深度学习暑期科研项目（8周发EI论文）
哈尔滨工业大学博士的六大选题
对本科生而言，越早接触系统的科研训练开始上手科研项目，就越能在未来的升学求职中占据很大的优势。暑假是提升个人简历、丰富科研经历的最佳时期！哈尔滨工业大学博士师兄也会在8月1日开始带大家上手科研项目，并撰写发表EI会议论文。
个人简介
哈尔滨工业大学控制科学与工程专业博士研究生，研究方向:
- 多模态图像融合与其他计算机视觉任务结合（图像增强、目标检测、语义分割等）
- 多模态图像配准、图像去噪
承担多项省重点研发计划课题部分内容，累计发表学术论文3篇。研究成果发表于
4. 《IEEE Transactions on Circuits and Systems for Video Technology》
5. 《IEEE Transactions on Instrumentation and Measurement》
科研选题
01 语义驱动的红外和可见光图像融合方法
02 照明退化条件下的红外和可见光图像融合方法
03 Transformer-CNN双分支结构的图像融合方法
04 无监督图像低光照增强与去噪方法研究
05 轻量化多模态图像融合方法研究
06 轻量化低光照增强方法研究
01 基于改进卷积神经网络的复杂场景图像实时识别研究
语义驱动的红外和可见光图像融合方法通过结合红外图像的热辐射特征与可见光图像的纹理细节，并利用语义信息指导融合过程，能够有效克服传统方法中语义信息缺失导致的特征冗余或关键目标弱化问题。使得生成的融合图像不仅仅可视化效果良好，并且更加有利于下游高级视觉任务的性能提升。
自适应的语义驱动机制突破了传统像素级或特征级融合的局限性，推动了多模态数据融合向智能化、任务导向化方向发展
创新点
1.语义信息引导融合：利用高级语义信息（如目标轮廓、场景理解）动态优化融合过程，避免关键目标信息丢失。
2.自适应特征融合机制：根据图像内容自动调整红外与可见光特征的融合权重，提升融合结果的鲁棒性。
3.下游任务协同优化：融合结果直接服务于高级视觉任务（如目标检测），确保融合图像不仅视觉效果更优，且实用性更强。
02 照明退化条件下的红外和可见光图像融合方法
针对夜间光照不足导致的图像退化问题，提出了一种专门的融合方法，通过增强图像的亮度和对比度，让夜间的融合图像也能清晰可见，特别适合安防监控等领域。
能够显著提升夜间融合图像的可见性和对比度提供更优的可视化效果。
03 Transformer-CNN双分支结构的图像融合方法
结合Transformer和CNN的双分支结构，既能利用Transformer的全局特征提取能力，又能发挥CNN的局部特征提取优势，让融合后的图像细节更丰富，效果更出色。
04 无监督图像低光照增强与去噪方法研究
传统的深度学习方法往往需要大量的带有标注（如高质量-低质量图像对）的数据，而无监督方法无需人工标注，可以从未配对的数据中学习，从而降低数据准备成本。
无监督的低光增强与去噪方法能够减少模型对特定数据的依赖，进一步提升模型在不同场景的泛化能力。
以往的方法仅仅考虑了提升低光图像的可见性和对比度，忽视了噪声的强烈干扰。通过提出的无监督去噪方法，能够进一步提升增强图像的视觉质量，并提升增强图像在下游任务上的表现。
05 轻量化多模态图像融合方法研究
多模态图像融合能够将不同模态源图像的互补信息整合到一张图像当中，以实现更加完善的场景表示。以往的多模态图像融合方法计算量较大，难以部署到资源受限的设备（无人机、移动终端或者边缘计算设备上）。轻量化方法通过模型优化、网络剪枝、量化等方式，减少对计算资源的需求，提高推理速度。
图像融合本身就是一个图像预处理任务，较大规模的模型难以在实际生产中应用。轻量化图像融合方法具有较高的工程意义。
06 轻量化低光照增强方法研究
低光照增强方法旨在提升低光图像的可见性和对比度，一方面需要提升可视化效果，另一方面需要提升其他计算机视觉任务的性能。因此，在整个计算机视觉系统中不能占用太多计算资源，轻量化低光照增强方法十分有必要。
一方面，轻量化设计通过引入相关物理模型等先验知识减少网络学习难度达到轻量化的目的。另一方面，可以引入一些轻量化模型设计，实现降低计算成本和更高效的增强效果。
🌟 项目亮点
博士师兄指导，系统学习深度学习前沿技术，不是"跑通demo"的浅尝辄止，而是从0到1完整经历：文献精读→模型创新→实验设计→论文写作！
把握好暑期科研机会，用1个月时间，从科研小白到写出一篇高质量科技论文~