本文共 599 字，大约阅读时间需要 1 分钟。
近年来，深度学习模型在各类任务中带来了显著的改进，引起了广泛关注。然而，这些进步在很大程度上是在有标签的监督环境下实现的，最初的研究重点也主要集中在传统的计算机视觉任务上，如视觉对象识别。
针对大尺寸和多模态图像的特殊应用需求，以及标记训练数据获取的难度，相关领域的研究相对鲜有。我的研究基于以下两个主要方面进行填补：首先，提出专门针对遥感和医学成像应用的分割方法；其次，结合医学影像等高影响领域缺乏标记数据的特点，提出四种无监督深度学习任务：领域适应、聚类、表征学习和零镜头学习。
在分割任务中，我们解决了类别不平衡、缺失数据模式和遥感不确定性建模等关键问题。基于像素连通性的思想，我们进一步开发了一种新型显著性分割方法，这是一个常见的预处理任务。通过将其建模为连通性预测问题，我们在保持模型简洁性的同时，取得了良好的性能。
此外，我们还开发了一种在医学成像领域中的无监督域自适应方法。研究中，我们引入了核方法思想与信息理论学习相结合的聚类方法，取得了显著成效。基于对数据表示的直觉，我们设计了一个核心化的自动编码器。最后，我们针对零镜头学习任务，提出了一种基于改进图卷积神经网络的知识传播方法，在21K类ImageNet数据集上实现了最佳性能。
这些研究成果为大尺寸和多模态图像处理提供了新的解决方案，也为医学影像分析领域带来了重要技术进步。
转载地址：http://cqap.baihongyu.com/