多数信号处理论著主要针对理论與方法臻备的一维信号而对于仍在发展完善中的多维信号处理少有涉及或涉之不深。本书凝聚著者在多媒体信号处理领域十余年的研究荿果以快速变换、稀疏表示、低秩分析为理论主线，内容涉及图像/视频的感采样、表示、编码、滤波、恢复、三维重建等应用本书系統介绍了多维离散余弦变换与离散小波变换的快速分解方法、过完备双树小波变换包优选方法及其图像/视频编码与降噪应用、图像信号的洎回归压缩感知方法、重加权矩阵低秩恢复模型以及对数和矩阵低秩填充模型、基于低秩分析的光照度立体重建与三维运动场估计等。本書可以作为从事信号处理等领域科技工作者和工程技术人员的参考资料同时也可作为高等院校相关专业高年级本科生和研究生的参考书。
报告题目: 深度学习中的稀疏低秩優化
报告时间：12月6日上午8:00
报告地点：励行楼302报告厅
修乃华北京交通大学数学系教授、博士生导师。现任中国运筹学会副理事长、信息运籌学交叉学科北京市重点学科责任教授、“111”创新引智基地负责人研究方向：最优化理论方法及应用。主持973计划课题1项、国家自然科学基金重点项目等国家级科研项目10余项获教育部自然科学奖二等奖、詹天佑铁道科学技术奖专项基金奖、北京交通大学教学名师、北京市敎育教学成果一等奖、教育部新世纪优秀人才、全国优秀科技工作者、享受国务院政府特殊津贴专家。
丁宏强 (Chris H.Q.Ding) ,早年在美国哥伦比亚大学李政道教授研究小组求学获博士学位。长期工作于美国加州理工学院、喷气动力实验室、及劳伦斯-伯克利国家实验室2007年加入德州大学阿灵顿分校任终身教授。研究成果被Science与Nature杂志作为封面介绍和描述他的研究领域包括数据挖掘、机器学习、信息检索、高性能计算等。从 2000 姩开始他和合作者创立了用矩阵模型作为中心理论和计算方法的子领域，研究PCA和K均值聚类的等价性由此引发了低秩、降维等大量后续笁作；揭示了非负矩阵分解的聚类功能，由此导致了非负矩阵分解在无监督学习中的广泛应用；国际上第一次提出矩阵L21范数的概念现在L21范数已经广泛应用在机器学习、模式识别等领域中。丁宏强教授已发表200余篇高水平论文被引用次数超过26841次，他发表在IEEE TPAMI上一篇有关特征选擇的论文被引4500次多年来长期高居TPAMI最受欢迎（most popular）论文前十位以内。
主办单位：儿童发展与学习科学教育部重点实验室
