张声传 副教授 信息学院
主要研究方向为计算机视觉和机器学习。研究侧重点是图像迁移和目标检测分割。研究课题（目前研究内容不限于此）：异质图像合成（人脸/非人脸，又名跨模态图像生成，图像翻译等）与识别，图像风格化生成，目标检测、全景分割、三维重建等。
林贤明 助理教授 信息学院
研究方向为面向弱标注数据的伪装目标检测，基于深度神经网络认知与统计特性分析，聚焦自然及对抗伪装检测。针对训练数据缺乏、样本不平衡等瓶颈，从数据分布、训练方式等方面，突破弱先验训练、多模态优化等关键技术，构建边缘设备验证平台，提升真伪识别能力，推动理论深化与技术落地。
李晓东 助理教授 信息学院
主要研究大规模图数据管理与挖掘，近两年聚焦知识图谱与大语言模型交互对齐。课题：1. 超大规模网络模体识别与检验，辅助大模型检索、去噪及异质数据可解释抽取；2. 优化图检索增强生成与任务策略，消解知识冲突及评估多跳推理；3. 面向对话式分析的 LLM-GNN 深度交互推理，实现 GNN 稀疏感知、集成及多尺度表示融合。成果应用于药物推荐、控制优化、异常检测等。
在边缘场景中，弱小目标的检测与跟踪技术因其巨大的应用潜力，已成为学术界和工业界关注的焦点。然而，目前基于深度学习的目标检测与跟踪技术在边缘场景的训练和部署过程中，面临着三大关键技术挑战：一是小目标尺度难以适应；二是弱先验条件下的训练难度较大；三是低算力设备的部署困难。针对这些挑战，本团队将从“计算框架构建”“训练策略优化”和“边缘设备适配”三个维度入手，致力于开发和优化边缘场景下的弱小目标检测与跟踪关键技术。具体研究计划如下：
1）小尺度目标计算问题：研究如何重构神经网络以更好地适应弱小目标的尺度条件。现有的预训练骨干网络虽然能够较好地应用于一般尺度（如网络图像和视频）的目标检测与跟踪任务，但对于特殊尺度（如海空小目标）的目标，容易出现漏检或误检现象。
2）弱先验模型训练问题：探索如何利用有限的样本数据来适应弱先验的训练环境。基于深度学习的目标检测与跟踪通常需要大量的标注数据来训练模型，这在小样本场景（如侦查吊舱监测和导弹制导）中限制了其应用。
3）高效能模型压缩问题：研究如何对模型进行压缩，以适应边缘设备有限的计算资源。手机等智能终端以及现代车载、机载、星载的边缘计算设备通常不具备高存储和大算力，而现有的神经网络压缩算法虽然能够减小模型体积，但往往难以有效控制精度损失。
4）检测跟踪模型黑盒解释问题：探讨如何解释检测跟踪神经网络模型的黑盒特性。现有的神经网络通常作为端到端的黑盒模型使用，其决策过程不透明，输出决策难以解释。对神经网络推理过程的整体解释对于目标检测与跟踪算法在军事和民用领域的应用至关重要。
本团队的研究以军民两用边缘设备的实际应用为导向，计划构建一个复杂边缘场景下的可解释弱小目标检测与跟踪应用验证平台，并结合团队承担的系列军民应用场景，推动关键理论的深化和技术成果的落地应用。
本团队有多位国家级青年人才，包括负责人曹刘娟系厦门大学信息学院教授，“国家特支计划”青年拔尖人才；团队骨干张声传系厦门大学信息学院副教授，南强青年拔尖B类人才。团队长期从事目标检测与分割、多模态学习、模型轻量化等人工智能领域前沿技术研究，近年来发表IEEE TPAMI、TIP、TNNLS、ICCV、CVPR、AAAI等中国计算机学会A类及JCR一区论文60余篇。获2019年Facebook公司主办的Deep Fake人脸伪造检测金奖、2020年计算机视觉顶会ECCV举办的Deeper Forensics挑战赛第二名。曹刘娟教授获2020年度福建省科技进步一等奖（第一完成人）、2023年厦门市科技进步一等奖（第一完成人）、2023年图像图形学学会石青云女科学家奖、2023年AI华人女性青年学者、2022年度福建省杰出青年科学基金、2022年福建省运盛青年科技奖、2022-2023年度厦门大学三八红旗手；张声传副教授主持国家自然科学基金面上项目1项，青年项目1项，国家重点研发项目课题三的子课题1项，博新计划1项（2016年首批入选200人），横向项目3项。纵向金额累计100余万，横向金额累计200余万。林贤明助理教授主持过1项国家自然科学基金面上项目、1项福建省自然科学基金项目和多项人工智能和计算机视觉相关的企业横向项目。作为核心研究人员，参与国家重点研发专项2项；参与国家自然科学基金项目8项；参与其他省部级项目6项；参与阿里、华为、腾讯等国内著名人工智能企业的横向课题10余项。
计算机相关专业，具有较好的数学基础、编程能力和英文水平；此外，乐观开朗、积极主动，有坚韧不拔的毅力，思维清晰、逻辑性强，具有良好的表达能力。
招生联系老师及联系邮箱：林颖 linying@xmu.edu.cn
