Onderzoekers van UCF’s Center for Research in Computer Vision (CRCV) waren goed te zien op een van de beste computervisieconferenties ter wereld.
De jaarlijkse Computer Vision and Pattern Recognition Conference (CVPR), die onlangs in New Orleans werd gehouden, wordt gerangschikt als de vierde toplocatie voor publicaties van alle wetenschappen.
Mubarak Shah, UCF’s CRCV-directeur en hoogleraar Board of Trustees Chair, organiseerde het evenement als een van de algemene voorzitters van de conferentie.
Shah, samen met drie andere CRCV-faculteitsleden, assistent-professoren van de afdeling Computerwetenschappen Chen Chen en Yogesh Rawat, professor Nazanin Rahnavard van de afdeling Electrical and Computer Engineering, en 32 doctoraatsstudenten en alumni, hebben meer dan 600 mijl gereisd om de conferentie persoonlijk te ervaren .
Matias Mendieta, een van Chens doctoraatsstudenten, waren samen met doctoraatsstudent Taojiannan Yang en onderzoekers van de Tulane University en de University of North Carolina in Charlotte finalisten voor de Best Paper Award van de conferentie.
Hun papier gerangschikt 33rd uit 8.161 inzendingen van over de hele wereld.
De paper, “Local Learning Matters: Rethinking Data Heterogenity in Federated Learning”, is gericht op het verschaffen van inzicht voor het verbeteren van de efficiëntie van federated learning, waarbij gebruik wordt gemaakt van samenwerkende machine learning en nieuwe gegevens lokaal en privé op één apparaat worden bewaard. Het doel is om de ontwikkeling van sterke machine learning-modellen te vergemakkelijken die kunnen worden getraind zonder toegang tot privégegevens.
Mendieta zegt dat dit impactvolle toepassingen heeft op verschillende gebieden, zoals de geneeskunde, waar gegevens vaak niet kunnen worden gedeeld met andere entiteiten.
“Het bijwonen van de mondelinge presentaties en postersessies was verhelderend en inspirerend”, zegt Mendieta. “Ik was dankbaar voor de mogelijkheid om ons werk als een mondelinge presentatie tijdens de conferentie te presenteren.”
Informatica-promovendus Akash Kumar was aanwezig en presenteerde zijn poster op de conferentie. Zijn werk, “End-to-End Semi-Supervised Learning for Video Action Detection”, onderzoekt hoe onderzoekers een probleem kunnen aanpakken met minder labels.
“Video-actiedetectie is een moeilijke taak omdat het veel geannoteerde, gelabelde gegevens vereist, wat extreem duur is”, zegt Kumar. “Mijn aanpak onderzoekt hoe we hetzelfde prestatieniveau kunnen bereiken, maar met veel minder gelabelde data, vooral hoe we ongelabelde data efficiënt kunnen gebruiken.”
Naast het ervaren van hoogwaardig onderzoek en interactie met toponderzoekers, konden studenten spreken met de vele aanwezige bedrijven. Dit was vooral belangrijk voor Kumar, die van plan is om na zijn afstuderen in de industrie te gaan werken.
“Ik heb veel professoren ontmoet die experts zijn in hun respectievelijke onderzoeksgebied, heb contact gehad met veel bedrijven en leerde waar onderzoeksindustrieën zich momenteel op richten en hoe ze die problemen in de echte wereld aanpakken”, zegt Kumar . “Het was leuk om met senior promovendi te praten die je kunnen begeleiden hoe je onderzoek doet en consistent vooruitgang boekt, aangezien ze in hetzelfde schuitje zitten als wij. Ze hebben me geholpen om mijn onderzoeksprobleem vanuit een ander perspectief te bekijken.”
Naast Shah, die optrad als algemeen covoorzitter van de onderzoeksconferentie, organiseerden assistent-professoren Chen en Rawat beide eendaagse interactieve workshops.
Chen’s workshop, “Dynamic Neural Networks Meet Computer Vision”, bracht opkomend onderzoek op het gebied van dynamische diepe neurale netwerken optimalisatie, voorspellende controle, dynamisch neuro-symbolisch redeneren en computervisie samen om open uitdagingen en kansen voor de toekomst te bespreken.
Chen was ook de hoofdorganisator van ‘First International Workshop on Federated Learning for Computer Vision (FedVision)’, een workshop over federatief leren en hoe het kan helpen informatie privé te houden.
Rawat organiseerde een workshop met de titel ‘Robustness in Sequential Data’. Robuustheid is een belangrijke stap in de richting van het ontwikkelen van betrouwbare systemen die in de echte wereld kunnen worden ingezet. Deze workshop moedigde onderzoekers aan om de robuustheid van modellen tegen real-world distributieverschuivingen te onderzoeken, terwijl ze werkten op video- en taalgebaseerde sequentiële gegevens.
Hij was ook betrokken bij het organiseren van de ‘Tiny Actions Challenge’, een gerichte taak in een reeks uitdagingen die tot doel heeft kleine of kleine acties te herkennen in video’s met een lage resolutie die niet duidelijk zichtbaar zijn.
Meer dan 5.500 mensen woonden de conferentie persoonlijk bij en nog eens 2.000 namen virtueel deel. Dankzij de COVID-19-pandemie lag het drie jaar stil.
“We wisten niet zeker of we dit persoonlijk moesten doen of niet, maar hebben uiteindelijk besloten om door te gaan met een persoonlijke conferentie”, zegt Shah. “Het was een groot succes.”
0 Comments