发布时间：2023年7月4日
时光荏苒，岁月如梭，又到了毕业的季节。在学院和研究所老师的精心培养下，今年我所2名博士、34名硕士生顺利毕业，毕业生们在各方面取得出色的成绩，1篇博士学位论文以及5篇硕士学位论文被评为校级优秀学位论文，毕业生们的学术成果发表在IJCAI、IEEE、ACM MM等著名期刊或会议上。毕业生们受到字节跳动、美团、百度等知名单位广泛欢迎。
校级优秀博士学位论文
生理信号分类方法及应用研究
毕业生 贾子钰 ：
研究方向：时间序列分析与挖掘
博士毕业论文以鲁棒分类模型的构建与生理信号的有效编码为目标，尝试以判别性波形的直接捕获、多维互补特征的有效融合以及降低受试者差异性的影响为切入点，同时兼顾睡眠阶段分类和情感计算等相关领域的衍生应用，分别提出了面向判别性波形检测的生理信号分类模型、融合时-频-空多维特征的生理信号分类模型、融合多模态数据的生理信号分类模型、域泛化生理信号分类模型，探索构建面向下一代新型生理信号分类的深度神经网络，为智慧医疗的实际应用与发展提供理论与技术支撑。
读博期间紧密围绕研究方向以第一作者发表高水平论文十余篇，其中CCF A/IEEE Trans.论文6篇，中文CCF A类论文1篇，Oral论文7篇，授权国家发明专利2项，主持2项学校基本科研业务费研究生创新项目（结题优秀），参与国家自然基金和大型企业研发项目5项，起到核心骨干作用，在4项国际级/国家级比赛中取得优异成绩（Top1%），多次荣获博士国家奖学金、博士一等奖学金、智瑾奖学金、集智-凯风奖学金、研究生三好学生等奖励及荣誉，独立创建了知乎专栏并撰写科普解读论文，目前阅读量已超过30万次。
校级优秀硕士学位论文
面向心律失常检测的深度分类模型及其可解释性研究
毕业生 马朝阳 ：
研究方向：时间序列分析与挖掘
心律失常作为一种常见的心血管疾病一直被广泛关注。目前，心电图是临床上诊断心律失常最主要的方式之一。然而，由于心电图数据量大、复杂性高，人工判读耗时耗力，且容易出现漏诊误诊。因此，自动心律失常检测方法的研究具有非常重要的意义。
针对现有心律失常检测方法存在的准确率较低、泛化性能差、可解释性弱等问题，本文提出了一种针对心律失常检测任务的深度分类模型，并对其进行了可解释性研究。该模型采用同源异质的多视图设计，将心电信号和心电描记图分别视为时序视图和图形视图，提取动态和形态特征，提高分类准确性。此外，本文还提出了一种患者间自适应心律失常检测模型，通过引入专家知识学习心跳类别的类内不变特征，设计新的损失函数对齐特征分布，提升分类泛化性。为了提高模型的可解释性，本文还提出了通用的可解释性评价指标——忠实度，并验证了高忠实度的方法与临床生理知识的一致性。本文的研究成果为自动心律失常检测提供了新思路和方法，具有实用价值和推广意义。
融合双流图注意力的多元时序分类及可解释性研究
毕业生 施宇星：
研究方向：时间序列分析与挖掘
硕士学位论文研究了多元时间序列的分类和可解释性问题。论文根据多元时间序列在时间和变量维度上的动态依赖性进行有效建模，研究了如何提高多元时间序列分类模型的可解释性。主要工作及成果如下:（1）考虑多元时间序列在时间维度和变量维度上的动态依赖性，本文使用时间-变量双流结构在时间和变量维度构造特征抽取模块，提出新的图表示方法捕获更为丰富的特征表示。（2）为减少注意力分布图中的噪声，生成可靠的注意力分布图，本文将注意力分布图应用于模型的训练过程中，并提出了一种新的损失函数自适应地更新注意力分布，以提高模型的可解释性。
成像干扰条件下基于位置感知的光场图像恢复方法
毕业生 沈泽琪 ：
研究方向：计算机视觉
硕士学位论文中提出了多种成像干扰条件下基于位置感知的光场图像恢复方法。成像干扰是指由于客观因素在拍摄图像时混入图像中的干扰现象。去除图像中成像干扰并恢复原本的成像物体不仅能够显著提高图像的视觉质量，而且能够提升后续一些计算机视觉任务的性能。对于光场图像，在大多数情况下，背景和干扰物体在场景中的位置存在差异，不同位置物体所遭受的干扰程度也存在不同，若能够有效感知物体的位置信息，便能够准确地识别干扰物体，精细化地处理不同程度的干扰，从而恢复背景图像。因此，本人通过分析不同类型成像干扰下的光场图像，充分利用光场的角度信息感知物体的位置信息，研究实体干扰下背景和干扰物体的区分方式，混叠情况下图像的精准恢复技术，从而解决遮挡、反射、模糊等各类成像干扰条件下场景结构和细节信息的恢复问题。
以上研究成果论文发表情况如下：
[1] Shuo Zhang, Zeqi Shen, Youfang Lin, Removing Foreground Occlusions in Light Field using Micro-lens Dynamic Filter[C], IJCAI 2021, 1302-1308, 2021. (CCF-A类会议，学生一作).
[2] Zeqi Shen, Shuo Zhang, Youfang Lin, Light Field Reflection and Background Separation Network Based on Adaptive Focus Selection[J]. IEEE Transactions on Computational Imaging, Volume 9, pp: 435-447, 2023. (中科院2区期刊，一作).
[3] Zeqi Shen, Shuo Zhang, Zhuhao Zhang, Xueyao Dong, Qihua Chen, Youfang Lin, View Adaptive Light Field Deblurring Networks with Depth Perception. Arxiv:2303.06860. (一作).
针对低光照光场图像的渐进式自适应增强方法研究
毕业生 王祥朗：
研究方向：计算机视觉
低光照光场图像增强的目标在于恢复低光照图像中的细节信息，提升图像可视化效果，以便于后续应用。对于光场的图像增强来说，除了提高图像的视觉效果之外，还需要考虑光场视角之间一致性问题。除此之外，如何设计鲁棒性的算法应对不同照度水平的低光照图像也是亟需解决的难题。针对单一照度下的光场图像增强的问题，论文提出了一种端到端的基于光场视角堆栈的多分支渐进式光场图像增强模型，渐进式恢复策略显著提升了恢复效果。为了使得模型能够适应不同照度的低光照输入，论文进一步提出了一种基于极平面图像的两阶段自适应低光照光场增强方法。通过引入自适应亮度调整模块提高了模型对不同黑暗程度输入图像的恢复能力。
以上研究成果论文发表情况如下：
[1] Xianglang Wang, Y. Lin and S. Zhang, Multi-Stream Progressive Restoration for Low-Light Light Field Enhancement and Denoising, in IEEE Transactions on Computational Imaging, vol. 9, pp. 70-82, 2023, doi: 10.1109/TCI.2023.3241550.
结合场景结构信息的光场显著性检测方法研究
毕业生 荆栋：
研究方向：计算机视觉
硕士学位论文研究了光场显著性检测问题，该任务是指基于光场输入分割出场景中最吸引人的物体，是场景语义分割理解的重要一环。现有基于光场多视角图的显著性检测算法存在对光场有效信息提取不充分、利用方式不合理等缺点。本研究的出发点在于设计模型充分挖掘光场结构信息，并将该其有效结合至显著性检测任务。本研究主要包含两项研究点：（1）发挥光场提供的场景深度结构对于辅助判定显著性物体的积极作用；（2）探索光场包含的场景遮挡信息对于提高显著物体边缘预测准确率的促进作用。
以上研究成果论文发表情况如下：
Dong Jing, Shuo Zhang, Runmin Cong, and Youfang Lin, Occlusion-aware Bi-directional Guided Network for Light Field Salient Object Detection. （CCF-A类会议ACM MM）
[2] Dong Jing, Shuo Zhang, Song Chang and Youfang Lin, Light Field Raindrop Removal via 4D Re-sampling. （Arxiv）
我所毕业生在工作中更是收获很多互联网公司和国有企业的offer，就业去向包括：百度、字节跳动、美团、电子六所、中科院自动化所、国家电网、中船系统院、中国银行、中国工商银行、中国建设银行、中国农业银行等众多知名企事业单位。
再次祝贺2023届毕业生取得的优秀成绩，祝毕业生们在新岗位上再接再厉，取得出色的成绩！