演讲主题

三维视觉的目标检测方法与优化

在计算机视觉领域，基于矩阵数据的二维卷积操作是二维目标检测算法的基础。但是当我们把二维卷积扩展到三维卷积以便实现三维目标检测时，就会遇到计算量爆炸的麻烦。为了解决这个麻烦，三维目标检测提出了基于点柱的PointPillar模型和基于点云的PointNet模型，不仅大大减少了计算量，还允许被检测目标线性变换，如旋转、平移等。本演讲介绍、分析并且比较了这两种常用的三维目标检测模型，给出了分析模型、理解模型、优化模型的一般方法。

脉冲神经网络研究与思考

脉冲神经网络（SNN）与目前基于深度学习神经网络（DNN）的区别在于前者的神经元只接受和发出离散的脉冲信号（比如0和1），而不是连续、可微分的数值信号。人脑神经元处理的就是脉冲信号；生物（包括人）的基因是碱基的序列；逻辑推理和贝叶斯学习是基于离散事件的；测不准原理和量子力学证明了世界的本质是不连续的。因此，SNN是最接近世界本质的神经网络，是克服当前DNN研究瓶颈的必由之路。本演讲论述了SNN的来龙去脉、基本结构和广阔应用前景，指出了SNN的研究困难并提出了可能的解决方案。