第二天紧张有序的学习结束了，又是收获颇多的一天。

上午，首先是计算机视觉研究所的赖志辉副教授为大家介绍阿里人工智能服饰标注挑战赛，让我们领略了前沿技术和人的经验结合的风采。 该挑战赛分为两类赛题，一是服饰属性标签识别，二是服饰关键点定位，赖副教授从这两方面出发做了详细的介绍，探讨了其中存在的挑战性问题，例如服饰属性的多样性与复杂性以及遮挡问题，对于一些在挑战赛中取得较好成绩的团队，他们的创新点包括采用特殊的定位方式，依据不同的背景划分成不同的数据集并剔除无关背景，通过采样旋转等操作增加数据集的数量，自定义目标函数等。同时引出了一些重要的思考方式，比如深入思考不断追问的能力，从他人算法中学习创新之处和解决方案的能力，带给人很多启发。

接着，研究所的于仕琪副教授为大家介绍深度学习与步态识别。从最初对步态识别可实现性的怀疑，到现在认识到它的可靠性并取得不小的成果，于副教授通过自身经历给我们以启发和激励。步态识别主要应用在分辨率低，对象距离较远，对象相似度高等场景，实际可用在寻找目标人物，门禁系统，安检，智能家具，机器人，医疗等多方面。步态识别系统的传统工作方式步骤如下：拍摄视频，分帧，剔除背景，提取特征，分类。其中涉及的关键概念有：步态周期，步态能量图，步态熵图等。步态识别在数据采集阶段就相对复杂，现有的步态识别数据库中样本都比较少。在机器学习的发展之下，目前可以用卷积神经网络把特征提取和分类两步合一。步态识别过程存在很多挑战，比如难以通过人的步速，着装以及携带物分析，并且，角度，光照，分辨率，采样率都是步态识别的影响因素，一种近期应用深度学习的实现方案是生成对抗网络，将各种步态转化成一个标准的步态，即没有其他外界因素干扰的步态。此外，在深度学习的驱动下，对人建模来实现步态识别的难度有所下降。未来步态识别的目标之一是通过神经网络构造一个端对端的系统，能够从拍摄的视频直接得到识别结果，并能够实现多人互相遮挡情况下的步态识别，进一步通过步态，识别人的其他属性，提升步态识别的速度，实现人脸步态同时识别以及大样本下的步态识别。于副教授通过细致深入的介绍为我们打开了通向前沿研究方向的大门。

下午是研究所的刘亚辉副研究员和李雪晨博士带大家进行上机实验，通过调用OpenCV和dlib包实现人脸关键点检测与人脸变形。关键点检测主要是将人脸关键点模型对应到图像的人脸上。由人脸关键点得到相应的德劳内三角形来确定人脸区域，最后将两幅不同的人脸对应的区域用相同或不同的权值结合组成新的人脸。

第二天也是一场学习与思考的饕餮盛宴，期待第三天的精彩！