Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

陈萍、小舟编辑

2022年高通创新奖学金北美获奖名单公布:38人获奖,华人占半数

高通将为每个获奖团队提供10万美元的奖学金和技术指导。

2022 年高通创新奖学金获得者(Qualcomm Innovation Fellowship Winners)北美获奖名单现已公布,共有 38 人获奖。该奖项创始于 2009 年,至今已有 14 年。在今年的获奖名单中,华人学生占据一半名额。

每个获奖团队能够获得高通公司提供的 10 万美元奖学金和技术指导。


丁文浩(Wenhao Ding),Jiacheng Zhu

  • 学校:CMU

  • Innovation Title:自动驾驶的安全场景和泛化

丁文浩为 CMU 机械工程系博四学生,导师为 Ding Zhao 教授,本科毕业于清华大学。丁文浩的主要研究方向是构建鲁棒、可泛化、可解释的自动系统,从而真正理解物理世界。具体而言,他感兴趣的课题有:对抗性机器学习、Zero-shot 泛化、因果强化学习

个人主页:https://wenhao.pub/

Jiacheng Zhu 为 CMU 博士生,在 Long Nguyen、Bo Li 教授的指导下做研究。他在 CMU 获得了机器学习硕士学位。在此之前,Jiacheng Zhu 在复旦大学获得学士学位。Jiacheng Zhu 的研究兴趣包括最优传输、贝叶斯非参数模型等。

个人主页:https://jiachengzhuml.github.io/


李宇哲(Yu-Jhe Li),Zhengyi Luo

  • 学校:CMU

  • Innovation Title:用于 3D 人体姿态估计和跟踪的近场和远场传感器融合

李宇哲为 CMU 电子与计算机工程(ECE)的博士生,导师是 Kris Kitani 教授。他于 2019 年在台湾大学获得硕士学位。他的研究兴趣涵盖机器学习计算机视觉领域,尤其是表示学习、领域适应、对象检测、跟踪和重新识别。

个人主页:https://yujheli.github.io/

Zhengyi Luo 为 CMU 博士生,师从 Kris Kitani 教授。他于 2019 年在宾夕法尼亚大学获得学士学位。Zhengyi Luo 的研究兴趣包括计算机视觉机器学习机器人技术的交叉领域。

个人主页:https://zhengyiluo.github.io/


Chenhui Deng

  • 学校:康奈尔大学

  • Innovation Title:自监督学习的功率推理

Chenhui Deng 为康奈尔大学博士生,师从 Zhiru Zhang 教授。他的研究方向是图学习及其在电子设计自动化 (EDA) 领域的应用。

个人主页:https://chenhui1016.github.io/


Zhiwen Fan

  • 学校:UT-Austin

  • Innovation Title:具有数据 - 模型 - 加速器三重设计的视频 transformer,以用于自动驾驶的实时视觉处理

Zhiwen Fan 为 UT-Austin 博士生,师从 Zhangyang Wang 教授。他在厦门大学获得硕士学位,在山东农业大学获得本科学位。

个人主页:https://zhiwenfan.github.io/


Qingyun Xie

  • 学校:MIT

  • Innovation Title:用于下一代 RF 前端模块的氮化镓 CMOS 技术

Qingyun Xie 为 MIT 电气工程系学生,本科毕业于康奈尔大学。

个人主页:https://www.linkedin.com/in/qingyun-xie-61216717/


Ji Lin,Ligeng Zhu

  • 学校:MIT

  • Innovation Title:用于在高效设备上训练的系统算法协同设计

Ji Lin 为 MIT 博士生,师从 Song Han 教授。他的研究方向是高效的深度学习算法和系统。他在清华大学获得学士学位,在 MIT 获得硕士学位。

个人主页:https://www.linji.me/

Ligeng Zhu 为 MIT 博士生,师从 Song Han 教授。他在浙江大学获得学士学位。他的研究兴趣集中在边缘计算的有效设计。

个人主页:https://lzhu.me/


Yu Zeng

  • 学校:普林斯顿大学

  • Innovation Title:通过统一的软件 / 硬件抽象弥合领域特定语言和硬件加速器之间的差距

Yu Zeng 为普林斯顿大学博士生,师从 Sharad Malik 教授。在 Yu Zeng 的研究中,他主要使用模型检查(JasperGold,Z3)和数据流分析算法(使用 LLVM)。

个人主页:https://yuzeng2333.github.io/


Mingchao Liang、Wenyu Zhang

  • 学校:加州大学圣地亚哥分校

  • Innovation Title:神经增强型多路径辅助定位

Mingchao Liang 和 Wenyu Zhang 都是加州大学圣地亚哥分校的博士生,主要研究方向是数字信号处理


Kuan-Lin Chen

  • 学校:加州大学圣地亚哥分校

  • Innovation Title:用主动学习解决自动驾驶系统的数据标注问题

Kuan-Lin Chen 是加州大学圣地亚哥分校的学生,主要研究兴趣是机器学习信号处理、音频和语音处理以及计算机视觉领域。


陈胤伯、Jiarui Xu

  • 学校:加州大学圣地亚哥分校

  • Innovation Title:将 Transformer 作为神经领域元学习

陈胤伯是加州大学圣地亚哥分校电子与计算机工程专业二年级的博士生,导师是 Xiaolong Wang 教授。陈胤伯的主要研究兴趣是元学习器,他本科毕业于清华大学姚班。

个人主页:https://yinboc.github.io/

Jiarui Xu 也是加州大学圣地亚哥分校计算机科学与工程系博士生,导师是 Xiaolong Wang 教授。Jiarui Xu 的主要研究兴趣是计算机视觉,他本科毕业于香港科技大学。


Rui Zhu

  • 学校:加州大学圣地亚哥分校

  • Innovation Title:3D 室内场景的桥接语义、几何和物理推理

Rui Zhu 是加州大学圣地亚哥分校计算机科学与工程系的博士生,导师是 Manmohan Chandraker 助理教授。Rui Zhu 目前的研究兴趣是几何 / 3D 计算机视觉,特别是基于几何和物理学知识进行语义场景理解。Rui Zhu 本科毕业于东南大学信息工程专业。


Xiyuan Zhang

  • 学校:加州大学圣地亚哥分校

  • Innovation Title:物联网(IoT)设备上的鲁棒机器学习

Xiyuan Zhang 是加州大学圣地亚哥分校的一名博士生,导师是 Rajesh Gupta 教授和 Jingbo Shang 教授。Xiyuan Zhang 的研究重点是开发样本高效的机器学习算法,并在顺序建模、时间序列分析、自然语言处理中得到应用。她本科毕业于浙江大学竺可桢学院。

个人主页:https://xiyuanzh.github.io/


刘子坤

  • 学校:伊利诺伊大学厄巴纳 - 香槟分校

  • Innovation Title:无线系统可证明的鲁棒机器学习

刘子坤是伊利诺伊大学厄巴纳 - 香槟分校 (UIUC) 一名计算机科学博士生,导师是 Deepak Vasisht 教授。刘子坤本科毕业于中国科学技术大学电子工程与信息科学专业。

个人主页:https://zikunliu6.github.io/


Zhedong Yang

  • 学校:得克萨斯大学奥斯汀分校

  • Innovation Title:借助压电致动器进行超小型可调谐滤波器网络的研究

Zhedong Yang 是得克萨斯大学奥斯汀分校的一名博士生,导师是李秀玲教授。Zhedong Yang 主要研究通过 S-RuM 平台进行无源电子器件的小型化和集成。除了半导体加工,他还对电路级设计感兴趣。


Shijia Wei

  • 学校:得克萨斯大学奥斯汀分校

  • Innovation Title:在系统和处理器架构安全方向的出色研究

Shijia Wei 是得克萨斯大学奥斯汀分校电气与计算机工程系的博士生,导师是 Mohit Tiwari 教授。Shijia Wei 的主要研究兴趣是系统和处理器架构的安全性,他 2016 年本科毕业于浙江大学竺可桢学院。

个人主页:https://0x161e-swei.github.io/


参考链接:https://www.qualcomm.com/research/university-relations/innovation-fellowship/winners

入门奖学金高通
相关数据
Qualcomm机构

高通公司(英语:Qualcomm,NASDAQ:QCOM)是一个位于美国加州圣地亚哥的无线电通信技术研发公司,由加州大学圣地亚哥分校教授厄文·马克·雅克布和安德鲁·维特比创建,于1985年成立。两人此前曾共同创建Linkabit。 高通公司是全球3G、4G与5G技术研发的领先企业,目前已经向全球多家制造商提供技术使用授权,涉及了世界上所有电信设备和消费电子设备的品牌。根据iSuppli的统计数据,高通在2007年度一季度首次一举成为全球最大的无线半导体供应商,并在此后继续保持这一领导地位。其骁龙移动智能处理器是业界领先的全合一、全系列移动处理器,具有高性能、低功耗、逼真的多媒体和全面的连接性。目前公司的产品和业务正在变革医疗、汽车、物联网、智能家居、智慧城市等多个领域。

http://www.qualcomm.com/
清华大学机构

清华大学(Tsinghua University),简称“清华”,由中华人民共和国教育部直属,中央直管副部级建制,位列“211工程”、“985工程”、“世界一流大学和一流学科”,入选“基础学科拔尖学生培养试验计划”、“高等学校创新能力提升计划”、“高等学校学科创新引智计划”,为九校联盟、中国大学校长联谊会、东亚研究型大学协会、亚洲大学联盟、环太平洋大学联盟、清华—剑桥—MIT低碳大学联盟成员,被誉为“红色工程师的摇篮”。 清华大学的前身清华学堂始建于1911年,因水木清华而得名,是清政府设立的留美预备学校,其建校的资金源于1908年美国退还的部分庚子赔款。1912年更名为清华学校。1928年更名为国立清华大学。1937年抗日战争全面爆发后南迁长沙,与北京大学、南开大学组建国立长沙临时大学,1938年迁至昆明改名为国立西南联合大学。1946年迁回清华园。1949年中华人民共和国成立,清华大学进入了新的发展阶段。1952年全国高等学校院系调整后成为多科性工业大学。1978年以来逐步恢复和发展为综合性的研究型大学。

http://www.tsinghua.edu.cn/
相关技术
复旦大学机构

复旦大学(Fudan University),简称“复旦”,位于中国上海,由中华人民共和国教育部直属,中央直管副部级建制,国家双一流(A类)、985工程、211工程建设高校,入选珠峰计划、111计划、2011计划、卓越医生教育培养计划、卓越法律人才教育培养计划、国家建设高水平大学公派研究生项目,九校联盟(C9)、中国大学校长联谊会、东亚研究型大学协会、环太平洋大学协会的重要成员,是一所世界知名、国内顶尖的全国重点大学。

相关技术
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

参数技术

在数学和统计学裡,参数(英语:parameter)是使用通用变量来建立函数和变量之间关系(当这种关系很难用方程来阐述时)的一个数量。

数字信号处理技术

数字信号处理(digital signal processing),简称DSP,是指用数学和数字计算来解决问题。 大学里,数字信号处理常指用数字表示和解决问题的理论和技巧;而DSP也是数字信号处理器(digital signal processor)的简称,是一种可编程计算机芯片,常指用数字表示和解决问题的技术和芯片。

边缘计算技术

边缘运算(英语:Edge computing),又译为边缘计算,是一种分散式运算的架构,将应用程序、数据资料与服务的运算,由网络中心节点,移往网络逻辑上的边缘节点来处理。边缘运算将原本完全由中心节点处理大型服务加以分解,切割成更小与更容易管理的部分,分散到边缘节点去处理。边缘节点更接近于用户终端装置,可以加快资料的处理与传送速度,减少延迟。在这种架构下,资料的分析与知识的产生,更接近于数据资料的来源,因此更适合处理大数据。

元学习技术

元学习是机器学习的一个子领域,是将自动学习算法应用于机器学习实验的元数据上。现在的 AI 系统可以通过大量时间和经验从头学习一项复杂技能。但是,我们如果想使智能体掌握多种技能、适应多种环境,则不应该从头开始在每一个环境中训练每一项技能,而是需要智能体通过对以往经验的再利用来学习如何学习多项新任务,因此我们不应该独立地训练每一个新任务。这种学习如何学习的方法,又叫元学习(meta-learning),是通往可持续学习多项新任务的多面智能体的必经之路。

计算机视觉技术

计算机视觉(CV)是指机器感知环境的能力。这一技术类别中的经典任务有图像形成、图像处理、图像提取和图像的三维推理。目标识别和面部识别也是很重要的研究领域。

机器人技术技术

机器人学(Robotics)研究的是「机器人的设计、制造、运作和应用,以及控制它们的计算机系统、传感反馈和信息处理」 [25] 。 机器人可以分成两大类:固定机器人和移动机器人。固定机器人通常被用于工业生产(比如用于装配线)。常见的移动机器人应用有货运机器人、空中机器人和自动载具。机器人需要不同部件和系统的协作才能实现最优的作业。其中在硬件上包含传感器、反应器和控制器;另外还有能够实现感知能力的软件,比如定位、地图测绘和目标识别。之前章节中提及的技术都可以在机器人上得到应用和集成,这也是人工智能领域最早的终极目标之一。

信号处理技术

信号处理涉及到信号的分析、合成和修改。信号被宽泛地定义为传递“关于某种现象的行为或属性的信息(如声音、图像和生物测量)”的函数。例如,信号处理技术用于提高信号传输的保真度、存储效率和主观质量,并在测量信号中强调或检测感兴趣的组件。我们熟悉的语音、图像都可以看做是一种信号形式。因此,对于语音、图像的增强、降噪、识别等等操作本质上都是信号处理。

自然语言处理技术

自然语言处理(英语:natural language processing,缩写作 NLP)是人工智能和语言学领域的分支学科。此领域探讨如何处理及运用自然语言;自然语言认知则是指让电脑“懂”人类的语言。自然语言生成系统把计算机数据转化为自然语言。自然语言理解系统把自然语言转化为计算机程序更易于处理的形式。

参数模型技术

在统计学中,参数模型是可以使用有限数量的参数来描述的分布类型。 这些参数通常被收集在一起以形成单个k维参数矢量θ=(θ1,θ2,...,θk)。

主动学习技术

主动学习是半监督机器学习的一个特例,其中学习算法能够交互式地查询用户(或其他信息源)以在新的数据点处获得期望的输出。 在统计学文献中,有时也称为最佳实验设计。

语音处理技术

语音处理(Speech processing),又称语音信号处理、人声处理,其目的是希望做出想要的信号,进一步做语音辨识,应用到手机界面甚至一般生活中,使人与电脑能进行沟通。

强化学习技术

强化学习是一种试错方法,其目标是让软件智能体在特定环境中能够采取回报最大化的行为。强化学习在马尔可夫决策过程环境中主要使用的技术是动态规划(Dynamic Programming)。流行的强化学习方法包括自适应动态规划(ADP)、时间差分(TD)学习、状态-动作-回报-状态-动作(SARSA)算法、Q 学习、深度强化学习(DQN);其应用包括下棋类游戏、机器人控制和工作调度等。

自监督学习技术

一个例子中的内容特别多,而用一个例子做一个任务,就等于把其他的内容浪费了,因此我们需要从一个样本中找出多个任务。比如说遮挡图片的一个特定部分,用没遮挡部分来猜遮挡的部分是一个任务。那么通过遮挡不同的部分,就可以用一个样本完成不同任务。Yann Lecun描述的这个方法被业界称作「自监督学习」

人体姿态估计技术

人体姿态估计是计算机视觉领域的一个重要问题,主要用于跟踪一个人的每一个小动作并实时进行生物力学分析。

东南大学机构
推荐文章
暂无评论
暂无评论~