CVPR 2015 有什么值得关注的亮点？
本人并非CV专业科研人员，只是最近在Trulia (
Trulia: Real Estate Listings, Homes For Sale, Housing Data )做和图像相关的科研项目，所以老大一挥手就把我和同事按排到Boston来围观CVPR了……总体上除了食物非常差，订不到旅馆以外，其他的收获都非常大。
-
中国人真是好多好多好多好多，poster有的地方直接说英语不好开始讲中文，一群中国人在周围听的津津有味……
-
看到好多好多国人的大学，国内基本上Top20 CS的大学都有能力发CVPR这种顶会了，真是5年前我还在本科的时候不可想象的，国内各种引进计划真的有效……
综上两点以及在其他各种顶会中国人发论文数量的观察，有些问题真的不是问题，大家只要再耐心一点……
- Oral 中有很多有趣的Presentation，印象最深的是Becoming the Expert - Interactive Multi-Class Machine Teaching. Edward Johns, Oisin Mac Aodha, Gabriel J. Brostow
脑洞简直开到天上去了！！！
大体的思路就是把人脑当做Black Box Classifier 来研究图片归类问题，把一些研究ML中黑箱model的思路放到研究人类的归类学习行为上，测试了一些Train 人脑的方法，还探讨了人脑over fitting的问题。不知道ML专家们积累很久的tuning model的黑科技是否能应用到tuning人脑上，对于人类教育会不会有贡献。
而且照这个趋势，想必对于骂人又有了新的方法，比如你脑子就是一个线性分类器！人家小明虽然是SVM，但好歹有Kernel啊！
- 两个特邀嘉宾中Yann LeCun讲What's Wrong with Deep Learning? 感觉私货过于多，干活太少，主要在讲自己实验室之前的研究，真正对于这个问题并没有深入探讨。
而另外一个嘉宾，来自UCB的人脑图像区域研究专家Jack L. Gallant, Reverse Engineering the Human Visual System 讲的真的非常非常好，非常期待他能把Slides放出来，让我再好好回味一下。
他本人是做大脑视觉神经研究的，也因为深度学习的兴起于是探索了很多DNN训练出来的模型和人类大脑的相似和区别，于是有个非常非常惊人的观点：在图片分类任务中训练出来的深度神经网络模型与人类视觉神经的结构相似，并且，DNN的每一层也与人类大脑某个视觉神经区域某对应，这意味着，通过训练出来的DNN模型来研究人脑视觉神经是可行的。
但是要知道，我们在训练DNN的时候，并没有指定每一层应该是什么样的Feature，而是自动学习出来的。但如果科研指出DNN每一层所代表的Feature和人脑各个区域有对应的话，这意味着我们训练模型的方法可能符合了某种大自然的真理，这其中可以探索的意义绝对重大……
虽然对于这样的结论早有遇见，但是真正看到从研究脑部的研究人员口中说出还是非常非常震惊的，不论大家对于超级人工智能是乐观还是悲观，历史还是在无法阻挡地前进……
在网上发现了视频，大家也可以看一下。一个小时左右。
Reverse Engineering the Human Visual System
粗略写一点就是这样，之后我会在专栏
Hello陈然! - 知乎专栏 里写一些详情，尽请关注。