作者 | 青暮

重磅消息！原澳大利亞阿德萊德大學(xué)教授、計算機視覺大牛沈春華已回國，并全職加入浙江大學(xué)。

據(jù)主頁介紹，沈春華于今年12月入職浙江大學(xué)，并兼任莫納什大學(xué)信息技術(shù)學(xué)院的數(shù)據(jù)科學(xué)與AI無償兼職教授。

他本科畢業(yè)于南京大學(xué)，并擁有南京大學(xué)信號處理系和澳大利亞國立大學(xué)應(yīng)用統(tǒng)計學(xué)系的兩個碩士學(xué)位，于2005年獲得阿德萊德大學(xué)計算機視覺博士學(xué)位。博士畢業(yè)后，他在NICTA和澳大利亞國立大學(xué)工作，并于2011年加入阿德萊德大學(xué)擔任教職。

去年10月，沈春華入選了澳大利亞終身成就榜。澳大利亞終身成就榜根據(jù)每位研究人員每年的 H 指數(shù)，在衡量生產(chǎn)力和影響力的基礎(chǔ)上，選出澳大利亞的大學(xué)和研究機構(gòu)在八個主要學(xué)科領(lǐng)域中的每一個領(lǐng)域的五名頂尖研究人員。當年入選的還包括悉尼大學(xué)教授、京東探索研究院院長陶大程，阿德萊德大學(xué)教授Peng Shi，斯威本科技大學(xué)教授韓清龍等。

據(jù)主頁介紹，沈春華如今加入的是浙江大學(xué)計算機輔助設(shè)計與圖形學(xué)國家重點實驗室。

計算機輔助設(shè)計與圖形學(xué)國家重點實驗室依托浙江大學(xué)。由校內(nèi)計算機系、數(shù)學(xué)系和機械系三系共建。

實驗室主要專注計算機輔助設(shè)計（CAD）、計算機圖形學(xué)、媒體計算和可視分析、虛擬現(xiàn)實等領(lǐng)域，目前已發(fā)表國內(nèi)外重要刊物論文300多篇。

該實驗室來頭不小，不僅有多名院士、長江學(xué)者加持，郭百寧、鮑虎軍、周昆、陳寶權(quán)、胡事民等計算機圖形學(xué)大牛亦構(gòu)成了其高層次、高水平的科研隊伍的基石。

能加入此等實驗室，沈春華當然也有足夠?qū)嵙Ρ硶?jù)Google Scholar顯示，沈春華論文總引用數(shù)已超33000，其中引用量最高的三篇是：

• Refinenet: Multi-path refinement networks for high-resolution semantic segmentation
• Image Restoration Using Very Deep Convolutional Encoder-Decoder Networks with Symmetric Skip Connections
• FCOS: Fully Convolutional One-Stage Object Detection

• Image Restoration Using Very Deep Convolutional Encoder-Decoder Networks with Symmetric Skip Connections

論文地址：https://arxiv.org/pdf/1603.09056.pdf

在這篇論文中，研究團隊提出了一個非常深的全卷積編碼解碼框架，用于圖像恢復(fù)，例如去噪和超分辨率。該網(wǎng)絡(luò)由多層卷積和反卷積算子組成，學(xué)習從損壞圖像到原始圖像的端到端映射。

該研究將卷積層和反卷積層與跳過層連接對稱地連接起來，從而模型可以訓(xùn)練收斂得更快，并獲得更高質(zhì)量的局部最優(yōu)解。

• RefineNet: Multi-Path Refinement Networks for High-Resolution Semantic Segmentation

論文地址：https://arxiv.org/pdf/1611.06612.pdf

RefineNet的提出針對的是，深度 CNN 中的池化或卷積跨步（striding）等重復(fù)子采樣操作會導(dǎo)致初始圖像分辨率顯著降低的現(xiàn)象。

RefineNet是一種通用的多路徑細化網(wǎng)絡(luò)，它明確利用下采樣過程中的所有可用信息，以使用遠程殘差連接進行高分辨率預(yù)測。通過這種方式，可以使用來自早期卷積的細粒度特征直接細化捕獲高級語義特征的更深層。

RefineNet 的各個組件采用遵循身份映射思維方式的殘差連接，從而實現(xiàn)有效的端到端訓(xùn)練。此外，還引入了鏈式殘差池，它以有效的方式捕獲豐富的背景上下文。

• FCOS: Fully Convolutional One-Stage Object Detection

論文地址：https://arxiv.org/pdf/1904.01355.pdf

這篇論文提出了一種完全卷積的單級目標檢測器 (FCOS)，以類似于語義分割的每像素預(yù)測方式解決目標檢測問題。

幾乎所有最先進的物體檢測器，如 RetinaNet、SSD、YOLOv3 和 Faster R-CNN 都依賴于預(yù)定義的錨框。相比之下，F(xiàn)COS 沒有錨框，也沒有proposal。

通過消除預(yù)定義的錨框集合，F(xiàn)COS 完全避免了與錨框相關(guān)的復(fù)雜計算，例如在訓(xùn)練過程中計算重疊。

FCOS的提出表明，為了提高檢測精度，采用更簡單和靈活的檢測框架或許更有效。

豐碩的科研成果背后，是他自身深厚的學(xué)術(shù)素養(yǎng)以及人才培養(yǎng)能力。沈春華培養(yǎng)了眾多優(yōu)秀的博士生，其中包括了近年獲得谷歌獎研金的劉伊凡、王鑫龍、Zhi Tian等等，他們畢業(yè)后都在知名高校和互聯(lián)網(wǎng)企業(yè)任職，可謂人才濟濟。

---

雷峰網(wǎng)(公眾號：雷峰網(wǎng))

雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。