华中科技大学 HUST
人工智能与自动化学院 AIA
图像信息智能处理全国重点实验室
图像与视觉学习研究组 HAIV Lab
个人项目：人体动作
研究计划
Research Statement
计算机视觉的基础理论、
机器学习分析方法的研究
数据受限下的解耦表征学习的模型、理论及应用
作为机器学习的基础和应用研究者，尝试既探索科学问题的本质原因，也以实际应用指导选题，让基础研究与应用研发不脱钩，期望我的研究于人类认知、社会发展都有益。
深钻解耦表征学习（因为几乎所有的信号表征都涉及到这一问题）以及数据受限学习（因为它是数据驱动的机器学习领域的一个核心本质问题）。
监督学习依然是当下深度学习的主流学习范式，其性能高度依赖于数据的规模、标号的准确度。特别是在数据不足时，深度模型对标记中的错误非常敏感，因此标记容错机制亟待提出。即便数据规模不成问题，有些数据标记任务天然具有二义性。因此，模糊标记下的监督学习范式有待开发，例如在现有深度学习范式中引入弱监督、半监督学习；或者，因为预测和合成通常互为逆过程，可以合成带有准确标记的数据。
1.物体的几何建模（Geometric modeling of objects）
点云处理（Point cloud processing）
三维特征点检测（3D keypoint detection）
三维姿态估计（3D pose estimation）
2.场景的表观建模（Photometric modeling of scenes)
医学图像分析（Medical image analysis）
运动估计（Motion estimation）
开放世界检测（Open-world detection）
3.动作的语义建模（Semantic modeling of actions）
动作评级（Action assessment）
表情量化（Emotion quantification）
自主感知（Egocentric perception）
4.字语的生成建模（Generative modeling of texts）
小样本字库生成（Few-shot font generation）
自然语言翻译（Natural language translation）
文档矫正（Document rectification）
5.智能的统计建模（Statistical modeling of intelligence）
数据受限的模型鲁棒自适应（Model robust adapatation with constrained data）
联邦式的知识的连续学习（Federated knowledge continual learning）
自主系统/机器人多任务元规划（Muti-task robot planning）
