题目：基于特征补充的半监督显著性目标检测方法研究

报告人：郑忠龙

时间：2025年06月03日(周二)，15：00-16：00

会议地点：31-904

报告摘要：

显著性目标检测通过模拟人眼视觉注意力机制，定位图像中最具吸引力的区域并完成分割，是图像压缩、视频摘要、视觉跟踪等下游任务的基础。随着深度学习技术的广泛应用，基于大规模像素级标注的显著性目标检测模型其性能增益趋于饱和。现有的模型在简单场景中普遍表现优异，但对精细边界、低对比度、小目标等困难场景检测能力不足。为了应对这一局限，扩展标注数据成为最直观的方法。然而，这种方法会带来较高的标注成本与信息冗余。根据显著性目标检测的特性，本研究系统地总结了基于半监督学习的创新解决方案及其研究进展。通过特征解耦、伪标签增强与模型交替训练机制，本研究提出的方法突破了当前半监督模型的性能瓶颈与标注成本限制，为低资源场景下的视觉任务提供了新范式。未来将围绕多模态融合与时序建模进一步提升技术鲁棒性，推动显著性目标检测在智能感知、自动驾驶等领域的实际应用。

报告人简介：

郑忠龙，博士，教授，博导。浙江师范大学计算机学院院长。2005年博士毕业于上海交通大学，美国加州大学访问学者，浙江大学访问学者。研究兴趣为机器学习、计算机视觉、智联网等领域，主持了国家自然科学基金委项目5项及多项省部级项目，在IJCV、TIP、TVCG、TMM、ToN、ICML、AAAI等权威期刊与会议上发表论文80余篇。