报告题目：基于文本叙述的视频内容理解与定位

报告摘要：随着多模态学习研究的快速发展，基于文本叙述的跨模态视频内容理解和定位成为计算机视觉与自然语言处理领域的重要研究方向。本报告将围绕实现不同语义粒度的视频-文本跨模态对齐学习展开，重点介绍研究团队在视频-文本内容定位、视频问答、视频-文本分割和跨模态视频生成方面的研究进展，并对视频-文本内容理解与定位研究领域进行总结和展望。

个人简介：胡建芳，中山大学副教授，博士生导师。主要从事多模态视频表征学习理论及应用研究，在国际权威期刊/会议发表论文60余篇。主持国家自然科学基金面上项目（2020和2025），广东省杰出青年基金（2022）项目，获中国图象图形学学会优秀博士学位论文奖，广东省自然科学奖二等奖，多次带领团队参加视频分析领域国际学术竞赛获一等奖。成果成功应用于安防监控、新冠肺炎防疫、中学实验操作智能打分、工业缺陷检测等重要工程和全国海关信息中心广东分中心、第九届亚洲冬季运动会、新疆喀什地区第一人民医院、腾讯与中山大学附属第三医院等重要企事业单位。

报告题目：精细三维人脸感知

报告摘要：人脸作为个体身份和情感特征的主要载体，在日常信息传递和情感表达中起着非常重要的作用，利用三维技术建模人脸的结构和行为，是人脸分析领域中的重要课题。特别在数字人、视频生成、以及VR/AR等技术的推动下，对精确人脸感知的需求不断攀升。重建更精细的人脸结构、更生动的人脸行为，以及更准确的人脸位姿成为研究焦点。报告将结合课题组研究，从人脸结构、表情和位姿三个方面的精细重建为大家介绍三维人脸感知的最新进展。

个人简介

报告题目：面向低空经济的全天候目标重识别

报告摘要：低空经济是空天技术与数字经济深度融合的战略性新兴产业集群，正成为培育新质生产力的重要增长极。作为低空经济领域的数字底座之一，全天候目标重识别具有广泛的应用场景，是智慧安防、智慧交通、智慧农业等重要应用的支撑性技术，然而其在真实应用场景中面临诸多挑战。报告将从数据模态和模型架构两个方面出发，介绍大连理工大学IIAU团队在全天候目标重识别方面所开展的一系列研究工作，以及相关技术在极端复杂环境下的应用实践。

个人简介：张平平，大连理工大学未来技术学院/人工智能学院副教授，研究方向为计算机视觉与深度学习。在相关领域的国际顶级会议和期刊(如CVPR/ICCV/AAAI/TPAMI/TIP等)上发表论文60余篇，谷歌学术引用6000余次。主持或参与国家重点研发、国家自然科学基金、省部级基金、开放课题等多项科研项目。目前为CSIG多媒体/类脑视觉专委会、CCF多媒体/计算机视觉专委会委员，担任多个国际顶级学术期刊和会议审稿人或领域主席，国内盛会VALSE第6-8届执行领域主席。曾以第一完成人身份获得辽宁省自然科学二等奖、中国图象图形学学会优秀博士论文奖、辽宁省优秀博士论文奖、大连市高端人才等。

报告题目：面向智慧城市开放环境的视觉融合感知

报告摘要：开放环境下视觉感知是构建智慧城市若干智能视觉系统的重要研究基础，其受场景多样性和模态差异等因素影响。为了应对上述挑战，针对开放场景多分布的视觉数据进行有效感知建模尤为重要。本报告介绍多任务统一图像融合框架设计、退化场景下视觉目标跟踪模型、以及人体行为识别网络构建等方面的研究进展。

个人简介：徐天阳，江南大学副教授。博士毕业于江南大学模式识别与智能系统专业，后于Centre for Vision, Speech and Signal Processing (CVSSP)担任Research Fellow，现任江南大学人工智能与计算机学院副教授。研究方向为视频理解，发表IEEE TPAMI、IJCV、IEEE TIP、CVPR、ICCV、ECCV等CCF-A/IEEE汇刊40余篇，其中IEEE TPAMI/IJCV 8篇，谷歌学术引用5000余次，获中国图象图形学学会优秀博士学位论文奖，获CVPR/ICCV/ECCV等学术会议举办的视觉目标跟踪和行为识别学术竞赛（VOT、MMVRAC、Anti-UAV、AI City Challenge、Perception Test Challenge）冠亚军10余项，入选斯坦福大学全球前2%顶尖科学家年度榜单。服务领域内期刊和会议的SAC/AC/Reviewer，组织CVPR/ICPR/PRCV/VALSE等大会、竞赛、论坛和讲习班。

报告题目：面向动态视频理解的模型测试自适应

报告摘要：测试时自适应（Test-Time Adaptation, TTA）是提升视频模型在未知场景下鲁棒性与泛化能力的重要途径。然而，在动态视频理解中，TTA仍面临以下三大挑战：1）运动建模不足：视频特有的时空关联性被忽视；2）模态利用单一：音频等伴随信息未得到充分挖掘；3）优化效率低下：传统方法收敛速度较慢、适应过程耗时较长。为此，我们提出了应对方案：1）动态感知增强：设计基于快慢采样的特征对齐机制，通过跨速率的交互建模捕捉运动线索，提升模型对动态场景的自适应能力；2）跨模态协同进化：构建音频辅助的视频TTA框架，利用预训练音频模型与大语言模型进行语义映射，实现音视频联合优化；3）高效优化引擎：提出基于学习的测试时元梯度优化器，通过历史信息的压缩、记忆与重用在保证准确度的同时降低计算开销，实现快速、稳定的在线自适应。

个人简介：曾润浩，博士，深圳北理莫斯科大学长聘副教授，博士生导师。广东省重大人才工程青年拔尖人才，深圳市科技创新人才，深圳市鹏城孔雀人才，广东潮博智库专家。研究领域为计算机视觉、多模态数据分析，核心方向包括视频动作识别、情绪识别等，在IEEE TPAMI、IEEE TIP、CVPR等国际顶级期刊和会议发表论文20余篇，谷歌学术总引1800余次，单篇最高引600余次。所提出的视频时序动作分析方法在THUMOS14权威基准连续14个月排名全球第一，成果收录于科普教材《机器视觉》，获评第31届书博会少儿阅读节百种优秀图书并输出两种外语版权。近三年主持国家自然科学基金项目、广东省教育厅重点领域项目等纵向科研项目7项。获中国图象图形学学会优博提名奖，IEEE杰出组织奖，成果入选计算机视觉国际顶级会议CVPR 2024最佳论文候选。受邀担任NeurIPS、CVPR等人工智能领域顶级会议和TPAMI、TIP等权威期刊的程序委员会委员和审稿人。担任国际会议2024 IEEE SmartIoT本地主席、2023 CSIG青年科学家会议论坛主席，广东图象图形学会计算机视觉专委会委员。