简介
我是香港岭南大学数据科学学院工业数据科学部的博士研究生。我的研究方向是图像分割的数学基础。图像分割是指将图像划分为有意义区域的任务。
以 Mumford–Shah 泛函为代表的经典方法通过显式能量来定义分割,并具有坚实的变分理论基础。以 Segment Anything 为代表的现代深度学习模型则从大规模标注数据集中学习,性能往往更优。但这类模型缺乏清晰的数学描述,输出的也只是缺乏结构的掩码集合。
我的工作旨在连接这两种方法。我构建能够同时涵盖二者的变分模型,并将学习得到的特征引入经典模型,从而将学习方法的优势与显式能量的严谨性和结构性结合起来。
学术论文
论文列表即将更新。