博彩导航

深度学习与图像图形团队主要从事深度学习模型与算法、图像图形处理技术的研究，尤其是在无监督深度学习、三维特征学习、图神经网络方面取得了系列成果，实现了无穷维的模型选择、开放环境学习，多流形建模，三维网格优化，解决了图像图形处理中的若干问题，包括新类判别，三维网格处理，类别估算，心理疾病诊断等，这些工作为三维信号处理、智能医学等研究提供了新方法和新思路。

模型选择与三维信息处理

扩展了传统的无监督聚类方法，提出了新的模型选择与开放环境学习算法，在统一深度神经网络和Dirichlet过程混合模型的基础上，解决了社区媒体中分类数目不确定问题。首次提出双层贝叶斯分类-聚类学习框架，针对开放图结构数据，在新类发现的基础上估算类别中的新类数量。该方法将GCN和深度生成聚类模型耦合在一个统一的框架中。在所提模型中，GCN模型用于检测已知类，深度生成聚类模型用于生成新类，并构造了两级标签生成过程，以将有限的GCN输出扩展到无穷大。首次提出基于深度模型的多流形概率聚类算法，通过应用深层神经网络对欧氏空间与拓扑空间之间的流形映射函数进行建模，构造相应的多个流形数据生成过程，从而构建了全新的基于概率模型的深度网络。此外，通过分析传统谱聚类算法的缺陷，开创性的将贝叶斯低秩模型应用于谱聚类的模型选择，扩展了算法应用范围。相关成果发表于《IEEE Transactions on Image Processing》，《IEEE Transactions on Multimedia》，《IEEE Transactions on Cybernetics》，《Pattern Recognition》、ACMMM等国内外顶级期刊和会议。

针对三维网格数据的无规则性，提出一种连续多项式曲面形式的局部卷积窗口表示。通过对原始三维网格数据表面的局部拟合，该多项式表示可以近似描述三维数据的局部形状信息。因此，不规则的局部网格表面被表示为统一却具有不同系数的多项式函，解决了不同形式网格表示的问题。基于该表示，进一步设计原始局部曲面多项式与卷积模板曲面多项式之间的相似度度量，从而形成了局部的卷积操作。类似于二维卷积核的学习方式，采用无监督聚类学习方法从局部曲面集中学习卷积核多项式函数的参数。经上述操作，可获得三维目标的局部卷积特征表示。为了补充学习目标的全局特征，设计同质化感知马尔科夫平稳特征来描述每个局部网格曲面之间的空间共现关系。所提出的卷积方式可以作为一种通用的特征提取方法来处理不规则域上的三维数据信号，相关成果发表于《IEEE Transactions on Multimedia》，《Engineering Applications of Artificial Intelligence》，《Neurocomputing》，。

任意三维区域快速鲁棒的切割网格生成

给定闭合三角面片网格所包围的复杂三维区域，通过一系列的平面切割，可得到离散化的切割网格，在三维可视化（例如分解展示三维区域）、三维动画（例如虚拟手术）、物理仿真（例如基于有限体积法的流体仿真）等领域有诸多应用。已有方法很难兼顾效率和鲁棒性，制约了切割网格的广泛应用。其核心难点在于切割后拓扑连接关系的构建。基于精确几何计算的方法鲁棒性虽高，但需大量计算，效率低；基于浮点数运算的方法效率高，但不鲁棒。我们提出了一种三维区域任意平面切割方法，同时兼顾了效率和鲁棒性，该方法创造性地将切割网格生成归结为拓扑推导问题，提出了拓扑切割这一概念以及相应方法，将切割网格生成问题从纯数值计算问题转化为拓扑推导问题和少量的精确计算。拓扑推导和精确数值计算保证了方法的鲁棒性，同时规避了大量的数值，极大降低了计算量。与已有的方法相比，效率得到极大提高。该工作发表于计算机图形学国际顶刊《ACM Transactions On Graphics》，《IEEE Transactions on Visualization and Computer Graphics》，《SCIENCE CHINA Information Sciences》。

图神经网络的表征学习及其在脑功能障碍疾病中的辅助诊断

研究了基于图模型的网络表征学习和图嵌入方法，将结构特征和属性特征聚合为节点的嵌入表示，并应用于脑功能障碍疾病（如抑郁症MDD、自闭症ASD、阿尔兹海默症AD）的识别和诊断中，利用特征图和注意力图之间的互补性突出区分语义和细节特征，提出基于注意力机制的多尺度多模态的自适应通道融合图卷积网络，应用于抑郁症、自闭症的辅助诊断，预测精度大幅提高，并能识别出脑区的异常连接，相关工作发表于《Computers in Biology and Medicine》、《Biomedical Signal Processing and Control》、《Applied Intelligence》、《电子学报》、PAKDD2024上。