背景： 随着3D扫描技术的普及和发展，大量的三维点云数据被广泛应用于计算机视觉、机器人技术、虚拟现实等领域。然而，点云数据的处理和分析面临着诸多挑战，包括噪声、不规则采样、形状不确定性等问题。深度学习技术的崛起为解决这些问题提供了强大的工具，能够从点云中学习复杂的特征，实现更准确、高效的点云处理与分析。

科研方向： 本科研方向旨在探索利用深度学习技术对3D点云进行处理和分析。通过构建深度学习模型，该方向旨在提高点云数据的特征提取、分类、分割等任务的准确性，并推动点云在工程、医学、地理信息系统等领域的广泛应用。

关键研究：

点云特征学习： 设计深度学习模型，能够从点云数据中学习鲁棒的局部和全局特征，以提高点云的表达能力和信息提取效率。

点云分类与识别： 利用深度学习技术，实现对点云中物体的自动分类和识别，推动3D场景理解和感知的发展。

点云分割与重建： 研究深度学习模型，用于点云的语义分割和重建，提高点云数据在建模和可视化方面的质量。

点云对齐与匹配： 探索深度学习在点云对齐和匹配问题上的应用，提高多源点云数据的一致性和配准精度。

噪声和不确定性处理： 研究处理点云数据中的噪声和不确定性的深度学习方法，提高点云数据的稳健性和鲁棒性。

意义与前景： 基于深度学习的3D点云处理与分析是促进3D感知技术发展的重要方向。该研究方向不仅有助于提高对真实世界中复杂场景的理解能力，还为自动驾驶、机器人导航、虚拟现实等领域的应用提供了技术支持。随着深度学习技术的不断进步，这一领域有望在实际工程和科研应用中取得更多创新成果。

研究背景：    医学图像处理与分析在现代医学领域中扮演着至关重要的角色。随着医学影像获取技术的飞速发展，大量医学图像数据涌现，如CT、MRI、X光等。然而，如何高效地处理和分析这些复杂的医学图像数据，为医学诊断和治疗提供更精准的支持，成为当前医学科研的热点之一。

科研方向： 本科研方向旨在深入研究并利用深度学习技术，对肺部、脑部等医学图像进行高效处理与精准分析，帮助医生更准确地定位病变、诊断疾病，并提供个性化的治疗方案。

关键研究：

图像分割与标注： 利用深度学习技术对肺小结节、脑部医学图像进行精准分割，提取感兴趣区域，为后续疾病诊断和治疗方案设计提供有力支持。

疾病诊断与分类： 基于深度学习算法，建立医学图像与疾病之间的关联模型，实现疾病自动诊断与分类，为医生提供辅助决策。

多模态图像融合： 结合不同医学影像模态，通过深度学习实现多模态图像的融合与综合分析，提高医学信息的全面性和准确性。

数据增强与迁移学习： 针对医学图像数据相对有限的问题，探索数据增强和迁移学习等方法，提高深度学习模型的泛化能力和适应性。

可解释性与模型解释： 研究深度学习模型的可解释性，使医生能够理解模型的决策过程，提高医学图像处理结果的信任度。

意义与前景： 通过深度学习技术在肺小结节等医学图像处理与分析领域的研究，将加速医学科研与临床实践的融合，提高医学图像的处理效率和分析准确性，为疾病的早期筛查、定量分析和个性化治疗提供更为可靠的支持，有望在医学影像学、放射学和临床医学等多个领域取得创新性成果。

已有成果：

1.基于注意力机制和残差网络的肺小结节分类方法，国家发明专利已申请(SHLG2198P)，殷淑雅，王文举，叶芳，陈怡楠，朱琳，于红，单位：上海理工大学，上海胸科医院

2.基于3D DIRLEAN的肺小结节良恶性分类方法，国家发明专利已申请（SHLG2199P），叶芳，王文举，殷淑雅，朱琳，陈怡楠，于红，单位：上海理工大学，上海胸科医院

3.深度学习注意力模型的肺小结节良恶性检测软件V1.0，申请人：上海理工大学，已申请(2023R11L2416107)

4.基于加宽倒置残差注意力网络模型的肺小结节良恶分类器软件V1.0，申请人：上海理工大学，已申请(2023R11L2416069)

科研背景： 计算光谱成像是一种利用计算方法对光谱信息进行重构和分析的先进技术。光谱成像在许多领域，如生物医学、环境监测和农业等方面都具有广泛的应用。深度学习技术的快速发展为计算光谱成像提供了新的可能性，可以通过学习复杂的光谱特征，实现更准确、高效的光谱图像处理。

科研方向概述： 本科研方向致力于利用深度学习技术对计算光谱成像进行更加精细和智能的处理。通过深度学习模型的训练和优化，实现从光学信号到高质量光谱图像的重建和分析。

关键研究：

光谱图像重建： 利用深度学习技术，对损失、噪声等问题进行建模，提高计算光谱成像的重建质量，以获取更真实和准确的光谱信息。

光谱特征学习： 设计深度学习模型，能够自动学习和提取光谱中的关键特征，包括但不限于峰值、波形、谱线形状等，从而提高光谱分析的准确性。

多模态信息融合： 探索将光学信号与其他传感器获取的信息进行融合，如红外、热成像等，以增强计算光谱成像的多样性和全面性。

实时光谱分析： 优化深度学习模型，使其能够在实时场景中进行光谱成像处理，满足对实时监测和反馈的需求。

异常检测与分类： 利用深度学习进行异常光谱模式的检测与分类，提高计算光谱成像在故障检测、医学诊断等领域的应用能力。

意义与前景： 基于深度学习技术的计算光谱成像研究将推动光学成像领域的技术进步，实现更高效、更智能的光谱信息获取和分析。该研究方向有望在医学、环境监测、食品安全等领域产生重要影响，为光学成像技术的发展和应用带来新的突破。

      我们课题组希望深度学习支持的从单幅RGB图像进行光谱重建的技术能够在现实任务中得到更多的应用。但目前仍存在一些问题，这是我们课题组未来的研究重点方向。