报告摘要：

        视觉模式的相似性度量是视觉计算中的一个基础问题，设计一个有效的相似性度量准则对于提高视觉分析系统的性能极为关键。度量学习旨在利用训练数据学习出有效的距离度量，进而有效地描述样本之间的相似度。传统的度量学习算法大多数都是学习出一个线性的马氏距离，因而不能有效地描述样本的非线性结构。本报告介绍本研究组近年所提出一种新的深度度量学习方法及其在视觉分析中的应用。通过构造一个深度神经网络，在网络的顶层设计任务相关的目标函数优化网络的参数，从而更好地学习出鉴别度量空间。所提出的方法在包含人脸识别、行人识别、物体识别、图像匹配、图像集分类、目标跟踪和图像检索等多个视觉分析的应用中验证了其有效性。

报告人简介：

       鲁继文，博士，清华大学自动化系副教授，博士生导师。主要研究方向为计算机视觉、模式识别和机器学习，具体研究内容包括人脸识别、物体识别、图像检索、特征学习、度量学习和深度学习等。近年来在国际期刊和会议上已发表/录用学术论文130余篇（其中CCF A类期刊和会议36篇），包括IEEE汇刊论文29篇(其中PAMI论文4篇，T-IP论文6篇)，ICCV、CVPR、ECCV等计算机视觉领域一流会议论文19篇。目前为IEEE高级会员，IEEE信号处理学会信息取证与安全技术委员会委员，中国计算机学会计算机视觉专委会委员，国际期刊Pattern Recognition Letters、Neurocomputing和IEEE Access的编委，Computer Vision and Image Understanding、Image and VisionComputing和Neurocomputing的客座编委，9次担任包括ACCV、ICME、ICB、VCIP在内多个国际学术会议/研讨会的领域主席/专题主席/研讨会主席，5次在CVPR、ACCV、ICME等国际学术会议上组织专题报告。先后获2012年新加坡模式识别与机器智能协会最佳学生论文奖和2014年IEEE多媒体信号处理研讨会Top10%最佳论文奖。