深度學習暑期科研項目（8周發EI論文）
哈爾濱工業大學博士的六大選題
對本科生而言，越早接觸系統的科研訓練開始上手科研項目，就越能在未來的升學求職中占據很大的優勢。暑假是提升個人簡歷、豐富科研經歷的最佳時期！哈爾濱工業大學博士師兄也會在8月1日開始帶大家上手科研項目，并撰寫發表EI會議論文。
個人簡介
哈爾濱工業大學控制科學與工程專業博士研究生，研究方向:
- 多模態圖像融合與其他計算機視覺任務結合（圖像增強、目標檢測、語義分割等）
- 多模態圖像配準、圖像去噪
承擔多項省重點研發計劃課題部分內容，累計發表學術論文3篇。研究成果發表于
4. 《IEEE Transactions on Circuits and Systems for Video Technology》
5. 《IEEE Transactions on Instrumentation and Measurement》
科研選題
01 語義驅動的紅外和可見光圖像融合方法
02 照明退化條件下的紅外和可見光圖像融合方法
03 Transformer-CNN雙分支結構的圖像融合方法
04 無監督圖像低光照增強與去噪方法研究
05 輕量化多模態圖像融合方法研究
06 輕量化低光照增強方法研究
01 基于改進卷積神經網絡的復雜場景圖像實時識別研究
語義驅動的紅外和可見光圖像融合方法通過結合紅外圖像的熱輻射特征與可見光圖像的紋理細節，并利用語義信息指導融合過程，能夠有效克服傳統方法中語義信息缺失導致的特征冗余或關鍵目標弱化問題。使得生成的融合圖像不僅僅可視化效果良好，并且更加有利于下游高級視覺任務的性能提升。
自適應的語義驅動機制突破了傳統像素級或特征級融合的局限性，推動了多模態數據融合向智能化、任務導向化方向發展
創新點
1.語義信息引導融合：利用高級語義信息（如目標輪廓、場景理解）動態優化融合過程，避免關鍵目標信息丟失。
2.自適應特征融合機制：根據圖像內容自動調整紅外與可見光特征的融合權重，提升融合結果的魯棒性。
3.下游任務協同優化：融合結果直接服務于高級視覺任務（如目標檢測），確保融合圖像不僅視覺效果更優，且實用性更強。
02 照明退化條件下的紅外和可見光圖像融合方法
針對夜間光照不足導致的圖像退化問題，提出了一種專門的融合方法，通過增強圖像的亮度和對比度，讓夜間的融合圖像也能清晰可見，特別適合安防監控等領域。
能夠顯著提升夜間融合圖像的可見性和對比度提供更優的可視化效果。
03 Transformer-CNN雙分支結構的圖像融合方法
結合Transformer和CNN的雙分支結構，既能利用Transformer的全局特征提取能力，又能發揮CNN的局部特征提取優勢，讓融合后的圖像細節更豐富，效果更出色。
04 無監督圖像低光照增強與去噪方法研究
傳統的深度學習方法往往需要大量的帶有標注（如高質量-低質量圖像對）的數據，而無監督方法無需人工標注，可以從未配對的數據中學習，從而降低數據準備成本。
無監督的低光增強與去噪方法能夠減少模型對特定數據的依賴，進一步提升模型在不同場景的泛化能力。
以往的方法僅僅考慮了提升低光圖像的可見性和對比度，忽視了噪聲的強烈干擾。通過提出的無監督去噪方法，能夠進一步提升增強圖像的視覺質量，并提升增強圖像在下游任務上的表現。
05 輕量化多模態圖像融合方法研究
多模態圖像融合能夠將不同模態源圖像的互補信息整合到一張圖像當中，以實現更加完善的場景表示。以往的多模態圖像融合方法計算量較大，難以部署到資源受限的設備（無人機、移動終端或者邊緣計算設備上）。輕量化方法通過模型優化、網絡剪枝、量化等方式，減少對計算資源的需求，提高推理速度。
圖像融合本身就是一個圖像預處理任務，較大規模的模型難以在實際生產中應用。輕量化圖像融合方法具有較高的工程意義。
06 輕量化低光照增強方法研究
低光照增強方法旨在提升低光圖像的可見性和對比度，一方面需要提升可視化效果，另一方面需要提升其他計算機視覺任務的性能。因此，在整個計算機視覺系統中不能占用太多計算資源，輕量化低光照增強方法十分有必要。
一方面，輕量化設計通過引入相關物理模型等先驗知識減少網絡學習難度達到輕量化的目的。另一方面，可以引入一些輕量化模型設計，實現降低計算成本和更高效的增強效果。
🌟 項目亮點
博士師兄指導，系統學習深度學習前沿技術，不是"跑通demo"的淺嘗輒止，而是從0到1完整經歷：文獻精讀→模型創新→實驗設計→論文寫作！
把握好暑期科研機會，用1個月時間，從科研小白到寫出一篇高質量科技論文~
