报告题目一：MobiPose: Real-Time Multi-Person Pose Estimation on Mobile Devices（This paper is accepted by ACM SenSys’20 and IEEE TMC 2021）
报告华体会网页版登陆入口：2022年9月1日上午9:00-9:30
报告人：章晋睿
报告地点：升华后楼409 / 腾讯会议 ：705-467-296
摘要：
Human pose estimation is a key technique for many vision-based mobile applications. Yet existing multi-person pose-estimation methods fail to achieve a satisfactory user experience on commodity mobile devices such as smartphones, due to their long model-inference latency. In this paper, we propose MobiPose, a system designed to enable real-time multi-person pose estimation on mobile devices through three novel techniques. First, MobiPose takes a motion-vector-based approach to fast locate the human proposals across consecutive frames by fine-grained tracking of joints of human body, rather than running the expensive human-detection model for every frame. Second, MobiPose designs a mobile-friendly model that uses lightweight multi-stage feature extractions to significantly reduce the latency of pose estimation without compromising the model accuracy. Third, MobiPose leverages the heterogeneous computing resources of both CPU and GPU to execute the pose-estimation model for multiple persons in parallel, which further reduces the total latency.
We have implemented the MobiPose system on off-the-shelf commercial smartphones and conducted comprehensive experiments to evaluate the effectiveness of the proposed techniques. Evaluation results show that MobiPose achieves over 20 frames per second pose estimation with 3 persons per frame, and significantly outperforms the state-of-the-art baseline, with a maximum speedup of up to 4.5× and 2.8× in latency on CPU and GPU, respectively, and an improvement of 5.1% in pose-estimation model accuracy. Furthermore, MobiPose achieves up to 62.5% and 37.9% energy-per-frame saving on average in comparison with the baseline on mobile CPU and GPU, respectively.
报告题目二：MobiDepth: Real-Time Depth Estimation Using On-Device Dual Cameras（This paper is accepted by ACM MobiCom’22）
报告华体会网页版登陆入口：2022年9月1日上午9:30-10:00
报告人：章晋睿
报告地点：升华后楼409 / 腾讯会议 ：705-467-296
摘要：
Real-time depth estimation is critical for the increasingly popular augmented reality and virtual reality applications on mobile devices. Yet existing solutions are insufficient as they require expensive depth sensors or motion of the device or have a high latency. We propose MobiDepth, a real-time depth estimation system using the widely available on-device dual cameras. While binocular depth estimation is a mature technique, it is challenging to realize the technique on commodity mobile devices due to the different focal lengths and unsynchronized frame flows of the on-device dual cameras and the heavy stereo-matching algorithm.
To address the challenges, MobiDepth integrates three novel techniques: 1) iterative field-of-view cropping, which crops the field-of-views of the dual cameras to achieve the equivalent focal lengths for accurate epipolar rectification; 2) heterogeneous camera synchronization, which synchronizes the frame flows captured by the dual cameras to avoid the displacement of moving objects across the frames in the same pair; 3) mobile GPU-friendly stereo matching, which effectively reduces the latency of stereo matching on a mobile GPU. We implement MobiDepth on multiple commodity mobile devices and conduct comprehensive evaluations. Experimental results show that MobiDepth achieves real-time depth estimation of 22 frames per second with a significantly reduced depth-estimation error compared with the baselines. Using MobiDepth, we further build an example application of 3D pose estimation, which significantly outperforms the state-of-the-art 3D pose-estimation method, reducing the pose-estimation latency and error by up to 57.1% and 29.5%, respectively.
章晋睿博士简介：
章晋睿，中南大学2018级博士，导师张尧学院士，合作导师张德宇副教授。研究方向是移动端深度学习系统优化、边缘计算、移动端深度视觉系统优化、AR等。曾于2019-2022年分别在北京大学、微软亚洲研究院、清华大学智能产业研究院（AIR）交流学习。于2021年获得国家留学基金委奖学金，即将前往韩国国立首尔大学进行博士联合培养。在博士期间，他多次获得校、国家级奖学金，并且多次评为校级优秀学生和优秀学生干部，于2021年被评为中南大学优秀研究生干部标兵。他在ACM MobiCom, SenSys, IEEE TMC等国际顶级会议和期刊上发表论文4篇，其中独立一作3篇，申请专利3项，省级竞赛一等奖1次。
报告题目三：面向联邦学习的双重隐私保护和质量感知的激励机制
报告华体会网页版登陆入口：2022年9月1日上午10:00-10:30
报告人：王丹
报告地点：升华后楼409 / 腾讯会议 ：705-467-296
摘要：隐私保护和激励机制是联邦学习的两个基本问题，其目的分别是保护数据所有者的隐私和激励他们共享更多的资源。最近的研究提出了基于差分隐私(DP)的隐私保护激励机制来同时解决这两个问题。然而，几乎所有的研究都将隐私等级作为唯一的激励项，而没有考虑数据的数量和质量等其他因素。此外，不可信服务器可以进一步从反映数据所有者真实成本的投标中推断出敏感信息。为了解决这些问题，本文提出了一种双重隐私保护和质量感知的联邦学习激励机制，PrivAim。具体来说，我们利用差分隐私保护本地模型和真实成本以免向不可信参数服务器泄露隐私，并精心设计了基于多维度反向拍卖的激励机制，让中心服务器在不知道真实报价的情况下激励高质量、低成本的数据所有者参与FL。我们从理论上证明了PrivAim满足∆b-真实性、个体理性、计算效率和差分隐私。大量实验表明，PrivAim能够有效保护投标隐私，与目前最先进的技术相比，其社会福利和模型准确性分别提高了至少21%和6%。
报告题目四：众包系统中差分隐私保护的流式数据真值探索
报告华体会网页版登陆入口：2022年9月1日上午10:30-11:00
报告人：王丹
报告地点：升华后楼409 / 腾讯会议 ：705-467-296
摘要：真值发现具备在用户质量未知情况下，同时对用户质量和任务真值做出估计，逐渐成为主流的数据聚合算法之一。差分隐私(DP)由于其强大的隐私保障，在真值发现领域受到了越来越多的关注。但是现有的基于差分隐私的真值发现算法并不适用于流式数据，因为他们忽略了数据真值在华体会网页版登陆入口上的相关性。此外，现有的面向流式数据的差分隐私算法也不适用于真值发现，因为他们在扰动数据时并未考虑用户可靠性的差异，因此直接将现有算法应用在流式众包数据上会导致数据聚合效果变差。为了解决这一问题，本文为流式众包数据提出了一种基于边缘计算的隐私保护真值发现机制，PrivSTD，在保护用户隐私的同时实现高精度的聚合真值。具体来说，我们在不可信的云服务器和用户之间引入边缘服务器，实现了对本地真值和用户可靠性的安全计算。针对每个边缘服务器，提出一种基于真值的预算回收机制，根据局部真值的变化规律自适应地确定差分隐私扰动华体会网页版登陆入口戳并分配隐私预算。此外，还提出了一种基于可靠性的扰动机制，依据用户可靠性进一步减小扰动噪声的大小。我们对PrivSTD的数据效用和计算成本进行了理论分析，证明了PrivSTD可以满足w-事件差分隐私。在合成数据集和真实数据集上的大量实验结果表明，PrivSTD实现了比当前最先进方法更好的效用。
王丹博士简介：
王丹，中南大学2018级博士，计算机科学与技术专业，导师张尧学院士，指导老师任炬教授，研究方向为边缘计算、数据安全和隐私保护、深度学习等。在HPCC，IEEE TMC、 Information Fusion等会议和期刊上发表论文3篇。
报告题目五：面向边缘智能的合作学习与任务迁移算法研究
报告华体会网页版登陆入口：2022年9月1日上午11:00-11:30
报告人：岳晟
报告地点：腾讯会议 ：705-467-296
摘要：随着移动互联网、物联网、人工智能技术的蓬勃发展，以及以移动边缘计算为代表的新型计算范式的快速兴起，“边缘智能”的概念近年来得到了广泛的关注与研究。边缘智能旨在将模型训练、推理与决策从传统的云端迁移至边缘侧，使其充分利用网络边缘设备的数据、存储与计算资源，以提供安全、低耗、及时、可靠的智能服务。然而，边缘智能的发展仍处于起步阶段，其有效部署面临诸多挑战，比如终端设备有限的数据、算力如何支持有效的模型训练，边缘网络及边缘服务器动态、异构的通信和计算资源如何进行高效的运营管理等等。在本报告中，报告人将介绍其在这几个方向上的近期工作，包括快速收敛、低通信开销的个性化合作学习方法，基于ADMM的边缘侧持续合作学习方案，以及分布式高效任务迁移策略。
报告题目六：基于模型的离线逆强化学习算法设计
报告华体会网页版登陆入口：2022年9月1日上午11:30-12:00
报告人：岳晟
报告地点：腾讯会议 ：705-467-296
摘要：离线逆强化学习旨在从固定数据集（例如演示数据）中学习奖励函数和策略，且不需要奖励信息以及在线的探索过程。尽管最近取得了不错的进展，但现有方法在未知环境中的泛化能力较差，阻碍了其在真实环境中的有效部署。为解决这一问题，本文设计了基于模型的离线逆强化学习算法，名为CLARE，旨在利用模型生成的模拟数据来增强算法的泛化能力。通过精心设计的训练目标函数，CLARE可以将专家意图和保守性（conservatism）简洁地整合到学习的奖励函数中。奖励函数进而能够通过保守的离线模型探索来指导“安全的”模仿学习。我们通过限制与专家的累积回报差距在理论上量化了探索-开发权衡的影响，并进一步证明 CLARE 可以通过最小化相应的差距来做出正确的权衡。我们的实验证实了 CLARE 在离线强化学习基准测试集中对现有最先进算法性能的显著提升。
岳晟博士简介：
岳晟，华体会网页版登陆入口在读博士研究生。2017年获得中南大学理学学士学位，同年保送至华体会网页版登陆入口攻读博士研究生。于2018年在清华大学交叉信息研究院担任为期4个月的访问博士生，曾于2020年2月至2022年2月受国家留学基金委资助赴亚利桑那州立大学进行为期2年的联合培养。攻读博士期间曾多次获得校、国家级奖学金。他的研究方向主要集中于边缘智能、分布式优化、强化学习。在攻读博士期间，他在IEEE JSAC、IEEE TPDS等国际顶级刊物及ACM MobiHoc等国际顶级会议上共发表5篇论文。曾担任多个国际顶级刊物、会议的审稿人，包括IEEE JSAC、IEEE INFOCOM 2021/2022、IEEE MobiHoc 2021、AISTATS 2022等等。
