您现在所在位置: 首页 >> 科学研究 >> 科研动态 >> 正文

我院脑与人工智能研究团队三获顶级国际学术奖

2023年03月29日 22:25  点击:

原文:自动化学院脑与人工智能研究团队三获顶级国际学术奖

3月24日,IEEE地球科学与遥感学会(IEEE GRSS)论文奖励委员会主席Antonio J. Plaza教授发来贺电,祝贺自动化学院脑与人工智能研究团队程塨、韩军伟教授等人合著的论文[1]获得2023年度IEEE地球科学与遥感学会最高影响力论文奖(IEEE GRSS Highest Impact Paper Award)。该奖项由IEEE地球科学与遥感学会设立,是遥感领域最有影响的论文奖项之一,每年颁发1次,从1.2万余篇论文中评选而出,旨在奖励过去5年发表在IEEE GRSS主办的3个SCI期刊上(IEEE TGRS/JSTARS/GRSL)引用次数最多、影响力最高的学术论文(received the highest number of citations and impact over the past 5 years)。西北工业大学是这篇论文的唯一署名单位。

这是该研究团队近三年第三次斩获顶级国际学术奖。论文[2]获得2021年度IEEE地球科学与遥感学会最有影响力论文奖(中国科研机构独立完成工作首次获奖),论文[3]获得多媒体领域顶级国际期刊《IEEE电路系统视频技术汇刊》(IEEE TCSVT)2021年度最佳论文奖(设奖30年来第二篇中国科研机构独立完成工作获奖)。

光学遥感图像理解是服务军事国防、应急搜救、防灾减灾、资源调查等国家重大需求的一项关键技术。然而,光学遥感图像理解面临着目标难辨识、场景难理解等挑战,严重阻碍了遥感大数据智能分析和知识转化。针对目标辨识面临的方向多变、特征耦合问题,论文[2]首次提出了旋转不变卷积神经网络,实现了从常规神经网络解耦出鲁棒的旋转不变特征,将目标检测精度提升约18%;论文[3]提出了图像判别特征学习和分类器训练联合优化的协同目标检测计算框架,克服了目标多样性和前景-背景相似性带来的严峻挑战。针对场景理解面临的谱物混淆和语义歧义问题,论文[1]提出了自主学习的深度度量学习框架,实现了神经网络训练、不可分样本判断、难例挖掘、度量准则学习和模式决策的统一,将场景理解精度提升约15%。相关技术成果被XX部队、航天四院17所、航天三院三部等单位10余批次采购,应用于多个重要任务和国土资源调查等,取得了突出的军事效益和社会效益。


附:获奖论文信息

[1]. G. Cheng, C. Yang, X. Yao, L. Guo, J. Han*. When deep learning meets metric learning: remote sensing image scene classification via learning discriminative CNNs. IEEE Transactions on Geoscience and Remote Sensing (TGRS), 2018. (谷歌学术引用991次,2018年中国百篇最具影响国际学术论文奖,2023年度IEEE地球科学与遥感学会最高影响力论文奖)

[2]. G. Cheng, P. Zhou, J. Han*. Learning rotation-invariant convolutional neural networks for object detection in VHR optical remote sensing images. IEEE Transactions on Geoscience and Remote Sensing (TGRS), 2016. (谷歌学术引用1375次,2021年度IEEE地球科学与遥感学会最高影响力论文奖)

[3]. J. Han, G. Cheng*, Z. Li, D. Zhang*. A Unified Metric Learning-Based Framework for Co-Saliency Detection. IEEE Transactions on Circuits and Systems for Video Technology (TCSVT), 2018. (谷歌学术引用204次,2021年度最佳论文奖)


撰稿:程塨 

审核:韩军伟


上一条:航空工业兰州万里航空机电有限责任公司调研我院 下一条:汇川技术公司来我院交流

版权所有Copyright © 2020 西北工业大学自动化学院