XAI

# 研究方向

大数据约简

先进传感器和科学模拟计算往往会产生大量的数据。为了提升大数据的存储和传输效率，减轻数据处理和分析的负担，需要对数据进行约简。常见的约简的方法有数据压缩、压缩感知、特征提取和数据代理。其中，基于深度学习的数据压缩方法具有高压缩率和高精度的特点，既是科研界的新兴热点方向，具有较高的潜力和广泛的应用价值，也是本组同学重点攻克的难题。

可视分析+可解释性

随着深度学习方法在越来越多的领域成为有力工具的同时，领域专家对于其过程的可解释性需求也日益迫切。因此，将直观的可视分析方法应用于深度学习过程的可解释性增强成为了一个很有前景的方向，该领域致力于将深度学习各环节重要信息直观展示，供领域专家分析，进而实现对于深度学习过程的直观理解。

AI几何建模

得益于深度学习在图像生成上的发展，几何建模与AI技术结合为科学计算可视化提供了新方法。训练深度神经网络可自动从数据中学习几何特征与模式；强化学习可自动调整几何模型参数以实现最佳可视化效果；机器学习可识别数据模式并将其表示为复杂几何图形。AI+几何建模的可视化方法准确反映数据本质特征，提供丰富信息，助于分析和洞察大量复杂数据。

无监督图像分割

无监督图像分割是计算机视觉领域的一个重要课题，它打破了训练数据的局限，拓展了应用场景。然而，现成的聚类方法简单地依赖于语义概念和不完整的边界线索，这导致了对象边界的不正确分割。因此，引入多层特征提取网络等技术，将低级和高级特征相结合进行聚类，并从局部和全局角度获得像素的初始标签，从而提供拟合良好的边界线索，可以有效提升聚类精度和分割效果。

遥感图像语义分割

随着航空航天技术和传感器技术的快速发展，研究人员可以轻松收集大量高质量的遥感图像，这些遥感图像可以反映生态环境状态和人类活动痕迹。对遥感图像进行语义分割可以应用到多种具有实际意义的领域中如城市规划，植物识别、植物病害识别、杂草检测、作物类型分类、农作物计数、自然灾害建模、土地覆盖分类等。

可视分析+不确定性

数据可视化已经是有效传达大量信息的常用方法之一，用户相信可视化并依靠其制定决策。然而不确定性伴随数据而来，是数据科学与分析中普遍存在且频繁出现的现象，无法在可视化中传达不确定性将可能导致决策错误。不确定性可视化应运而生，其目标是最大限度地减少判断错误并尽可能准确地表示信息，帮助用户深入了解数据，实现更准确高效的决策。

数据可视分析

数据可视分析是一种通过利用图表、图形和可视化技术来解释和揭示数据中隐藏信息的方法。在面对大规模而复杂的数据集时，数据可视分析提供了一种直观的探索和发现数据中潜在模式、趋势和关联的方式。这种方法为分析师提供了一种灵活且动态的手段，能够生成和验证假设，并从中提取有意义的洞察，以满足在模糊假设或不确定任务下的数据探索需求。

物理增强的海洋计算模型

人工智能方法获得成功的关键在于从大量数据中学习。然而某些情况下，这种数据驱动方式可能使人工智能模型达到性能瓶颈或者产生难以令人满意的结果。最明显的情况是，没有足够的数据来训练性能良好且足够通用的模型。另一个情况是模型结果可能不满足物理规律给出的约束。将物理约束引入人工智能模型，使模型同时学习数据和物理知识，能够有效解决以上问题。

基于深度学习的场景文本定位与识别

在今天的数字化、智能化社会背景下，大量的文本信息被嵌入到实际环境和多媒体内容中，这些文本信息在场景理解、产品搜索、自动驾驶等广泛的实际应用中发挥着越来越重要的作用。由于场景文本的独特性质，如在颜色、尺度、方向、纵横比、图案等方面的显著变化，大大增加了定位与识别的难度。随着深度学习的发展，高效准确地从各种场景中自动定位和识别这些文本信息成为一项重要的技术需求。

高精度可解释AI框架

近年来，人工智能技术由于其出色的拟合能力，已被广泛应用于海洋学等研究领域中。然而，拟合能力越强的模型背后往往是更为复杂的模型结构，这导致了对于模型运算机理进行解释的困难。通过引入因果推理、概念漂移检测、基于规则的算法以及经典事后可解释分析方法，能够在保持高精度的情况下实现全流程可解释。

# 论文成果

PTF-Net: Pseudo-Temporal Feature Fusion Network for Bi-Temporal Semantic Change Detection

IJCAI-2026 CCF-B

作者：2024级研究生董欣

摘要：Bi-temporal Semantic Change Detection (SCD) is a fundamental analytical framework for capturing state transitions across various domains, with remote sensing being a key application area in this work.... 展开

# 研究方向

# 论文成果

PTF-Net: Pseudo-Temporal Feature Fusion Network for Bi-Temporal Semantic Change Detection

PaperDraw: Intelligent generation system for scientific publications pipeline diagrams

CollMatch: semi-supervised remote sensing image semantic segmentation via collaborative perturbation

AttIW-Net: Attention-Driven Extraction of Ocean Internal Waves From SAR Images With Frequency Enhancement and Morphological Adaptation

CauseHSI: Counterfactual-Augmented Domain Generalization for Hyperspectral Image Classification via Causal Disentanglement

WaveletHSI: Direct HSI Classification from Compressed Wavelet Coefficients via Sub-Band Feature Extraction and Fusion

Unsupervised Domain Adaptation Semantic Segmentation of Remote Sensing Images With Mask Enhancement and Balanced Sampling

HF-T2CR:High-Fidelity Thin and Thick Cloud Removal in Optical Satellite Images through SAR Fusion

SemID: Blind Image Inpainting with Semantic Inconsistency Detection

Cold-start visualization recommendation driven by large language models for ocean data analysis

Semi-Template Retrosynthesis Prediction with 3D Spatial Structures and Reaction Center Disconnection Rules

LCMorph: Exploiting Frequency Cues and Morphological Perception for Low-Contrast Road Extraction in Remote Sensing Images

ASTMEN: an adaptive spatiotemporal and multi-element fusion network for ocean surface currents forecasting

Collision-free Parking Recommendation Based on Multi-agent Reinforcement Learning in Vehicular Crowdsensing

Differentiable Double Clustering with Edge-aware Superpixel Fitting for Unsupervised Image Segmentation

A High-Precision Interpretable Framework for Marine Dissolved Oxygen Concentration Inversion

FCCText: frequency-color complementary bistream structure for scene text detection

Human-like Cognition: Visual Features Grouping for Hard-to-group Text Dataset