSP 是信号处理领域最大的会议，每年参会的人数在 2000 人以上，今年 2700 人

每年在会上对当年信号处理领域做出贡献的人进行奖励，包括 IEEE fellow 、十年最佳论文等

会议领域很广泛，包括很多相关信号处理的很多相关主题 语音识别、语种识别、语音理解交互 图像理解、图像分类、编码 视频处理 通信领域、雷达信号处理 机器学习算法

2014- 佛罗伦萨，意大利 照片

2014- 佛罗伦萨，意大利 孕育了但丁、米开朗基罗、达 ·芬奇等等赫赫有名

的大人物 古旧得近乎朴素的城市 阿尔诺河将城市一分为二，在河上矗立着一座座老

桥，桥边则遍布着金银首饰店铺等前店后铺的手工作坊

佛罗伦萨大教堂

只要是信号处理方向，你都能找到你感兴趣的热点问题

2013- 温哥华，加拿大 照片

温哥华 温哥华给人印象最深的是覆盖冰川的山脚下众岛点

缀的海湾，绿树成荫，风景如画，是一个富裕的绿色住宅城市。

斯坦利公园（ Stanley Park ）

David G. Lowe

ICIP 主要关注图像处理和计算机视觉相关领域的研究进展，每年一次

同 ICASSP 一起是 IEEE 信号处理协会（ SPS ）下主办的两个会议

会议等级等同于 ICASSP ，但参会的规模要小于 ICASSP ，这是由于 ICASSP 囊括的领域要远大于 ICIP 的缘故。 ICIP 2012— 奥兰多，美国 ICIP 2013— 墨尔本，澳大利亚

ICIP 2012— 奥兰多，美国 迪士尼乐园

迪斯尼 - 未来世界 ( Disney's Epcot ) 迪斯尼 - 动物王国 ( Disney's Animal Kingdom) 迪斯尼 - 好莱坞影城 ( Disney's hollywood

studio ) 迪斯尼 -魔法王国 ( Disney's Magic Kingdom);

ICIP2013

计算机视觉的顶级会议 牛人多、文章有深度，偏重于理论 涉及领域不局限于计算机视觉，还包括识别、跟踪、分割、统计机器学习和基于几何的视觉学习等

谷歌曾发布一个雄心勃勃的计划，要用计算机硬件和软件重新构建人类大脑 ---谷歌大脑

百度去年在加州库珀蒂诺，建立一个专门研究“深度学习”的实验室

灵魂人物：吴恩达 Andrew NgStanford universityMachine learning courseNIPS 、 ICML 上几乎每年有新文章

Supervised learning/unsupervised learning

Classifier model / machine learning algorithm

Deep neural network

Fisher kernel

Random forest

NBNN/LNBNN/ NBNN kernel

BOW / VLAD(vector of locally aggregated descriptor)

NBNN

Local NBNN

Random forest

Deep learning /DNN

Building High-level Features Using Large Scale Unsupervised Learning

ICML 2012  Andrew Y. Ng

is it possible to learn a face detector using only unlabeled images?

the model has 1 billion ( 十亿 ) connections

the dataset has 10 million （百万）

200x200 pixel images downloaded from the

Internet

 1,000 machines (16,000 cores) for three

days

Basic classification

Main framework for basic classification

SIFT+BOW+SVM

Sparse coding +SVM

Fisher kernel +SVM

VLAD + SVM

Object bank + SVM

Refined classification

Chihuahua

Refined classification

English_foxhound

Main framework for refined classification

SIFT + BOW + random forest

SIFT + spatial pyramid + EMD + SVM

New descriptor mapping as manifold learning

Random forest + SVM