西安电子科技大学电子工程学院导师教师师资介绍简介-董刚刚

删除或更新信息，请邮件至freekaoyan#163.com(#换成@)

本站小编 Free考研考试/2021-06-27

基本信息
姓名：董刚刚职位：副教授
硕士生导师
博士学科：信息与通信工程
硕士学科：信息与通信工程
工作单位：雷达信号处理重点实验室

联系方式
通信地址：太白南路2号
电子邮箱：
dongganggang@xidian.edu.cn
dongganggang@nudt.edu.cn
办公电话：
办公地点：100号楼407房间

个人简介
董刚刚，博士，副教授，2012年12月获国防科技大学信息与通信工程专业硕士学位，2016年12月获国防科技大学电子信息与通信工程专业博士学位。2018年10月进入西安电子科技大学雷达信号处理国家重点实验室工作，现为西安电子科技大学电子工程学院副教授，硕士生导师。IEEE TIP, TGRS, JSTARS, GRSL, Access, Springer, SPIE, Taylor & Francis 等期刊审稿人。
荣获奖励：
2017年中国电子学会优秀博士论文，获奖等级“优秀”
2018年全军优秀博士论文
2019年中国电子学会科技进步二等奖（排名第二）
学术成果：（详见个人主页：https://ganggangdong.github.io/homepage/）
自2014年以来，以第一作者发表SCI检索论文14篇，谷歌学术被引 780 余次，h-index 和 i10-index为15。
部分代表作：
Ganggang Dong, Hongwei Liu, Global Receptive based Neural Network for Target Recognition in SAR Images, IEEE Transactions on Cybernetics , 2021，51(4): 1954-1967, April
Ganggang Dong, Gangyao Kuang, Na Wang, Wei Wang. Classification via Sparse Representation of Steerable Wavelet Frames on Grassmann Manifold: Application to Target Recognition in SAR Image. IEEE Transactions on Image Processing, 2017, 26(6): 2892-2904, June.
Ganggang Dong, Gangyao Kuang. Classification on the Monogenic Scale-Space: Application to Target Recognition in SAR Image. IEEE Transaction on Image Processing, 2015, 24(8): 2527-2539, August.
Ganggang Dong, Hongwei Liu, Gangyao Kuang, Jocelyn Chanussot, Target Recognition in SAR Images via Sparse Representation in the Frequency Domain, Pattern Recognition , 2019, 96, 106972
Ganggang Dong, Guisheng Liao, Hongwei Liu, Gangyao Kuang, A Review of AutoEncoder and Its Variants: A Comparative Perspective from Target Recognition in SAR Images. IEEE Geoscience and Remote Sensing Magazine, 2018, 6(3):44-68, September. （Popular Document of IEEE GRSM, Rank 10+）
Ganggang Dong, Hongwei Liu, Jocelyn Chanussot, Comparative Analysis of Keypoint-based Local Descriptor for Target Recognition in SAR Images, IEEE Geoscience and Remote Sensing Magazine, Accepted, 2020

主要研究方向
主要研究方向包括但并不局限于：
1．SAR图像解译：目标检测与识别、图像复原、地物杂波仿真、语义分割、变化检测等
2. 模式识别与图像视觉：稀疏表征、低秩表示、矩阵填充等；
3．深度学习与机器学习：卷积神经网络、循环神经网络、迁移学习、数据扩充与仿真等；
4．微分流形与调和分析：解析信号、Hilbert变换等。

科学研究
目前主持的部分科研项目：
面向SAR图像目标识别的多模综合感知神经网络，国家自然科学基金面上项目，2020.01~2023.12，58万
面向SAR图像目标识别的整体感知神经网络，国家重点实验室基金，2019.01~2020.12，25万
面向SAR图像目标识别的局部关键点特征提取，中央高校基本科研业务，2019.01~2020.12 6万
SAR图像目标检测识别数据集制备与算法研究，国家重点实验室基金，2021.01~2022.12，25万

学术论文
自2014年以来，以第一作者发表SCI检索论文14篇，论文程序开源于Github个人主页
[1] Ganggang Dong, Hongwei Liu, Global Receptive based Neural Network for Target Recognition in SAR Images, IEEE Transactions on Cybernetics , Early Access, 2020
[2] Ganggang Dong, Hongwei Liu, Gangyao Kuang, Jocelyn Chanussot, Target Recognition in SAR Images via Sparse Representation in the Frequency Domain , Pattern Recognition , 2019, 96, 106972
[3] Ganggang Dong, Guisheng Liao, Hongwei Liu, Gangyao Kuang, A Review of AutoEncoder and Its Variants: A Comparative Perspective from Target Recognition in SAR Images. IEEE Geoscience and Remote Sensing Magazine, 2018, 6(3):44-68, September. （Popular Document of IEEE GRSM, Rank 19）
[4] Ganggang Dong*, Gangyao Kuang, Na Wang, Wei Wang. Classification via Sparse Representation of Steerable Wavelet Frames on Grassmann Manifold: Application to Target Recognition in SAR Image. IEEE Transactions on Image Processing, 2017, 26(6): 2892-2904, June. （被引50次）
[5] Ganggang Dong*, Gangyao Kuang. Classification on the Monogenic Scale-Space: Application to Target Recognition in SAR Image. IEEE Transaction on Image Processing, 2015, 24(8): 2527-2539, August. （被引81次）
[6] Ganggang Dong*, Gangyao Kuang. SAR Target Recognition Via Sparse Representation of Monogenic Signal on Grassmann Manifolds. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2016, 9(3): 1308-1319, March.
[7] Ganggang Dong*, Na Wang, Gangyao Kuang, Hongbing Qiu. Sparsity and Low-Rank Dictionary Learning for Sparse Representation of Monogenic Signal. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(1):141-153, January.
[8] Ganggang Dong*, Gangyao Kuang, Linjun Zhao, Jun Lu. SAR Target Recognition via Joint Sparse Representation of Monogenic Signal. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 8(6): 3316-3328, July. （被引108次）
[9] Ganggang Dong*, Gangyao Kuang. Sparse Representation of Monogenic Signal: with Application to Target Recognition in SAR Images, IEEE Signal Processing Letters, 2014, 21(8): 952-956, August. （被引99次）
[10] Ganggang Dong*, Gangyao Kuang. Target Recognition in SAR Images via Classification on Riemannian Manifolds. IEEE Geoscience and Remote Sensing Letters, 2015, 12(1):199-203, January.
[11] Ganggang Dong*, Gangyao Kuang. Target Recognition via Information Aggregation Through Dempster-Shafer’s Evidence Theory. IEEE Geoscience and Remote Sensing Letters, 2015, 12(6):1247-1251, June. （被引49次）
[12] Ganggang Dong*, Gangyao Kuang. A Soft Decision Rule for Sparse Signal Modeling via Dempster-Shafer Evidential Reasoning. IEEE Geoscience and Remote Sensing Letters, 2016, 13(10): 1567-1571, October.
[13] Ganggang Dong*, Na Wang, Gangyao Kuang, Yinfa Zhang. Kernel Linear Representation: Application to Target Recognition in Synthetic Aperture Radar Images. SPIE Journal of Applied Remote Sensing, 2014, 8:083613-1-14.
[14] Ganggang Dong, Hongwei Liu, Jocelyn Chanussot. Comparative Analysis of Keypoint-based Local Descriptor for Target Recognition in SAR Images, IEEE Geoscience and Remote Sensing Magazine, Accepted, 2020
IGARSS会议论文4篇
[1] Ganggang Dong*, Gangyao Kuang, Linjun Zhao, Jun Lu, Min Lu. Joint Sparse Representation of Monogenic Components: with Application to Automatic Target Recognition in SAR imagery. 2014 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), 2014, 549-552, Quebec, Canada.
[2] Ganggang Dong, Hongwei Liu, Bo Jiu, Jibin Zheng, Junkun Yan, Target Recognition in Sar Image via Sparse Representation in Transformed Domain, IGARSS 2019-2019 IEEE International Geoscience and Remote Sensing Symposium, 2019, 28 July-2 Aug. 2019, Yokohama, Japan
[3] Ganggang Dong*, Gangyao Kuang, Linjun Zhao, Jun Lu, Min Lu. Nonnegative and Local Linear Regression for Classification in SAR Imagery. 2014 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), 2014, 1702-1705, Quebec, Canada.
[4] Ganggang Dong*, Na Wang, Canbin Hu, Yongmei Jiang. SAR image segmentation combining the PM diffusion model and MRF model. 2012 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), 2012, 4307-4310, Munich, Germany.
*******************************************************************************************************************************************
第二及以上作者合作SCI论文9篇
[1] Siqian Zhang*, Ganggang Dong, Gangyao Kuang. Matrix Completion for Downward-Looking 3-D SAR Imaging With a Random Sparse Linear Array. IEEE Transactions on Geoscience and Remote Sensing, 2018, 56(4): 1994-2006, April.
[2] Siqian Zhang*, Ganggang Dong, Gangyao Kuang. Super-Resolution Downward-Looking Linear Array Three-Dimensional SAR Imaging Based on Two-Dimensional Compressive Sensing. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2016, 9(6): 2184-2196, June.
[3] Siqian Zhang*, Yutao Zhu, Ganggang Dong, Gangyao Kuang. Truncated SVD-based compressive sensing for downward-looking three-dimensional SAR imaging with uniform/nonuniform linear array. IEEE Geoscience and Remote Sensing Letters, 2015, 12(9): 1853-1857, September.
[4] Meiting Yu*, Ganggang Dong, Haiyan Fan, Gangyao Kuang. SAR Target Recognition via Local Sparse Representation of Multi-manifold Regularized Low-rank Approximation. Remote Sensing, 2018, 10(2).
[5] Xiaoqiang Zhang*, Ganggang Dong, Boli Xiong, Gangyao Kuang. Refined Segmentation of Ship Target in SAR Images based on GVF Snake with Elliptical Constraint. Remote Sensing Letters, 2017, 8(8): 791-800.
[6] Dongdong Guan, Deliang Xiang, Ganggang Dong, Tao Tang*, Xiaoan Tang, Gangyao Kuang. SAR Image Classification by Exploiting Adaptive Contextual Information and Composite Kernels, IEEE Geoscience and Remote Sensing Letters, 2018, 15(7): 1035-1039, July.
[7] Meiting Yu*, Siqian Zhang, Ganggang Dong, Linjun Zhao, Gangyao Kuang, Target recognition in SAR image based on robust locality discriminant projection, IET Radar, Sonar & Navigation, 2018, 12(11): 1285-1293, November
[8] Xiangli Huang, Kefeng Ji, Xiangguang Leng, Ganggang Dong, Xiangwei Xing, Refocusing Moving Ship Target in SAR Images based on Fast Minimum Entropy Phase Compensation, MDPI Sensors, 2019, 19(5): 1154, March.
[9] Xiaoqiang Zhang*, Boli Xiong, Ganggang Dong and Gangyao Kuang, Ship Segmentation in SAR Images by Improved Nonlocal Active Contour Model, MDPI Sensors, 2018, 18(12), 4220, December

广义解析信号

f_m(x,y)=f(x,y) - (i,j)f_R(x,y)

黎曼流形

整体感知

Dempster-Shafer证据理论

贡献之一：合成孔径雷达回波数据的广义解析信号表示与稀疏建模
问题描述：
利用回波数据分析与描述散射特性是目标识别的关键。传统方法通常对幅度数据进行图像分割，从背景杂波中分离目标区域与雷达阴影，据此设计目标（或阴影）点、线、区域、形状等视觉特征描述方法。作为相干成像雷达， SAR图像遍布斑点噪声，它服从乘性统计模型，目标掩没于相干斑随机分布的背景杂波之中，与光学图像相比，信噪比很低，角点、轮廓、区域等几何结构很模糊，且乘性噪声环境的图像分割本身仍是公开的难题，因此所设计的特征仅仅适用于特定任务或数据集，很难进行推广和扩展。
解决方案：
针对这些问题，我们将回波数据视为周期无限长的能量有限信号，利用带通滤波器组进行频谱延拓，借助距离向与方位向二维等向希尔伯特变换即里斯变换构造回波数据的广义解析信号，即单演信号，在不同尺度空间对目标散射现象进行表示，挖掘原始信号蕴含的能量、结构、几何等局部信息，利用统计学习理论将局部信息融合于欧氏空间和希尔伯特空间，提高决策的稳健性和可靠性。
科学意义：
首次提出构造高维空间广义解析信号对目标散射特性进行分析和描述，构建稀疏模型进行决策，提出非约束条件下目标识别的新策略和新途径。

贡献之二：解析信号分解非线性流形稀疏建模与学习
问题描述：
利用距离向与方位向的希尔伯特变换多维等向广义扩展构造回波数据的高维解析信号，通过信号分解获取多组分量分别代表原始信号不同类型局部信息，若将多种信息融合于数据空间或再生核希尔伯特空间，这种“硬”组合模式存在不同程度的信息损失，从而影响后续判决的可靠性。
解决方案：
为了改进信息融合效率进而提高判决可靠性，我们以拓扑几何理论为指导，对广义解析信号分解获取的结构化数组进行子空间线性变换，构造非欧几何空间，赋予黎曼度量将线性子空间集提升为流形，定义流形距离量化元素之间的相似性，有效改进因成像环境变化等扰动对判决的影响，提高决策的稳健性。实验表示，非欧流形表示方法能有效应对随机噪声和雷达俯仰角变化造成的不利影响。
科学意义：
首次提出广义解析信号诸分量的非线性流形建模，通过构造子空间线性变换将解析信号结构化表示提升为流形元素，根据定义的流形距离度量样本的相似性，为高维信号多分量联合判决提供了新的解决方案。

贡献之三：面向目标识别的知识辅助神经网络
问题描述：
近年来，以卷积神经网络为代表的深度学习方法采用端到端数据驱动的模式高效地学习高级抽象特征，辅以ImageNet、 COCO 等大型数据集，取得巨大成功。部分****围绕着雷达图像开展了尝试性研究，但并没有与实际任务背景进行结合、提出针对性的改进方案，只是沿用经典模型框架，因而没有坚实的理论基础，同时受限于样本数量对扩展工作条件的效果不佳。经典模型将卷积、激活、池化等运算按一定拓扑结构堆叠起来，需要大量标记样本以误差反向传播的方式训练模型参数，对于标记样本获取成本高昂、且样本数量有限的雷达目标识别问题，容易出现过拟合；另一方面，滑动卷积的感知模式过于强调精细化的局部感知特征，忽视了信号的整体结构信息。
解决方案：
通过分析经典的感知模式，结合实际任务场景，我们提出将传统方法与深度学习相结合的思路，借鉴传统目标识别方法的导向性特征表示，着眼于任务场景实际提出知识辅助神经网络，将知识辅助预定义感知和样本训练自适应感知相结合，实现距离向、方位向和频率的时频维度联合感知，兼顾特征学习的导向性与普适性，利用有限的训练样本实现高效的抽象特征表示。
科学意义：
首次提出面向雷达目标识别的知识辅助神经网络，将深度学习方法置于具体任务背景之中，将经验知识预定义感知与训练样本自适应感知相结合，构建扁平化神经网络模型，开创了传统方法与深度学习相结合的新思路。

贡献之四：变换域稀疏建模和样本加权决策规则
问题描述：
稀疏表示一直以来都是贯穿信号处理发展的主线，从早期的短时傅立叶变换到上世纪九十年代的小波变换、多尺度分析，再到后来的压缩感知和近年来的深层神经网络，无不遵循该原则。随着压缩感知理论的兴起，研究人员提出了基于稀疏表示的分类方法，利用训练样本构造过完备字典，对测试样本进行线性表示，通过搜寻最稀疏表示进行模式分类。该方法假设同类别样本构成一个线性子空间，源自于该类的未知样本与该类样本构成的子空间距离最近，其前提是有足够多与测试样本精确配准的训练样本构成线性子空间。经检测、鉴别之后保留的未知目标概略位于切片图像中心，但很难与训练样本精确对齐，若直接对切片图像进行稀疏建模很难取得理想的效果；此外，理想模型很难适应目标结构变化、传感器测量误差、随机噪声污染等扰动因素。
解决方案：
为了应对空间位置模糊与各种扰动因素，我们提出变换域稀疏建模，借助调和分析工具将原始信号投影到频域，信号能量集中在很少部分频谱分量，这部分频谱能有效区分不同类型目标的散射现象，且满足平移不变，据此提出变换域稀疏建模，根据未知样本频谱与各子空间的距离进行判决；另一方面，经典的稀疏表示分类依据样本到子空间的距离进行决策，实质是贝叶斯“硬” 决策，忽略了子空间内部各元素对距离度量的贡献，对此提出了一种证据 “软” 决策的思路，在定义样本与子空间的距离时充分考虑子空间内部元素与未知样本之间的差异信息，有效改进决策的可靠性。
科学意义：
我们从样本到流形距离的角度分析了稀疏表示在雷达图像目标识别中的应用可行性，据此提出了变换域稀疏模型和样本加权“软”决策规则，针对特定分类问题提出具体的解决方案。

招生要求
本人主要研究方向是：
1. 遥感图像解译，包括但不局限于SAR图像目标识别与检测，图像处理，变化检测，图像检索;
2. 深度学习和机器学习，包括但不局限于CNN、Transfer Learning、RNN等；
3. 微分流形和调和分析，包括Riemannian manifolds, Grassmannian manifolds构建与学习。
每年有数名硕士招生名额，欢迎有志于相关方向学习与研究的同学与我联系，可提供芬兰奥卢大学、法国格勒诺贝尔理工学院等校学习机会。
具备较强英语读写能力和扎实的数学基础功底；
优先考虑有发表于中文核心以上期刊论文的学生；
优先考虑有CV编程基础者的学生；
优先考虑有过Kaggle、天池及国际国内会议各种赛道数据挑战赛经历的学生。
欢迎有志于遥感图像解译的我校本科生来组里学习，提前步入科研之门。
2021届名额已满。请2022届有意向的学生与我联系。

Profile
Name Title
Department:

Contact Information
Address:
Email:
Tel:

Introduction
Put brief introduction of yourself here

Research Interests
1．
2.
3．
4．
5．

Research
目前研究团队承担的科研项目：

Papers
[1]
[2]
[3]
[4]
[5]
[6]
[7];
[8]
[9]

Honors
点击网页顶部“添加栏目”可以添加其他栏目
把鼠标放在栏目标题处，尝试拖动栏目。

Team
团队教师

博士研究生
硕士研究生

Teaching
目前本人承担的教学任务：

课件下载示例

Admission
~~~~~~~~~~~~~~~~~~~~~~~~~~
关于研究生招生的信息：
~~~~~~~~~~~~~~~~~~~~~~~~~~