研究课题

深度学习框架下的目标检测方法研究

研究内容及创新点

论文在调研分析国内外目标检测方法和关键技术的基础上，以基于卷积神经网络的目标检测方法为基本研究框架，针对目标尺度变化，严重遮挡以及定位不准确等问题进行了深入研究，创新点及主要结论如下：

　　1. 针对行人检测任务，提出一种Scale-Aware Fast R-CNN模型，有效提高了检测方法对于目标尺度变化的鲁棒性。

　　2. 提取待检图像中的全局和局部上下文信息优化目标检测方法，可以提高目标分类和定位精度。

　　3. 建立了基于生成对抗网络的小目标检测模型，用于提高小目标的检测精度。

　　4. 建立了基于FPGA的实时电子稳像系统，为电子稳像算法的硬件移植及实时实现问题提供了有效的解决方案。

学术成果

读博期间，以第一作者身份，发表包括会议在内的学术论文6篇，包括SCI刊源4篇（均为第一层次，最高影响因子IF="3.9），国际顶级会议2篇。参与合作SCI刊源或国际顶级会议论文3篇。获ImageNet大规模视觉识别挑战赛" (ILSVRC 2017)，目标定位任务团队冠军，目标检测任务团队亚军，视频目标检测任务团队亚军（获奖排名分别为4,1,3）。

学术成果目录

　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.

个人简介

李佳男，男，1991年3月生于吉林省长春市。2013年6月在bob手机在线登陆光电信息工程专业获学士学位。2013年9月至今在bob手机在线登陆光电学院攻读博士学位，期间以联合培养博士身份国家公派至新加坡国立大学(National University of Singapore)进行为期两年的学术交流访问。主要研究方向为深度学习框架下的目标检测方法，实时图像与视频处理等。

获奖感言

仰望星空，脚踏实地。