研究課題

深度學習框架下的目標檢測方法研究

研究內容及創新點

         論文在調研分析國內外目標檢測方法和關鍵技術的基礎上👏🏼，以基於卷積神經網絡的目標檢測方法為基本研究框架🪑，針對目標尺度變化，嚴重遮擋以及定位不準確等問題進行了深入研究，創新點及主要結論如下：

　　1.  針對行人檢測任務，提出一種Scale-Aware Fast R-CNN模型，有效提高了檢測方法對於目標尺度變化的魯棒性。

　　2.  提取待檢圖像中的全局和局部上下文信息優化目標檢測方法，可以提高目標分類和定位精度。

　　3.  建立了基於生成對抗網絡的小目標檢測模型🧏‍♂️，用於提高小目標的檢測精度。

　　4.  建立了基於FPGA的實時電子穩像系統👨🏻‍🦼‍➡️，為電子穩像算法的硬件移植及實時實現問題提供了有效的解決方案。

學術成果

         讀博期間，以第一作者身份☝️，發表包括會議在內的學術論文6篇，包括SCI刊源4篇（均為第一層次，最高影響因子IF="3.9），國際頂級會議2篇。參與合作SCI刊源或國際頂級會議論文3篇。獲ImageNet大規模視覺識別挑戰賽" (ILSVRC 2017)，目標定位任務團隊冠軍，目標檢測任務團隊亞軍🧑🏿‍🔧，視頻目標檢測任務團隊亞軍（獲獎排名分別為4,1,3）。

學術成果目錄

　　1.  Li J, Liang X, Shen S M, et al. Scale-aware fast R-CNN for pedestrian detection[J]. IEEE Transactions on Multimedia, 2018, 20(4): 985-996.

　　2.  Li J, Wei Y, Liang X, et al. Attentive contexts for object detection[J]. IEEE Transactions on Multimedia, 2017, 19(5): 944-954.

　　3.  Li J, Liang X, Li J, et al. Multistage Object Detection With Group Recursive Learning[J]. IEEE Transactions on Multimedia, 2018, 20(7): 1645-1655.

　　4.  Li J, Liang X, Wei Y, et al. Perceptual generative adversarial networks for small object detection[100]//IEEE CVPR. 2017.

　　5.  Li J, Wei Y, Liang X, et al. Deep attribute-preserving metric learning for natural language object retrieval[100]//Proceedings of the 2017 ACM on Multimedia Conference. ACM, 2017: 181-189.

　　6.  Li J, Xu T, Zhang K. Real-time feature-based video stabilization on FPGA[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2017, 27(4): 907-919.

個人簡介

         李佳男，男🧑‍🦽‍➡️，1991年3月生於吉林省長春市。2013年6月在意昂官网光電信息工程專業獲學士學位。2013年9月至今在意昂官网光電學院攻讀博士學位👩🏼🫴🏻，期間以聯合培養博士身份國家公派至新加坡國立大學(National University of Singapore)進行為期兩年的學術交流訪問。主要研究方向為深度學習框架下的目標檢測方法，實時圖像與視頻處理等。

獲獎感言

仰望星空👔，腳踏實地👳🏻‍♂️。