男，博士，副教授，硕士生导师。2019-2020年在澳大利亚悉尼科学大学访学。主要研究方向为计算机视觉、机器学习、深度学习和设备缺陷检测。主持福建省自然科学基金面上项目2项、福建省教育厅中青年教育科研项目1项；参与国家级、省部级和市厅级项目10余项。共发表学术论文30余篇，其中SCI收录近20余篇，EI收录3篇，核心期刊7篇；论文发表在IEEE Transactions on Cybernetics、IEEE Transactions on Multimedia、计算机研究与发展、IEEE Transactions on Neural Networks & Learning Systems、Knowledge-based systems、模式识别与人工知能、Pattern recognition letters等国内国际知名学术期刊。申请发明专利5项，授权发明专利2项；授权实用新型专利1项，软件著作权2项。曾获福建省科技进步二等奖、厦门市科技进步三等奖、2017年ICAST国际会议最佳论文奖等。
目前担任《IEEE Transactions on Cybernetics》、《IEEE Transactions on Neural Networks & Learning Systems》、《Knowledge-based Systems》、《Pattern recognition》、《Information Sciences》、《Neural Networks》、《International Journal of Machine Learning and Cybernetics》等国际期刊的审稿人。
Email:xdwangjsj@xmut.edu.cn
教育背景:
l 2019/08-2020/08，澳大利亚悉尼科技大学，人工智能中心RelER实验室，访问学者
l 2016/06-2019/01，朝阳科学大学，资讯学院，资讯管理学，博士
l 2007/09-2010/07，湖南大学，计算机与通信工程学院、计算机科学与技术，工学硕士
l 2003/09-2007/07，湖南大学，计算机与通信工程学院、计算机科学与技术，工学学士
工作经历:
l 2018/09-至今，厦门理工学院，计算机与信息工程学院，副教授
l 2013/01-至今，厦门理工学院，计算机与信息工程学院，讲师
l 2010/07-2012/12，厦门理工学院，计算机与信息工程学院，助教
讲授课程
l 《C语言程序设计》
l 《嵌入式临就业培训》
科研项目
l 横向项目,⼯业设备表面缺陷检测系统研发,30万, 2022.10-2024.3
l 横向项目,注射器缺陷检测算法研发,10万, 2020.10-2022.3
l 福建省自然科学基金面上项目,“基于分组冗余和动态权重衰减的神经网络加速方法研究” (2021J011186)，7万，2021.11-2024.11
l 福建省自然科学基金面上项目,“基于半监督多任务学习的图像标注方法研究” (2017J01511)，7万，2017.03-2020.03
l 福建省教育厅中青年教育科研项目,“基于稀疏图表示和特征选择的图像自动标注方法研究”(JA15385)，2万，2015.05-2018.05
l 海峡两岸合作项目，“基于离散-连续优化的多目标异常行为检测与跟踪方法研究” (E201400400)，4万，2014.12-2016.12
发表论文
[1]. Wang X D, Zheng Z, He Y, Yan F, et al. Progressive Local Filter Pruning for Image Retrieval Acceleration [J]. IEEE Transaction on Multimedia, 2023:1-12 SCI, JCR1 区
[2]. Wang X D, Wang Y(研究生), Xu X, et al. Two-stage deep neural network with joint loss and multi-level representations for defect detection [J]. Journal of Electronic Imaging, 2023: 1-21. SCI, JCR4区
[3]. Wang X D, Xu X(研究生), Wang Y, et al. A robust defect detection method for syringe scale without positive samples[J]. The Visual Computer, 2023: 1-17. SCI, JCR3区
[4]. Wang X D, Zheng Z, He Y, et al. Soft person reidentification network pruning via blockwise adjacent filter decaying[J]. IEEE Transactions on Cybernetics, 2022. SCI, JCR1区
[5]. Wang X D, Wu P(研究生), Xu Q, et al. Joint image clustering and feature selection with auto-adjoined learning for high-dimensional data[J]. Knowledge-Based Systems, 2021, 232: 107443. SCI,JCR1区
[6]. Yan F, Wang X D, Zeng Z, et al. Multi-view subspace clustering for high-dimensional data[J]. Pattern Recognition Letters, 2020, 130: 299-305. SCI, JCR3区
[7]. Wang X D, Chen R C, Yan F. High-dimensional Data Clustering Using K-means Subspace Feature Selection[J]. J. Netw. Intell., 2019, 4(3): 80-87. EI
[8]. Wang X D, Chen R C, Yan F, et al. Fast adaptive k-means subspace clustering for high-dimensional data[J]. IEEE Access, 2019, 7: 42639-42651. SCI, JCR3区
[9]. Wang X D, Chen R C, Zeng Z Q, et al. Robust dimension reduction for clustering with local adaptive learning[J]. IEEE transactions on neural networks and learning systems, 2019, 30(3): 657-669. SCI,JCR1区
[10].Wang X D, Chen R C, Yan F, et al. Semi-supervised adaptive feature analysis and its application for multimedia understanding[J]. Multimedia Tools and Applications, 2018, 77(3): 3083-3104. SCI, JCR3区
[11].Wang X D, Rung-Ching C, Hong C, et al. Unsupervised feature analysis with sparse adaptive learning[J]. Pattern Recognition Letters, 2018, 102: 89-94. SCI, JCR3区
[12].Wang X D, Chen R C, Yan F. Fast and robust K-means clustering via feature learning on high-dimensional data[C]//2017 IEEE 8th International Conference on Awareness Science and Technology (iCAST). IEEE, 2017: 194-198. EI
[13].Wang X D, Chen R C, Hong C, et al. Semi-supervised multi-label feature selection via label correlation analysis with l1-norm graph embedding[J]. Image and Vision Computing, 2017, 63: 10-23. SCI, JCR3区
[14].Wang X D, Chen R C, Yan F, et al. Semi-supervised feature selection with exploiting shared information among multiple tasks[J]. Journal of Visual Communication and Image Representation, 2016, 41: 272-280. SCI, JCR3区
[15].Wang X D, Zhang X, Zeng Z, et al. Unsupervised spectral feature selection with l1-norm graph[J]. Neurocomputing, 2016, 200: 47-54. SCI, JCR2区
[16].Zeng Z, Wang X D, Zhang J, et al. Semi-supervised feature selection based on local discriminative information[J]. Neurocomputing, 2016, 173: 102-109. SCI,JCR2区
[17].Zeng Z, Wang X D, Yan F, et al. Local adaptive learning for semi-supervised feature selection with group sparsity. Knowledge-based Systems, 2019, 181:104787. SCI, JCR 1区
[18].Zeng Z, Wang X D, Chen Y. Multimedia annotation via semi-supervised shared-subspace feature selection. Journal of Visual Communication and Image Representation, 2017,48:386-395. SCI, JCR3区
[19].王晓栋, 严菲, 洪朝群. 一种基于半监督多任务学习的特征选择模型[J]. 厦门大学学报 (自然科学版), 2017, 56(4).
[20].严菲, 王晓栋. 鲁棒的半监督多标签特征选择方法[J]. 智能系统学报, 2019, 14(4): 812-819.
[21].严菲, 王晓栋. 基于局部判别约束的半监督特征选择方法[J]. 模式识别与人工智能, 2017, 30(1): 89-95.
[22].Hong C, Chen X, Wang X D, et al. Hypergraph regularized autoencoder for image-based 3D human pose recovery[J]. Signal Processing, 2016, 124: 132-140.
[23].王晓栋, 严菲, 谢勇, et al. 基于稀疏图表示的特征选择方法研究[J]. 计算机工程与科学, 2015,37(12):2372-2378.
[24].郑鹭斌,王晓栋,严菲.一种基于线结构光的焊缝三维重建方法[J].激光与光电子学进展,2014,51(4):118-124
[25].田峥, 徐成, 米超, 李仁发, 王晓栋. 基于消失点和主方向估计的道路分割算法[J]. 计算机研究与发展, 2014, 51(4): 762-772.
[26].Xu H R, Wang X D, Zeng Z Q, et al. Data classification from the inverse n th power gravitation[J]. Science China Information Sciences, 2012, 55(1): 184-190. SCI,CCF A
[27].许华荣,王晓栋,方遒.基于B样条典线模型的结构化道路检测算法.自动化学报,2011,37(3):270-275. EI, CCF A
知识产权：
[1]. 基于Kinect的物体快速三维建模方法. ZL2013102412660, 2016.05.18, 发明专利, 授权, 排名第3
[2]. 结合多源特征学习和组稀疏 约束的无监督物体识别方法, ZL2018114716833, 2018.12.04, 发明专利, 授权, 排名第2
