「AI新青年讲座」将邀请世界顶尖AI研究机构和大学的科研新青年，主讲他们在计算机视觉、机器学习等人工智能领域的最新重要研究成果。

AI新青年是加速人工智能前沿研究的新生力量。AI新青年的视频讲解和直播答疑，将可以帮助大家增进对人工智能前沿研究的理解，相应领域的专业知识也能够得以积累加深。同时，通过与AI新青年的直接交流，大家在AI学习和应用AI的过程中遇到的问题，也能够尽快解决。

「AI新青年讲座」目前已完结118讲，错过往期讲座直播的朋友，可以点击文章底部“阅读原文”进行回看！

有兴趣分享学术成果的朋友，可以与智东西公开课教研团队进行邮件（class@zhidx.com）联系。

深度神经网络擅长从海量标记数据中学习，但却很难将其推广到新的目标领域。无监督领域自适应（UDA）作为目前解决标签缺失情况下模型跨域迁移的主要技术之一，利用源域的标记数据和目标域的未标记数据来提高模型在目标域上的泛化能力。

然而，与有监督的方法相比，UDA模型的局限性是显而易见的，目前仍然远远落后于有监督模型。在这种情况下，也许可以对一些目标数据进行标记，以提高模型的性能。首先面临的问题是：应该从目标数据集中选择哪些样本进行标注？虽然主动学习已经广泛地研究了如何挑选信息丰富的样本进行标注的问题，但它通常侧重于从头开始训练一个模型。样本选择之后的另一个问题是：如何有效地利用所有可用的数据来提高目标域模型的性能？

来自北京理工大学计算机学院的在读博士谢斌辉等人研究具有领域偏差下的主动学习问题，称为主动领域适应。针对语义分割任务，由于整张图片逐像素标注成本太高而且也不切实际，谢博等人提出了一种基于区域的标注策略。这种标注策略是选择图片中的极少区域块进行标注，所选区域块具备两个特点：空间多样性以及预测不确定性。针对这一成果，谢斌辉作为一作发表的论文此前已被选中为CVPR 2022 Oral。

5月27日，「AI新青年讲座」第19讲邀请到北京理工大学在读博士谢斌辉参与，主讲《标注受限的主动领域自适应及在语义分割任务的应用》。

讲者
谢斌辉，北京理工大学在读博士；导师北京理工大学计算机学院助理教授李爽；研究兴趣集中在视觉任务中的领域适应、迁移学习、主动学习和自监督学习，在T-PAMI、CVPR、AAAI等国际一流期刊、会议上发表学术论文。

第19讲

主 题
《标注受限的主动领域自适应及在语义分割任务的应用》

提 纲
1、标签缺失下的模型跨域迁移问题
2、无监督模型与有监督模型的对比
3、领域偏差下的主动领域适应
4、针对语义分割任务的区域标注策略

直 播 信 息
直播时间：5月27日19:00
直播地点：智东西公开课知识店铺

成果

RIPU：《Region Impurity and Prediction Uncertainty》
论文链接：https://arxiv.org/pdf/2111.12940.pdf
开源地址：https://github.com/BIT-DA/RIPU