0
| 本文作者： 我在思考中 | 2021-12-20 11:32 |
重磅消息！原澳大利亞阿德萊德大學(xué)教授、計(jì)算機(jī)視覺大牛沈春華已回國，并全職加入浙江大學(xué)。
據(jù)主頁介紹，沈春華于今年12月入職浙江大學(xué)，并兼任莫納什大學(xué)信息技術(shù)學(xué)院的數(shù)據(jù)科學(xué)與AI無償兼職教授。
他本科畢業(yè)于南京大學(xué)，并擁有南京大學(xué)信號(hào)處理系和澳大利亞國立大學(xué)應(yīng)用統(tǒng)計(jì)學(xué)系的兩個(gè)碩士學(xué)位，于2005年獲得阿德萊德大學(xué)計(jì)算機(jī)視覺博士學(xué)位。博士畢業(yè)后，他在NICTA和澳大利亞國立大學(xué)工作，并于2011年加入阿德萊德大學(xué)擔(dān)任教職。
去年10月，沈春華入選了澳大利亞終身成就榜。澳大利亞終身成就榜根據(jù)每位研究人員每年的 H 指數(shù)，在衡量生產(chǎn)力和影響力的基礎(chǔ)上，選出澳大利亞的大學(xué)和研究機(jī)構(gòu)在八個(gè)主要學(xué)科領(lǐng)域中的每一個(gè)領(lǐng)域的五名頂尖研究人員。當(dāng)年入選的還包括悉尼大學(xué)教授、京東探索研究院院長陶大程，阿德萊德大學(xué)教授Peng Shi，斯威本科技大學(xué)教授韓清龍等。
據(jù)主頁介紹，沈春華如今加入的是浙江大學(xué)計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)國家重點(diǎn)實(shí)驗(yàn)室。
計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)國家重點(diǎn)實(shí)驗(yàn)室依托浙江大學(xué)。由校內(nèi)計(jì)算機(jī)系、數(shù)學(xué)系和機(jī)械系三系共建。
實(shí)驗(yàn)室主要專注計(jì)算機(jī)輔助設(shè)計(jì)（CAD）、計(jì)算機(jī)圖形學(xué)、媒體計(jì)算和可視分析、虛擬現(xiàn)實(shí)等領(lǐng)域，目前已發(fā)表國內(nèi)外重要刊物論文300多篇。
該實(shí)驗(yàn)室來頭不小，不僅有多名院士、長江學(xué)者加持，郭百寧、鮑虎軍、周昆、陳寶權(quán)、胡事民等計(jì)算機(jī)圖形學(xué)大牛亦構(gòu)成了其高層次、高水平的科研隊(duì)伍的基石。
能加入此等實(shí)驗(yàn)室，沈春華當(dāng)然也有足夠?qū)嵙Ρ硶?jù)Google Scholar顯示，沈春華論文總引用數(shù)已超33000，其中引用量最高的三篇是：
Image Restoration Using Very Deep Convolutional Encoder-Decoder Networks with Symmetric Skip Connections
論文地址：https://arxiv.org/pdf/1603.09056.pdf
在這篇論文中，研究團(tuán)隊(duì)提出了一個(gè)非常深的全卷積編碼解碼框架，用于圖像恢復(fù)，例如去噪和超分辨率。該網(wǎng)絡(luò)由多層卷積和反卷積算子組成，學(xué)習(xí)從損壞圖像到原始圖像的端到端映射。
該研究將卷積層和反卷積層與跳過層連接對(duì)稱地連接起來，從而模型可以訓(xùn)練收斂得更快，并獲得更高質(zhì)量的局部最優(yōu)解。
RefineNet: Multi-Path Refinement Networks for High-Resolution Semantic Segmentation
論文地址：https://arxiv.org/pdf/1611.06612.pdf
RefineNet的提出針對(duì)的是，深度 CNN 中的池化或卷積跨步（striding）等重復(fù)子采樣操作會(huì)導(dǎo)致初始圖像分辨率顯著降低的現(xiàn)象。
RefineNet是一種通用的多路徑細(xì)化網(wǎng)絡(luò)，它明確利用下采樣過程中的所有可用信息，以使用遠(yuǎn)程殘差連接進(jìn)行高分辨率預(yù)測。通過這種方式，可以使用來自早期卷積的細(xì)粒度特征直接細(xì)化捕獲高級(jí)語義特征的更深層。
RefineNet 的各個(gè)組件采用遵循身份映射思維方式的殘差連接，從而實(shí)現(xiàn)有效的端到端訓(xùn)練。此外，還引入了鏈?zhǔn)綒埐畛兀杂行У姆绞讲东@豐富的背景上下文。
FCOS: Fully Convolutional One-Stage Object Detection
論文地址：https://arxiv.org/pdf/1904.01355.pdf
這篇論文提出了一種完全卷積的單級(jí)目標(biāo)檢測器 (FCOS)，以類似于語義分割的每像素預(yù)測方式解決目標(biāo)檢測問題。
幾乎所有最先進(jìn)的物體檢測器，如 RetinaNet、SSD、YOLOv3 和 Faster R-CNN 都依賴于預(yù)定義的錨框。相比之下，F(xiàn)COS 沒有錨框，也沒有proposal。
通過消除預(yù)定義的錨框集合，F(xiàn)COS 完全避免了與錨框相關(guān)的復(fù)雜計(jì)算，例如在訓(xùn)練過程中計(jì)算重疊。
FCOS的提出表明，為了提高檢測精度，采用更簡單和靈活的檢測框架或許更有效。
豐碩的科研成果背后，是他自身深厚的學(xué)術(shù)素養(yǎng)以及人才培養(yǎng)能力。沈春華培養(yǎng)了眾多優(yōu)秀的博士生，其中包括了近年獲得谷歌獎(jiǎng)研金的劉伊凡、王鑫龍、Zhi Tian等等，他們畢業(yè)后都在知名高校和互聯(lián)網(wǎng)企業(yè)任職，可謂人才濟(jì)濟(jì)。
雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
