研究内容

当前的深度学习方法大多是针对特定的任务，通过大量标注数据构建个性化的模型，这种“大数据、小任务”范式的深度学习模型的泛化能力有限，严重制约其落地推广应用。针对当前深度学习模型在医学影像分析、雷达信号分析、水下多媒体分析等多种应用中落地时存在的问题，开展面向“小数据、大任务”的相关机器学习基础理论研究，重点关注解决应用中常存在的数据长尾分布，小/零样本以及系统资源（计算、存储与能耗）受限等给模型泛化能力带来的挑战，通过知识驱动与数据驱动相结合的方式，以及结合因果推理和可解释性等有效提高现有深度学习模型在各领域实际应用中的部署。

研究成果

团队近5年在机器学习相关领域发表论文多篇，其中IJCV、TIP、CVPR/ICCV/IJCAI/AAAI/ACM MM等CCF A类论文近30篇，IEEE TSP、Signal Processing、IEEE TNNLS等著名期刊发表论文数十篇，获得Signal Processing期刊2020年度唯一最佳论文奖，负责人的Google引用率超过4100余次，多篇论文引用超过250次。在应用方面，主持国家自然科学基金重点项目子课题、JWKJW基础加强子课题、面上项目等项目10余项，获得深睿医疗、中电十四所、腾讯公司等医疗、雷达等相关领域著名公司的横向项目多项，多个单项项目经费达百万以上。相关成果获得2019年度吴文俊人工智能自然科学三等奖，福建省科技进步二、三等奖。指导学生在多个人工智能国际赛事上获得第一的好成绩。

招生要求

1.招生范围：人工智能、计算机科学与技术、软件工程、信息与通信工程、数学等相关专业全日制本科毕业生及硕士毕业生；

2.语言要求：英语6级或雅思6.0及以上；

3.其他要求：具有较好的数学基础及扎实的编程能力，有相关研究经验优先考虑。

注：团队博士研究生招生上限1人，硕士研究生招生上限3人

团队联络人：丁兴号 dxh@xmu.edu.cn