课题研究图像显著性区域检测的深度学习方法，设计分类网络的中间层检测显著区域，使用图像级类别标签作为弱监督信息对分类网络进行训练，提取分类网络中间层特征作为预检测显著性结果。扩展分类网络为显著性全卷积网络，对预测显著性结果进行后处理、训练和再预测的迭代训练。...

本项目主要用于解决深度图去噪问题，通过引入图像的低秩特性和自相似特性提出了联合核范数与图模型的传统方法。提出的方法中首先通过流行学习提出了基于学习的图模型，其次采用了交替方向乘子分解算法（ADMM）进行凸优化求解联合方程，最后提出了一种总体正则化方法对去噪结果进一步优化。实验结果表明提出的联合方法优于传统领域中去噪的方法如NLGBT、CSR、BM3D、NLM、WNNM等。...

   随着科技的发展，人类已将脑部结构划分成了多个功能区，各个功能区掌管着人类不同的功能。故在疾病研究时，常常需要提取出相应的感兴趣区域（Regions of interest，ROI）通过其体积等特征的变化用于诊断和预测。对于ROI功能区的分割，虽然人工手动分割可以得到更高的分割精度，但是耗时耗力且可重复性差，故使用计算机技术进行全自动分割技术已经成为研究热点。基于多图谱图像......