前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >计算机视觉大牛沈春华回国,全职加入浙江大学计算机辅助设计与图形学国家重点实验室

计算机视觉大牛沈春华回国,全职加入浙江大学计算机辅助设计与图形学国家重点实验室

作者头像
AI科技评论
发布2023-04-12 19:17:45
7470
发布2023-04-12 19:17:45
举报
文章被收录于专栏:AI科技评论AI科技评论

作者 | 青暮

重磅消息!原澳大利亚阿德莱德大学教授、计算机视觉大牛沈春华已回国,并全职加入浙江大学。

据主页介绍,沈春华于今年12月入职浙江大学,并兼任莫纳什大学信息技术学院的数据科学与AI无偿兼职教授。

他本科毕业于南京大学,并拥有南京大学信号处理系和澳大利亚国立大学应用统计学系的两个硕士学位,于2005年获得阿德莱德大学计算机视觉博士学位。博士毕业后,他在NICTA和澳大利亚国立大学工作,并于2011年加入阿德莱德大学担任教职。

去年10月,沈春华入选了澳大利亚终身成就榜。澳大利亚终身成就榜根据每位研究人员每年的 H 指数,在衡量生产力和影响力的基础上,选出澳大利亚的大学和研究机构在八个主要学科领域中的每一个领域的五名顶尖研究人员。当年入选的还包括悉尼大学教授、京东探索研究院院长陶大程,阿德莱德大学教授Peng Shi,斯威本科技大学教授韩清龙等。

据主页介绍,沈春华如今加入的是浙江大学计算机辅助设计与图形学国家重点实验室。

计算机辅助设计与图形学国家重点实验室依托浙江大学。由校内计算机系、数学系和机械系三系共建。

实验室主要专注计算机辅助设计(CAD)、计算机图形学、媒体计算和可视分析、虚拟现实等领域,目前已发表国内外重要刊物论文300多篇。

该实验室来头不小,不仅有多名院士、长江学者加持,郭百宁、鲍虎军、周昆、陈宝权、胡事民等计算机图形学大牛亦构成了其高层次、高水平的科研队伍的基石。

能加入此等实验室,沈春华当然也有足够实力背书。据Google Scholar显示,沈春华论文总引用数已超33000,其中引用量最高的三篇是:

  • Refinenet: Multi-path refinement networks for high-resolution semantic segmentation
  • Image Restoration Using Very Deep Convolutional Encoder-Decoder Networks with Symmetric Skip Connections
  • FCOS: Fully Convolutional One-Stage Object Detection
  • Image Restoration Using Very Deep Convolutional Encoder-Decoder Networks with Symmetric Skip Connections

论文地址:https://arxiv.org/pdf/1603.09056.pdf

在这篇论文中,研究团队提出了一个非常深的全卷积编码解码框架,用于图像恢复,例如去噪和超分辨率。该网络由多层卷积和反卷积算子组成,学习从损坏图像到原始图像的端到端映射。

该研究将卷积层和反卷积层与跳过层连接对称地连接起来,从而模型可以训练收敛得更快,并获得更高质量的局部最优解。

  • RefineNet: Multi-Path Refinement Networks for High-Resolution Semantic Segmentation

论文地址:https://arxiv.org/pdf/1611.06612.pdf

RefineNet的提出针对的是,深度 CNN 中的池化或卷积跨步(striding)等重复子采样操作会导致初始图像分辨率显著降低的现象。

RefineNet是一种通用的多路径细化网络,它明确利用下采样过程中的所有可用信息,以使用远程残差连接进行高分辨率预测。通过这种方式,可以使用来自早期卷积的细粒度特征直接细化捕获高级语义特征的更深层。

RefineNet 的各个组件采用遵循身份映射思维方式的残差连接,从而实现有效的端到端训练。此外,还引入了链式残差池,它以有效的方式捕获丰富的背景上下文。

  • FCOS: Fully Convolutional One-Stage Object Detection

论文地址:https://arxiv.org/pdf/1904.01355.pdf

这篇论文提出了一种完全卷积的单级目标检测器 (FCOS),以类似于语义分割的每像素预测方式解决目标检测问题。

几乎所有最先进的物体检测器,如 RetinaNet、SSD、YOLOv3 和 Faster R-CNN 都依赖于预定义的锚框。相比之下,FCOS 没有锚框,也没有proposal。

通过消除预定义的锚框集合,FCOS 完全避免了与锚框相关的复杂计算,例如在训练过程中计算重叠。

FCOS的提出表明,为了提高检测精度,采用更简单和灵活的检测框架或许更有效。

丰硕的科研成果背后,是他自身深厚的学术素养以及人才培养能力。沈春华培养了众多优秀的博士生,其中包括了近年获得谷歌奖研金的刘伊凡王鑫龙、Zhi Tian等等,他们毕业后都在知名高校和互联网企业任职,可谓人才济济。


推荐阅读

GAIR 2021大会首日:18位Fellow的40年AI岁月,一场技术前沿的传承与激辩

2021-12-10

致敬传奇:中国并行处理四十年,他们从无人区探索走到计算的黄金时代 | GAIR 2021

2021-12-09

时间的力量——1991 人工智能大辩论 30 周年纪念:主义不再,共融互生|GAIR 2021

2021-12-12

未来已来,元宇宙比你想象中来得更早丨GAIR 2021

2021-12-12

由于微信公众号试行乱序推送,您可能不再能准时收到AI科技评论的推送。为了第一时间收到AI科技评论的报道, 请将“AI科技评论”设为星标账号,以及常点文末右下角的“在看”。

本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2021-12-18,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 AI科技评论 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 由于微信公众号试行乱序推送,您可能不再能准时收到AI科技评论的推送。为了第一时间收到AI科技评论的报道, 请将“AI科技评论”设为星标账号,以及常点文末右下角的“在看”。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档