您的位置:首页 > 科学研究 > 学术科研

西南大学第四届青年学者含弘科技论坛计算机与信息科学学院分论坛学术报告

发布时间:2018-12-17 来源:本站原创 作者:本站编辑   浏览次数:

西南大学第四届青年学者含弘科技论坛

计算机与信息科学学院分论坛

                        学术报告

时间:2018年12月27日上午8:30

地点:西南大学计算机与信息科学学院250114学术报告厅

报告一:

题目:城市交通移动模式以及对传染病传播速度的影响

报告人:杜占玮

报告人简介:美国德州大学奥斯汀分校自然科学学院Lauren A. Meyer课题组博士后,从事城市交通移动模式和传染病传播速度的研究,相关研究已经作为2017年MIDAS年会(美国NIH资助) 的主题报告之一。

内容摘要:在城市交通系统中,地铁系统中的客流量反映了人们生活的时空动态。 以上海为例,我们发现空间社区结构能够捕捉到乘客行为的动态变化。进而使用微博主题和饭店等设施场地表征地铁站对人群的吸引力,构建了反应人群流动性的空间和时间模型,并发现市中心的特点是社会影响力更大,较短的行程距离激励个人更早地开始他们的旅行。进一步研究人群流动性对传染病传播速度的影响, 通过上海的每小时运输数据来估算数千人的流行风险爆发情景。对于不同时空场景下的传染病爆发,我们发现传染病增长率变化超过二十倍。风险最高的是在星期五以市中心为爆发源点。这些时空热点的识别可以为城市传染病监视系统提供高效的监控点。

 

报告二:

题目:时序网络上合作行为演化

报告人:李阿明

报告人简介:李阿明博士2011年6月本科毕业于浙江工业大学理学院应用数学系,2017年7月博士毕业于北京大学系统与控制研究中心。2014年10月至2017年3月,李阿明在美国东北大学复杂网络研究中心访问;2015年10月至2017年3月在麻省理工学院物理系Jeff Gore实验室访问。李阿明博士目前在牛津大学从事博士后研究工作,2018年3月获得人类前沿科学计划三年研究资助(HFSP Fellowship)。

内容摘要:自《物种起源》发表以来,合作行为演化便受到了广泛关注。大自然中涌现出来的物种间相互合作现象,在一定程度上挑战了“物竞天择,适者生存”的观点,即若适应度较高的个体得以存活,为何存在一些物种自愿付出代价帮助其他个体提高适应度?伴随着亲缘选择学说的提出,各类研究成果丰富了人们对合作行为的理解。近年来,演化博弈论与网络科学等的发展,为探索异质结构种群中合作行为演化提供了有力工具。本报告将介绍微生物系统以及时序网络上合作行为演化问题,并将探索网络系统自身动力学与网络上动力学相对时间尺度对合作行为传播的影响等。

 

报告三:

题目:Deep learning for intelligent perception -applications in autonomous driving and precision agriculture(深入学习智能感知-自动驾驶和精准农业的应用)

报告人:乔永亮

报告人简介:乔永亮于2010年和2013年分别获得中国杨凌西北农林科技大学学士和硕士毕业。 硕士毕业后,赴法留学, 他于20174月,在法国勃艮第-弗朗什孔泰大学(Université Bourgogne Franche-Comté)获得计算机科学博士学位。 20176月起,在澳大利亚悉尼大学野外机器人中心(Australian Centre for Field Robotics)任副研究员。目前的研究兴趣包括计算机视觉,智能感知和深度学习。

内容摘要:深度学习由于其强大的学习和特征表达能力,已经在计算机视觉和机器人领域有着广泛应用。本报告针对深度学习为基础的智能感知在智能交通中的视觉定位, 现代农业中的动物福利检测(体况,体重等) 和动物声音识别方面进行简要进行。 其主要三部分具体如下:(1)针对智能交通的视觉定位,提出了一种基于卷积特征和局部图像匹配的定位方法。首先利用预训练获取卷积特征,随后用序列匹配来进行。为了加快计算效率,应用局部敏感散列(LSH)方法来提高实时性能。我们利用实际采集到的数据进行评估,针对不同卷积层的表现进行比较,所提的方法 在变换场景,不同季节以及不同光照情况下都优于传统方法。(2 强大而实时的实时体重估算方法在精确畜牧业中是必不可少的。基于深度卷积神经网络和RGB-D数据进行活牛体重估计。所提出的系统包括牛躯干区域的分割和活牛体重估计。根据我们的实验结果,使用深度卷积神经网络进行活牛体重估计,提出的方法牛的活重低,误差很小。(3)动物检测和同一物种中群落成员的区别对动物跟踪和保护很重要。本文提出了一种流形正则化的深度学习方法基于动物声音实现检测和聚类。这有两个主要目标:首先是检测动物的存在;第二种是基于检测到的声音,进行物种或群体的聚类。根据实验结果表明,所提出的流形正则化深度学习方法优于其他方法。

 

时间:2018年12月27日下午2:30

地点:西南大学计算机与信息科学学院250114学术报告厅

报告一:

题目:分治归约合成及并行验证语言可分解性

报告人:林立勇

报告人简介:林立勇分别在2011年和2016年获得新加坡南洋理工大学一等荣誉学士学位和博士学位。2016年到2017年间林立勇作为NSERC博士后在加拿大多伦多大学开展研究工作。目前林立勇在新加坡南洋理工大学从事信息物理系统方面有关网络安全方向的博士后研究。林立勇的研究兴趣包括人工智能,形式化方法和监督控制理论。

内容摘要:自动计算复杂度理论中的归约有许多理论和实际上的应用,包括自动编程和或许能够帮助我们更深刻地了解复杂度理论中的一些悬而未解的问题。一种比较特殊的归约叫做分治归约, 即将一个大问题归约成多个同样结构的小问题。 分治归约有时能够极大地改进在一些特别情况下已知算法的复杂度。这份报告讨论的是目前对分治归约的一些理解,研究进展和它在一些有序结构的形式化验证问题上的应用。 一个比较具体的应用是语言可分解性的验证问题。语言可分解性是分布式监督控制理论中的一个重要的性质。这份报告将会简单介绍语言可分解性的概念和讨论如何自动合成分治归约来实现在一些特别情况下并行验证语言可分解性和降低验证复杂度。

 

报告二:

题目:Decompositions of Quantum Markov Chians and Its Applications(量子马尔可夫链的分解及其应用)

报告人:官极

报告人简介:Dr.Ji Guan is currently a post-doc at Institute of Software, Chinese Academy of Sciences. In 2014, he received his bachelor’s degree in mathematics from Sichuan University, China and then obtained his Ph.D. degree in Computer Science from University of Technology Sydney, Australia in 2018. His primary research interests are quantum Markov chains, model checking quantum systems, quantum information preserving and quantum software development. His research has been published in Journal of Computer and System Sciences,Quantum Information & Computation, Physical Review A, Symposium on Real-Time and Hybrid Systems and SCIENTIA SINICA Informationis. He is also a member of Q|SI⟩ Developing Team; Q|SI⟩ is a quantum programming environment

官极博士现为中国科学院软件研究所博士后。他于2014年获得四川大学数学学士学位,而后在2018年在澳大利亚悉尼科技大学完成计算机科学博士学位。他主要的研究兴趣包括量子马尔可夫链,模型检测量子系统,量子信息保存和量子软件开发。其研究成果已经发表在Journal of Computer and System Sciences,Quantum Information & Computation, Physical Review A, Symposium on Real-Time and Hybrid Systems and SCIENTIA SINICA Informationis。并参与开发量子程序环境软件Q|SI⟩。

内容摘要:Markov chains have been widely employed as a fundamental model in the studies of probabilistic and stochastic communicating and concurrent systems. It is well-understood that decomposition techniques play a key role in reachability analysis and model-checking of Markov chains. (Discrete-time) quantum Markov chains have been introduced as a model of quantum communicating systems and also a semantic model of quantum programs. The BSCC (Bottom Strongly Connected Component) and stationary coherence decompositions of quantum Markov chains were introduced in previous literature. In this talk, we present a new decomposition technique, namely periodic decomposition, for quantum Markov chains. We further establish a limit theorem for them. As an application, an algorithm to find a maximum dimensional noiseless subsystem of a quantum communicating system is given using decomposition techniques of quantum Markov chains.

马尔可夫链作为基础研究模型已经被广泛应用于概率通信和并行系统等研究中。分解技术在马尔可夫链可达性分析中占有关键的角色。离散时间的量子马尔可夫链已经被提出作为量子通信和量子程序语义的模型。在以前的研究中,量子马尔可夫链的最小强连通成分分解和不变相干分解已经被引入。在这个讲座中,我们给出一个新的分解技术,叫做周期分解。更进一步,我们建立了一个量子马尔可夫链的极限定理。这些分解技术被应用在量子通讯系统中,我们开发了一个算法计算出最大维数无噪声的量子子系统。

 

 

报告三:

题目:量子非局域性的定义、检测及分布

报告人:苏兆锋

报告人简介:苏兆锋博士于2012年在武汉大学获得软件工程学士学位,同年受中国国家留学基金委建设高水平大学公派留学项目与悉尼科技大学国际研究奖学金资助,赴澳大利亚悉尼科技大学攻读博士学位,并于2018年获得博士学位。苏兆锋博士的研究领域是量子计算与量子信息,具体包括量子非局域性、量子纠缠、量子中继器及量子人工智能。

内容摘要:量子非局域性是量子力学的基本特性之一,也是量子信息处理中不可或缺的资源。作为一种资源,对量子非局域性的检测、度量就具有非常重要的实用性价值。在这个报告里,我首先将介绍量子信息领域的背景和基础知识;其次,我将介绍量子非局域性的定义及研究的场景;最后,我将报告我们在量子非局域性的检测及量化方面所取得的一些进展。