时间：10月13日下午13：30-15：00

地点：勤园21-304

报告摘要：

深度卷积神经网络(Deep Convolutional Neural Network, DCNN)是当前数字图像分析中的最实用方法之一。卷积运算能获得图像的局部特征，结合其深层的结构，DCNN提供了一种能自动抓取不同类型图像特征信息的机制。从科学计算的角度来讲，这是一种多尺度算法所具有的一般特点。

  在这个报告中，我将介绍在最近研究工作中的一些结果和观点：利用DCNN的多尺度特性，能进一步提高网络模型的性能。通过考察这种多尺度机制在X光胸片小目标检测、基于MR/CT图像的肿瘤检测以及道路图像的语义分割等问题中的应用来验证我们的结论。此外，将结合上述应用讨论如何从数字影像原片入手开展基于深度学习技术的课题研究。

相关文章：

[1] Hu X, Liu Z, Zhou H, Fang J, Lu H . Deep HT: A deep neural network for diagnose on MR images of tumors of the hand. PLoS ONE 15(8): e0237606. 2020

[2] Dingding Yu, etc., Detection of peripherally inserted central catheter (PICC) in chest X-ray images: A multi-task deep learning model. Computer Methods and Programs in Biomedicine 197, 105674. 2020.

[3] Dingding Yu, Xianliang Hu and Kewei Liang, A Two-scaled Fully Convolutional Learning Network for Road Detection. To appear in a IET Research Journal.

报告人简介：

胡贤良，浙江大学数学科学学院副教授，博士生导师，主要从事非线性偏微分方程的样条有限元方法，图像恢复等研究。