2021年谷歌博士生奖研金揭晓，同济校友王鑫龙南大校友李昀入

　　机器之心报道
　　机器之心编辑部
　　在近日公布的谷歌2021博士生奖研金部分名单中，来自阿德莱德大学、新南威尔士大学、昆士兰科技大学和悉尼大学的四位博士生获得该殊荣。
　　谷歌的博士生奖研金项目（GooglePh。DFellowshipProgram）创立于2009年，旨在奖励在计算机学科及其相关学科或者其它前瞻科研领域方面表现优异的博士生。
　　目前该项目提供奖学金的支持范围包括来自非洲、澳大利亚和新西兰、欧洲、印度、美国和加拿大等学生。
　　获得谷歌博士生奖研金项目的研究者将得到包括15，000澳元的奖励金，用于支付津贴和其他研究相关活动，此外，获奖者还会被分配一位GoogleMentor，负责提供指导帮助。
　　今年，该项目公布了来自澳大利亚的四名博士生因其杰出的研究而获得该奖学金。这四名获奖者包括来自机器感知、语音技术与计算机视觉方向王鑫龙，机器学习方向的李昀、TheekshanaDissanayake，算法、优化和市场方向的SampsonWong。
　　jiqizhix后续将跟踪报道更多其他地区与大学获得谷歌2021博士生奖研金的博士生
　　机器感知、语音技术与计算机视觉方向
　　王鑫龙（XinlongWang），阿德莱德大学
　　个人主页：https：www。xloong。wang
　　王鑫龙是阿德莱德大学二年级博士生，导师为沈春华（ChunhuaShen）教授。本科就读于同济大学，并曾在旷视科技、腾讯优图实验室和字节跳动AI实验室实习。值得一提的是，沈春华教授此前已有多名学生获得过该奖金，包括YifanLiu、ZhiTian、GuoshengLin等人。
　　王鑫龙的研究兴趣在计算机视觉与机器学习，特别是赋能机器观察和理解环境。他的研究主题包括2D3D视频目标检测和实例分割。
　　此前，王鑫龙以字节跳动实习生的身份提出了一种实例分割新方法SOLO，通过引入实例类别的概念，将实例分割转换为分类问题。SOLO在一些性能指标上甚至超越了增强版的MaskRCNN。
　　目前王鑫龙正在开发一种实例分割方法，未来可以为计算机视觉研究人员和技术公司节省大量时间和金钱。
　　一种新的实例分割方法
　　物体识别和定位技术对于机器人和自动驾驶汽车至关重要，机器人在移动中需要识别物体、自动驾驶汽车在城市街道上需要避开行人。实现此功能的一个关键技术是进行实例分割。
　　王鑫龙解释道，实例分割是计算机视觉中的一个基本问题。实例分割的目标是定位图像中的每个对象，并将其放在一个类别中。例如，有些像素都属于一棵树，而有些像素都是人的一部分。
　　目前，实例分割需要大量的时间和金钱投入，因为计算机模型并不是一开始就知道树和人之间的区别它必须提前学习。当我们训练这样的模型时，我们必须使用带有注释或标记的图像，王鑫龙说道，但是给图像贴标签的过程增加了时间和成本。
　　因此，王鑫龙的工作旨在开发一种新的实例分割方法，该方法具有相当的准确率，但只需要不到现有方法三分之一的注释。例如，计算机视觉训练系统可能包含100万张图像现有的实例分割方法需要对其中的每一张图像进行注释。而王鑫龙的方法仍然适用于这100万张图像，但只需要2030标记量就可以达到同样的训练准确率。
　　目前为止，王鑫龙有多篇研究入选顶会论文，其中有四篇论文被CVPR2021接收、一篇论文被AAAI2021接收、两篇论文被ECCV2020接收等。
　　机器学习方向
　　李昀（YunLi），新南威尔士大学
　　个人主页：https：ogshun。github。io
　　李昀是新南威尔士大学计算机科学与工程学院的博士生，她的导师为LinaYao和BoualemBenatallah教授。2016和2019年，她先后取得南京大学计算机科学与工程系的学士与硕士学位。
　　她的研究兴趣主要在于深度学习和大数据分析，尤其是在人类医疗健康领域的应用。目前，她的研究课题包括零样本学习、基因组分析和医疗成像。
　　在李昀看来，深度学习在显著变革药物实践与医疗健康实现方面展示出了潜力。然而，医疗健康数据的低容量、高稀疏性和低质属性以及它们的多样化上下文限制了深度学习方法的性能。因此，在她的研究中，她意在开发一系列稳健和通用的少样本机器学习方法，以使用非常少的数据来高效地发现个性化和可迁移的洞见性知识。具体地，她已经确定并提出了用于基因组序列的数据高效方法，以及医疗图像增强、分层多视图数据分析和耳鸣诊断的解决方案。她还将继续提升临床转译的可解释性、透明性和个性化。她的研究将对基因组研究、医疗诊断、药物发现和疾病治疗等一系列实际场景产生更广泛的影响。
　　自2018年以来，李昀参与撰写的多篇论文被TKDE、ICTAI、ICONIP、ICDE、CIKM、AAAI等学术会议以及VLDBJournal、TNNLS学术期刊接收。
　　TheekshanaDissanayake，昆士兰科技大学
　　个人主页：https：ieeexplore。ieee。orgauthor37088772740
　　TheekshanaDissanayake在佩拉德尼亚大学获得计算机工程学士学位。目前，他在昆士兰科技大学的信号处理、人工智能和视觉技术（SAIVT）研究组攻读博士学位。他主要研究方向为生物信号数据的深度学习应用。
　　深度学习在解决基于生物信号的医学诊断问题上取得了巨大的成功。然而，现有的解决方案不能概括从不同的实验设置捕获的多个数据集。此外，当前的解决方案具有黑箱性质，从临床角度来看这阻碍了和预测相关的信任。TheekshanaDissanayake的研究侧重于为基于生物信号医学诊断设计的深度学习模型的通用性和可解释性，并考虑单通道和多通道生物信号（如使用EEG和ECG的心脏信号和大脑信号）。
　　算法、优化和市场方向
　　SampsonWong，悉尼大学
　　谷歌学术主页：https：scholar。google。com。aucitations？user47gcJfsAAAAJhlen
　　交通网络需要定期监控和维护以维持高水平的可操作性。随着网络的发展和技术的进步，对交通网络数据进行数据驱动分析的需求日益增长。从而导致政府和公司来开发特定领域的工具，为用户提供最佳推荐。这些工具的速度和质量很大程度上取决于它们的基本构建块。
　　SampsonWong的研究目标是开发有效的算法来解决交通网络中涉及几何运动数据的基本问题。该研究使用聚类和其他算法来检测几何运动数据中的通勤模式，并可以为交通网络选择有益的升级。
　　SampsonWong已发表多篇论文，部分论文如下：
　　参考链接：https：blog。googlearoundtheglobegoogleasiaaustraliasupportingfuturecomputerscience2021googlephdfellowships