语义分割

语义分割是一种典型的计算机视觉问题，其涉及将一些原始数据（例如，平面图像）作为输入并将它们转换为具有突出显示的感兴趣区域的掩模。 现如今，语义分割在自动驾驶、城乡规划、辅助医疗、质量检测等领域有着广泛的应用。 并且经过团队近几年的努力，已经在IEEE TGRS、IEEE GRSL、Neurocomputing等国际知名期刊上发表了成果。

语义分割示意图

高光谱遥感影像语义联合编解码

高光谱影像是丰富的空间和光谱信息的载体，如何在海量的数据中高效的解译遥感影像是一项意义重大的课题。 传统的高光谱影像处理是先将星（机）载拍摄的影像进行编码，传输至星（机）下环境对解码重建后的影像再进行处理分析。 然而有损编解码操作必然造成的不可逆的影像信息损失，显然，传统方案的研究流程繁复而低效。 基于以上，在深度学习框架下突破常规的图像压缩和语义分析研究思路，研究端到端的融合算法，实现协同处理高效低耗的高光谱影像语义联合编解码方案， 同时探索适合部署于小型物联网设备模型迁移学习方案。

高光谱图像语义联合编解码示意图

行人重识别（Re-ID）

安全是关系到国计民生的重要问题，目前公共场所布控的广泛监控摄像头为各类事件预警以及关键信息搜集和提取提供了可靠来源。 本研究组致力于利用计算机视觉技术构建一个自动化、智能化的监控系统，而行人重识别（Re-ID）技术是组成该系统的重要环节。 如下图所示为典型的行人重识别应用，其主要目标是在视角不相交的摄像头下实现行人检索，即当行人在一定时间间隔内通过若干不同位置的摄像头时， 识别出不同摄像头下出现的同一个人。目前Re-ID主要用于刑侦，人员查找等工作上。 在现实中往往很难抓拍到清晰的行人正面照， 因此相较于人脸识别，Re-ID有着更加广阔的应用场景。如上图所示，这些照片是使用检测技术直接从原始摄像视频中截取出来的帧， 由于行人相对摄像头的距离与角度差异和机器成像效果等因素影响，面部细节信息并不丰富，因而难以应用人脸识别技术。而Re-ID面向现实场景， 可以有效解决实际应用中跨设备、跨场景的问题。 最近几年计算机视觉研究中Re-ID受到广泛关注，就各大顶级会议的论文发表情况而言， 大有此前人脸识别的研究热度。深度学习是Re-ID的主要研究方法，它与计算机视觉领域常规的识别任务、检测任务、分割任务以及姿势估计均有关联。 快来加入我们一起构建一个更加智能与安全的未来吧！

Re-ID技术在武汉大学视频监控中的应用实例图