本研究室的2篇论文被ACM Multimedia Conference (ACM MM) 2014接收为full oral papers，一篇为Wenxuan Xie, Yuxin Peng, and Jianguo Xiao, "Weakly-Supervised Image Parsing via Constructing Semantic Graphs and Hypergraphs"，另一篇为Tianjun Xiao, Jiaxing Zhang, Kuiyuan Yang, Yuxin Peng and Zheng Zhang, “Error-Driven Incremental Learning in Deep Convolutional Neural Network for Large-Scale Image Classification”。ACM Multimedia Conferences是国际多媒体领域的顶级国际会议，也是CCF定义的A类权威国际会议，2014年共有约700篇论文提交，其中full oral papers的接收率不到20%，short poster papers接收率不到30%。祝贺谢文轩同学和肖天骏同学！其中谢文轩是直博4年级学生，肖天骏是硕士2年级学生。
　　第一篇论文针对弱监督图像解析问题提出了两种新的构图算法。具体来说，弱监督图像解析问题是通过已知的图像类别标签来推断图像块的类别标签。现有方法主要是针对该弱监督学习问题进行建模。而本文研究表明，表示图像块之间相似度的图结构对于图像解析的准确率具有决定性作用。现有的构图方法相对简单，主要是对数据集中的图像块构建L1图或KNN图。而本文的贡献在于两方面：一是在构图过程中提出了筛选相关图像块的准则，利用KNN语义图表示图像块相似度；二是提出了语义超图的构建方法，利用超边的高阶性质来更好地表示图像块之间的相关性。在标准数据集上的实验结果表明，本文提出的两种构图算法能够显著提高图像解析的准确率。此外，将上述两种构图方法进行结合，可以得到更为准确的结果。
　　第二篇论文的主要贡献是针对深度学习训练时间冗长以及模型容量难以动态扩容的问题，在深度学习中引入了增量学习的思路，提出了基于特征迁移学习的训练加速方法以及基于类别子集和划分的动态扩容方法，在一定程度上缓解了上述问题。在标准数据集上的实验表明，特征迁移学习能够加快训练速度，类别子集和划分可以通过模型扩容提高分类准确率，此外，两种方法可以结合，同时达到更快的速度和更高的准确率。
       

论文下载: Weakly-Supervised Image Parsing via Constructing Semantic Graphs and Hypergraphs【pdf】

       

论文下载: Error-Driven Incremental Learning in Deep Convolutional Neural Network for Large-Scale Image Classification【pdf】