基于深度学习的图像分割模型研究与应用

课题名称: 基于深度学习的图像分割模型研究与应用
学科专业: 计算机科学
课题关键词: 深度学习图像分割特征融合
辅导模式: 1对1
发表目标: CCF-C
课题介绍: 图像分割作为计算机视觉领域的核心任务，旨在将图像像素按照语义类别或实例进行精确划分，为场景理解、目标识别等高级视觉任务提供底层支撑，在医学影像分析（如肿瘤区域定位）、自动驾驶（如道路与障碍物区分）、遥感监测（如土地覆盖分类）等领域具有不可替代的应用价值。传统分割方法多依赖手工设计特征（如边缘检测、区域生长），受限于特征表达能力，难以应对复杂场景下的纹理多样性、目标形变及背景干扰，泛化性能不足。随着深度学习技术的快速发展，以卷积神经网络（CNN）为代表的模型通过端到端学习实现了像素级特征的自动提取，显著提升了分割精度。自FCN（Fully Convolutional Networks）开创端到端分割范式以来，U-Net、DeepLab系列等模型通过引入跳跃连接、空洞卷积、注意力机制等结构，进一步优化了特征融合与定位精度，推动图像分割从语义级向实例级、全景级任务拓展。然而，当前研究仍面临小目标分割模糊、边界细节丢失、多模态数据融合难等挑战，尤其在医疗、工业等高精度要求场景中，模型的鲁棒性与效率亟待提升。因此，深入探究深度学习分割模型的特征学习机制、结构优化方法及跨领域应用策略，对推动计算机视觉技术的理论创新与产业落地具有重要意义。

导师信息

科研导师

Prof. Neuron

985高校副教授

导师介绍

研究领域：图像分类,目标检测,语义分割,深度学习学术成果：以唯一第一作者/通讯作者发表论文36篇，其中SCI论文32篇，SCI一区Top/CCF-A类论文15篇；中国计算机学会会员、教育部学位与研究生教育评审专家；主持和参加了10余项国家和省部级科研项目，兼职多个期刊的审稿人；博士期间曾到新加坡南洋理工大学联合培养；担任国际期刊Computer Science and Technology、American Journal of Artificial Intelligence编委；5次担任国际会议程序委员和技术委员；完成国际期刊审稿 120 余次，国际会议审稿

招生要求

面向具有相关学科背景与研究兴趣的学习者，具体要求以课题导师评估为准。