浙江工业大学 计算机科学与技术学院 计算机视觉研究所
我们研究的问题是：模型在更换采集对象、采集设备或采集时段之后为什么失效，以及如何避免失效。真实观测数据普遍存在三类缺陷：数据缺失、通道错位和分布不一致。手工预处理的参数只适用于调参时所用的那批数据，所以我们不靠手工预处理弥补这些缺陷，而是把它们的处理设计进模型本身，使模型表示输入的空间——即隐空间——不随采集条件变化。
当前方向：多模态约束的鲁棒脑电特征提取——训练时用钙成像、皮层脑电等微观神经记录约束脑电的隐空间，使脑机接口跨个体、跨时段保持可靠，而推理时只需脑电。
数据截至 2026 年 9 月。
以第一作者在 Nature Communications（2021）发表的读片研究，用生成对抗网络只改动钼靶影像中的病灶区域。合成影像使诊断模型对 69.1% 原本判断正确的病例给出错误诊断，5 位乳腺影像科医生的识别率为...
详细 →前馈网络中设计者能决定的只有网络架构、激活函数和损失函数三处。我们提出逐层自适应定制激活函数（IEEE TNNLS，2023，通讯作者）、冗余与缺失特征解耦网络 RMFDNet（Engineering Applications of AI，2025，第一作者）和非二值交并比损失（Expert Systems with...
详细 →多中心研究（eClinicalMedicine，2025，共同通讯作者；硕士生金辰为并列第一作者）用化疗前与化疗早期两次磁共振影像早期预测乳腺癌新辅助化疗疗效：孪生网络提取两个时间点的特征，Transformer 建模二者的时空交互。研究纳入 5 家中心 1044 例患者，3 个外部验证队列 AUC 为...
详细 →脑电信号个体差异显著，是脑机接口难以实用的瓶颈。博士生张坤坤提出面向运动想象脑电的掩码自监督对比学习框架（ICASSP 2025），其三个组件与三类数据缺陷一一对应；又提出在线测试时自适应方法，每来一段新脑电即在 40–60 毫秒内更新模型，在两个公开数据集上准确率分别提高 2.22% 和 3.67%（IEEE 仪器与测量汇刊，2026）。
详细 →
我们欢迎希望让人工智能模型在数据变化时依然可靠的学生、研究者和合作伙伴。欢迎来实验室学习、做研究，也欢迎带着临床、实验室或企业中的实际问题来与我们合作。