簡介
我是香港嶺南大學數據科學學院工業數據科學部的博士研究生,研究方向為圖像分割的數學基礎。圖像分割是指將圖像劃分為有意義區域的任務。
以 Mumford–Shah 泛函為代表的經典方法透過顯式能量定義分割,並具備堅實的變分理論基礎。以 Segment Anything 為代表的現代深度學習模型則從大型標註數據集中學習,表現往往更佳;然而,這類模型缺乏清晰的數學描述,所產生的亦只是欠缺結構的遮罩集合。
我的研究旨在連接這兩種方法:建立能同時涵蓋兩者的變分模型,並將學習所得的特徵引入經典模型,從而結合學習方法的優勢與顯式能量的嚴謹性及結構性。
學術論文
論文列表即將更新。