400&&300&&1&&116725a7-b4aa-48b3-a602-9de92e6e0309
近期，第44届国际计算机学会信息检索大会（The 44th International ACM SIGIR Conference on Research and Development in Information Retrieval, SIGIR 2021）于2021年7月11日-7月15日以线上会议形式顺利召开，电子电气与通信工程学院博士生陈轩昂获得最佳短论文奖。
ACM SIGIR是人工智能领域智能信息检索（Information Retrieval，IR）方向最权威的国际会议，会议专注于文本推荐、检索、语义计算等领域的最新研究成果。此次SIGIR 2021大会共收到了720篇长论文和526篇短论文，其中有151篇长论文和145篇短论文被录用，录用率分别约为21%和27%。
在14日凌晨，本次SIGIR 2021大会公布了最佳论文、最佳短论文、时间检验奖等多个奖项。其中，最佳短论文奖由中国科学院大学（以下简称“国科大”）电子学院博士研究生陈轩昂（一作）获得。获奖论文题为《Contextualized Offline Relevance Weighting for Efficient and Effective Neural Retrieval》，共同作者分别为国科大计算机科学与技术学院何苯教授（共同通讯）、前亚马逊（现谷歌）数据科学家回恺博士、国科大计算机科学与技术学院博士生王怡然、中国科学院软件研究所孙乐研究员、国科大电子电气与通信工程学院副院长孙应飞教授（共同通讯）。
图1：SIGIR 2021最佳短论文获奖证书
论文简介：在线搜索延迟（online search latency）是在检索应用中部署大规模预训练语言模型（如BERT）的一个主要瓶颈。我们受到文档扩展技术（基于transformer模型）最新成果的启发，提出了一种以大量伪查询（pseudo-query）和近邻文档（neighbour document）的离线相关性评分换取在线效率的神经检索框架。具体而言，我们利用强大的BERT排序模型对语料中每个文档生成的伪查询与其对应收集的近邻文档之间进行了离线相关性评分，并且在线检索时只需进行输入查询和种子文档（seed document）的伪查询之间的匹配，以此提高检索的效率。那么，在在线检索阶段，传统的查询-文档匹配（query-document matching）将被简化为成本更低的查询-伪查询匹配（query to pseudo-query matching），并根据预先计算好的近邻文档快速召回出相应的文档排序列表并返回给用户。在MS MARCO检索数据集上的实验结果表明，我们的方法在在线效率和有效性方面都获得了很好的效果。
论文地址：https://dl.acm.org/doi/10.1145/3404835.3463073
2018年6月21日，中国科学院大学电子电气与通信工程学院模式识别与智能系统开发实验室和三星中国研究院在三星学术报告厅开展了深度特征学习的交流活动。模式识别实验室叶齐祥教授做了题目为《SRN: Side-output Residual Network for Object Symmetry Detection and Beyond》的学术报告。报告回顾了SRN在目标对称性检测上的优势，随后介绍了该方法的理论解释Linear Span Network（LSN）及技术扩展CircleNet。SRN-LSN-CircleNet系列该方法在行人、文字和高分辨率遥感目标检测上都取得了优异性能。
三星电子中国研究院成立于2000年，是三星电子在华投资设立的第一个具有独立法人资格的研发机构，是国家批准认定的高科技软件企业，具有博士后科研工作站运营资质，现有研发人员近800名。研究院自2010年起，在强化研发成果商用化的同时，更加注重未来前沿关键技术的研究和开发。三星电子中国研究院拟在学术研究、博士后培养方面与模式识别实验室展开合作。
参加本次活动的人员包括：模式识别实验室研究生张天亮，王攀、苗彩敬（韩振军副教授指导），清华大学、中科院软件所等单位的多名科研人员以及三星电子中国研究院的多名研究员，活动由三星电子中国研究院刘志花博士（焦建彬教授指导）组织。
报告现场
交流活动合影
视觉目标检测是计算机视觉领域非常重要又极具挑战性的问题。视觉目标检测通常是一个多任务学习问题，模型需要检测出图片或者视频中的物体，同时还要对物体进行分类。视觉目标检测是很多工业应用的基础之一，比如自动驾驶汽车，车路协同系统等。全监督意义下的视觉目标检测，有bounding-box级别的标注信息作为监督信息，训练目标检测模型。全监督目标检测任务面临很多挑战，比如不准确的标注框，标注框的歧义性等。而弱监督视觉目标检测的监督信息只有图像级别的标注信息，指示图片中是否含有某一类物体。从而面临着新的挑战。
中国科学院大学电子学院模式识别与智能系统开发实验室长期从事视觉目标检测的研究。实验室博士生万方与叶齐祥教授、韩振军副教授、焦建彬教授合作提出了一种最小熵隐变量模型MELM（Min-Entropy Latent Model）用于弱监督目标检测。该模型可以对物体定位的结果随机性进行度量，进而实现弱监督环境下的准确定位，相关工作被人工智能领域顶级期刊T-PAMI所接收。后续研究中，万方在多示例学习中引入了连续优化机制，从而减轻模型训练优化过程中的非凸性，避免训练陷入局部极小值点，从而学习稳定的语义极值区域 (SSER)，更加准确地定位物体，相关工作被IEEE CVPR 2019以Oral形式接受。
会议场所外景（威尼斯，利多岛，威尼斯电影宫）
当地时间10月22-29日，两年一度的计算机视觉顶级会International Conference on Computer Vision (ICCV 2017) 在意大利威尼斯举办。ICCV即国际计算机视觉大会，由IEEE主办，被誉为计算机视觉领域三大顶级会议之一，其论文水平代表了计算机视觉领域最新的发展方向和水平，来自世界各地一流研究机构的3000多名研究人员在此次大会上交流最新的研究成果。
模式识别与智能系统开发实验室两篇论文分别被会议和会议workshop接收，论文作者朱艺、周彦钊、柯炜同学受会议方邀请参会展示论文工作。
会议论文：Soft Proposal Networks for Weakly Supervised Object Localization
作者：Yi Zhu, Yanzhao Zhou, Qixiang Ye, Qiang Qiu, Jianbin Jiao.
论文工作展示期间，展板前热闹非凡，两位作者与领域学者们交流探讨研究成果，论文工作受到了国内外相关研究人员的关注和肯定。
论文作者（右起：朱艺，周彦钊）
作者与其他研究人员交流论文工作
Workshop论文：RSRN: Rich Side-Output Residual Network for Medial Axis Detection
作者：Chang Liu, Wei Ke, Jianbin Jiao, Qixiang Ye.
会议内场企业交流区
