相册


基本信息 The basic information
姓名: 陶焕杰

学院: 计算机学院


学历: 博士研究生毕业

学位: 工学博士


职称: 副教授

职务:


学科: 计算机科学与技术


邮箱: huanjie_tao@nwpu.edu.cn




综合介绍 General Introduction
陶焕杰，博士，西北工业大学计算机学院准聘副教授，主要研究方向：深度学习、模式识别、图像视频处理、人工智能等，主讲本科生课程：《神经网络模型与算法》，博士期间曾到新加坡南洋理工大学做联合培养，参加了多项国家和省部级科研项目，发表学术论文10余篇，兼职多个期刊的审稿人。


我属于嵌入式系统集成教育部工程中心和智能计算架构与系统芯片团队下的智能信息识别课题组，该课题组侧重于利用深度学习开展与目标识别密切相关的应用基础研究。
常驻研究方向：
烟识别技术研究
全国每年共接报火灾20-30万起，因火灾死亡数千人，直接财产损失40-50亿元。火灾给人民生命安全、森林自然资源和公共安全等带来了巨大威胁，造成了巨额经济损失。由于烟总是先于火出现，因此，烟识别技术具有重要研究价值。目前的烟识别技术主要是利用深度学习模型对场景监控视频自动分析来识别烟，但面临着大量误报漏报的问题，严重制约其在实际中的应用。成熟的烟识别技术将有望用于森林和草原火灾智能识别，高层建筑火灾识别，纺织厂、木材厂等的火灾预警识别，黑烟车智能识别。超长隧道火灾智能探测识别等。
临时研究方向：
基于深度学习的驾驶员行为识别模型研究
我国每年发生机动车交通事故约10万起，造成约5****死亡，约20****受伤，直接财产损失约10亿元。导致车辆交通事故的一个重要原因是驾驶员的异常驾驶行为，如疲劳驾驶、转头与人交谈、接打电话、车外抛物、吸烟等。驾驶员行为识别指对驾驶员的异常驾驶行为进行自动识别，避免因驾驶员失误导致的交通事故，具有重要研究意义。该临时方向研究基于深度学习的驾驶员行为识别模型。
基于深度学习的植物病害识别模型研究
每年全球高达40％的粮食作物因病虫害而遭受损失。这导致农业贸易损失超过2200亿美元。该方向开展基于深度学习的植物病害识别模型研究，其主要难点在于：1）随机分布的病变。叶片损伤可能随机发生在植物叶片的许多不同部位。2）症状多样。不同植物和不同感染期的植物叶片上有不同的视觉症状，导致了大的类内变异。3）复杂的背景杂波干扰。
基于深度学习的行人重识别技术研究
由于相机分辨率和拍摄角度的缘故，监控视频通常无法得到高质量人脸图像。这时行人重识别技术就成了一个重要的替代品。行人重识别旨在判断不同摄像头中行人的身份，根据输入的某个行人图像,在不同视频监控网络中对该行人目标进行检索。行人重识别的主要难点体现：1）不同摄像机监控场景的差异；2）行人图像受到视角、姿态、尺度、穿着和遮挡等因素的影响。
基于深度学习的缺陷检测识别算法
很多产品如金属钢材、玻璃、纸张、布料、电子元器件等对表面外观有严格要求且有明确指标，如工件表面的斑点、凹坑、划痕、色差、缺损等。缺陷检测识别是指对物品表面缺陷的智能检测识别。该临时方向开展基于深度学习的缺陷检测算法。
基于深度学习的微表情识别研究
微表情通常是在无意识状态下自发产生，难以掩饰伪装，与真实情感直接相关，在情感分析中较为可靠，可以应用于智能安全、测谎、智能医疗等领域。微表情识别的主要难点在于微表情的持续时间短、动作强度低，特征难以提取。该临时方向研究基于深度学习的微表情识别模型。
基于深度学习的深度伪造视频被动检测识别
在人工智能“说谎”的背景下，深度视频修复、深度视频帧率转换和深度换脸视烦等深度枧烦伪造削弱甚至完全克服了传统视烦伪造遺留的痕迹。该临时方向针对深度枧频伪造技术持续更新和其取证线索弱化的双重挑战，开展基于深度学习的深度伪造视频被动检测研究。
基于深度学习的学生课堂异常行为识别模型研究
传统的教学过程中,对学生行为的识别主要由教师人工进行，耗时耗力，还影响教师上课质量。因此，实现对学生课堂行为自动识别是一个亟待解决的问题。该临时方向主要利用深度学习模型，通过对课堂监控视频的分析，实现不同教学场景下的教室人群计数、听课状态检测和交互行为识别。
基于深度学习的食品图像识别
食品图像识别在健康饮食管理、智能厨具、无人餐厅、餐饮推荐等多个方面具有广泛应用。食品图像识别的独特挑战在于：1）大多数食品图像没有固定空间布局，呈现非刚性特点；2）很多食品图像属于细粒度图像且不存在语义部件；3）食品图像存在各种各样的几何变换，例如不同的拍摄角度、较大的旋转和尺度等。
基于深度学习的生物特征识别
在近距离光照可控条件下基本上可以正确识别高度配合的用户，但在生物特征图像受到内在生理变化（如姿态、表情、运动）和外界环境变化（如光照、遮挡、距离）时生物特征识别的性能急剧下降，不能满足现实世界复杂环境下身份识别的需求。新一代生物特征识别的发展趋势是远距离、多模态、非干扰、高通量、大规模用户、轻便快捷型生物特征识别，对用户的位置、距离、姿态、表情上的要求更加宽松，用户可在一个较为轻松的环境中不经意间完成身份认证，完成生物识别从“人配合机器”到“机器主动适应人”的技术过渡，实现从可控环境到复杂环境的技术跨越。
基于深度学习的虚假评论识别研究
商品好评、热门影评和口碑对商品销售量、电影票房表现有着重要的影响，而相关审查却并不严格。在巨大的商业利益下，越来越多的水军利用欺骗性的好评，故意提高目标商品或电影的评价，肆意抹黑竞争，误导用户。该临时方向研究基于深度学习的虚假评论识别。
基于深度学习的视频推荐算法
视频推荐系统旨在帮助用户从海量的信息中发现满意的视频来提高用户观看体验，可用于抖音、快手等短视频平台。由于用户兴趣的多样性和易变性，通常采用简单而单一的用户兴趣表征形式难以达到较好的效果。该临时方向研究性能更优越的视频推荐系统。
基于深度学习的文字识别
对自然场景和网络上的图像和视频中的文本，目前的自动检测和识别性能跟人相比有较大差距。如何从人的感知和认知机理得到启发设计新的处理方法。采用类人学习和认知方式、更加充分地利用上下文信息是未来的一个趋势。图文混合文档中如何准确区分文本和图形区域、理解版面结构。多语言文档（或语种未知文档）识别中如何准确识别和区分语种。历史文档识别的一个主要问题是标记样本较少，尤其是中文字符类别数很多，古籍中有很多异体字，几乎不可能对所有字符类别和异体字都标记大量样本。
基于深度学习的细粒度分类与识别
该临时课题研究细粒度目标分类。相对于通常分类任务（如区分鸟和猫），细粒度分类任务的目标是将不同的子类类别加以区分（如区分不同种类的鸟）。该任务是困难的，因为不同子类的图像整体上（包括轮廓姿态，背景等）是比较相似的，它们的区别一般体现在物体的局部部位上。
深度度量学习
深度度量学习可用于图像检索、人脸识别、行人检测等领域。深度度量学习往往是通过训练（将最大化不同类间样本距离和最小化同一类内样本差异作为模型的监督信息）得到一个隐式的子空间，学习从原始图像表达到隐式子空间的非线性映射函数。任意两个样本在这个隐式子空间中的距离可以和它们的实际相似性存在关联。
零样本识别
零样本学习旨在根据训练集中的可见类别数据, 通过相关先验知识, 对未见类别的数据进行预测和识别。其中的先验知识应当包含与未见类别的视觉特征空间相关联的语义描述。例如，假设一个人没有见过“斑马”，但他知道“斑马”是一种身上有黑白条纹的外形似“马”的动物，那么当他可以通过语义原型（即黑白条纹）和已经见过的类别（即马）认出“斑马”。
面向小样本数据的识别模型
特殊场景分类和识别任务面临样本缺乏的情况，小样本机器学习可以显著提高在这些困难场景中进行模式识别的准确度和性能。本方向重点研究在小样本有监督学习中，如何充分利用额外无标签数据构建数学模型和相应方法，进行半监督学习。