由中国图象图形学学会青年工作委员会发起的“第十九届中国图象图形学学会青年科学家会议”于2023年12月28-31日在中国广州召开。本次会议由中国图象图形学学会主办，琶洲实验室、华南理工大学、中山大学、中国图象图形学学会青年工作委员会承办。王耀南院士、谭铁牛院士、中山大学赖剑煌教授、华南理工大学徐向民副校长、许勇副校长、琶洲实验室常务副主任李远清教授、华南理工大学陈俊龙教授、北京大学林宙辰教授共同担任大会主席。

会议面向国际学术前沿与国家战略需求，聚焦最新前沿技术和热点领域，会议设4个大会报告，27个主题分论坛，4个Tutorial，总计近150场高水平学术报告 。2023年12月29日下午，女青年科学家论坛成功举办。论坛由北京大学深圳研究生院教授邹月娴和中国科学院自动化研究所研究员董晶联合组织，董晶研究员担任本次论坛主持人。论坛聚焦该领域的最新研究进展与前沿技术，详细探讨了“Robotics meets Graphics: A Smarter Future”、“基于视觉的深度估计与定位”、“多源领域泛化与自适应”、“微表情识别：读脸读心”、“基于知识引导的场景智能理解和生成技术”和“高效自监督训练方法及模型轻量化探索”等主题内容。

深圳大学教授黄惠、华中科技大学教授杨欣、中国科学院计算技术研究所副研究员阚美娜、山东大学教授贲晛烨、华南理工大学教授徐雪妙、华南理工大学副教授陈俊颖等专家，作为本场论坛讲者进行主题报告。

黄惠教授带来主题为“Robotics meets Graphics: A Smarter Future”的报告。

这次报告介绍了三个强大的数据集:UrbanScene3D(ECCV 2022)、UrbanBIS (SIGGRAPH 2024) 和 EmoSet (ICCV 2023)。这些数据集是进入数据驱动机会世界的窗口，提供了敏锐的见解和丰富的应用程序。

杨欣教授带来主题为“基于视觉的深度估计与定位”的报告。

基于视觉的深度估计与定位技术被广泛应用于自动驾驶、增强现实、三维重建等多项任务中。本报告首先分享团队近期在深度估计方向上一系列研究工作，包括：1）基于注意力级联体（Attention Concatenation Volume, ACV）的双目/多目立体匹配方法。通过在构建代价体过程中充分结合局部几何特征与全局语义特征，能有效降低后续代价体聚合或多层级循环更新模块计算开销，提升聚合/更新效率；2）基于视觉的深度与运动联合估计方法。通过结合光流估计和单视角深度估计网络的互补特征（即，光流网络学习匹配特征，单视角深度估计学习结构特征），能有效提升两项任务的精度和效率。进一步，利用光流、深度及相机位姿估计三者特征间的相互约束，能提升无监督深度、光流及位姿联合估计精度。在报告的第二部分，介绍了近期在多传感器里程计方面的研究进展，以及团队所提出并开源的视觉与雷达融合里程计DSV-LOAM在KITTI Odomety等多个数据集上获得State-of-the-Art的精度。

阚美娜带来主题为“多源领域泛化与自适应”的报告。

开放环境中的视觉感知经常会遇到分布变化的问题，导致模型出现功能退化。本次报告主要介绍报告人在多源领域泛化与自适应方面的研究工作，包括多源域协同的域适应、多域自适应泛化等内容。

贲晛烨教授带来主题为“微表情识别：读脸读心”的报告。

微表情是一种不受思维控制的面部表情，具有持续时间短暂、变化幅度微弱、动作区域较少等明显区别于宏表情的特点。当前微表情在国家安全、司法审讯、谎言测试等领域潜在的应用价值引起了研究人员极大的关注。随着计算机模式识别技术的发展，微表情相关研究取得了很多成果，但作为研究基础的微表情数据库由于微表情捕捉困难、采集过程复杂、人工编码费时耗力和图像质量评价标准缺失等原因导致数据库样本数量不足，质量参差不齐，越来越无法满足微表情研究工作的需求。针对上述问题，本次报告深入分析现有微表情数据库的特点，通过合理设置实验环境，改进实验方法等措施，建立了MMEW微表情数据集，该数据集种类齐全、图像分辨率最高，MMEW 还提供了同一受测者具有相同类别（快乐、愤怒、惊讶、厌恶、恐惧、悲伤）的宏表情样本，这些可能有助于进一步的跨模态研究（例如，从宏观到微观表达）；还提出了被试独立和被试依赖两种微表情识别性能的评测方法；然后介绍通过数据集对齐和主动学习、判别性增强交叉重构等来解决微表情数据稀缺的两种算法；最后，探索和概述了一些潜在的未来研究方向。

徐雪妙教授带来主题为“基于知识引导的场景智能理解和生成技术”的报告。

多数据与知识的双轮驱动已成为人工智能发展的重要趋势之一。本报告面向国家发展战略需求，如智能交通、智能制造等领域，紧紧围绕智能视觉技术在实际应用中面临的四大挑战：复杂场景、跨域场景、数据缺失和低质量视觉数据，将探索一系列基于先验知识引导的场景智能理解和生成创新技术。

陈俊颖副教授带来主题为“高效自监督训练方法及模型轻量化探索”的报告。

深度神经网络在许多应用场景取得了非常好的性能，例如图像分类、目标检测和图像分割等。 当前深度神经网络普遍趋向更大更深的发展方向，模型的复杂度增大最终将导致模型难以高效训练，而且大多数复杂的深度神经网络依赖大规模高性能计算设备运行，从而限制其广泛使用。本报告将介绍课题组研究的高效自监督训练方法，同时探讨现有的标注数据在模型训练中所起的作用，提出统一对比学习方法；此外本报告将介绍轻量化神经网络的研究进展，讨论轻量级卷积核设计以及自动轻量化神经架构搜索方法，最后介绍轻量化神经网络在智慧医疗的实际应用。

本次论坛为女青年科学家们提供了宝贵的学术交流平台，为研究进展提供了新的启示和思想碰撞。