近日，清华大学聘任段岳圻为电子工程系助理教授。

段岳圻助理教授

段岳圻，清华大学电子工程系教研系列助理教授，博士生导师。在2014年和2019年于清华大学自动化系分别获得工学学士和博士学位，2019年至2021年在斯坦福大学计算机系担任博士后研究员，合作导师为美国科学院、美国工程院和美国艺术科学院三院院士Leonidas J. Guibas教授。2022年1月全职加入清华大学电子工程系。他的研究兴趣包括计算机视觉和模式识别等。段岳圻助理教授在相关领域发表第一作者国际期刊、会议文章14篇，包括TPAMI、TIP、CVPR和ECCV等。他于2020至2022年连续担任ICME国际大会领域主席，以及担任多个国际顶级期刊、会议的审稿人，曾获中国人工智能学会优秀博士论文等奖项。

学术成果

随着互联网的迅速发展，视觉数据呈爆炸式增长，基于深度学习的方法不断在各项视觉任务中取得突破性进展，已成为国际研究热点。然而，不断增大的数据规模也为深度学习在如何高效利用视觉数据提出了新的挑战，主要体现在：

视觉大数据变化复杂、价值密度低，大量数据难以支持有效模型训练；

高维实值特征表示低效、信息冗余度高，难以满足大规模视觉检索等应用的实时性需求。

围绕这一关键问题，段岳圻助理教授及其团队在海量数据的有效挖掘和高效表示两个层面取得了一系列较有特色的研究成果，具体包括：针对海量视觉数据的有效挖掘问题，提出判别性训练样本采样系列方法，并进而提出对抗式训练样本生成的训练框架，利用现有数据学习生成更为有效的合成训练样本，提升模型训练的效果。在采用相同网络结构、训练数据以及训练迭代次数的前提下，对多种常见损失函数将物体首位识别率提升约10%-15%，对三维几何结构重构误差减小约30%。相关工作发表在图像处理顶级期刊TIP以及计算机视觉顶会CVPR、ICCV、ECCV等。

针对海量视觉数据的高效表示问题，提出紧致视觉特征表示系列方法。针对量化信息损失大、视觉表达精度低、特征旋转鲁棒差、三维数据描述难等问题，分别提出了多量化、码相关、旋转不变、点云补全紧致视觉特征表示学习方法，有效克服了上述瓶颈。段岳圻助理教授及其团队提出的非监督二值特征在Brown数据集上取得了优于经典实值特征SIFT的图像匹配成功率。在百万级大规模图像检索应用中，相比高维实值特征检索精度近似，检索速度提升14倍，存储空间为原来的1/1024。相关工作发表在模式识别顶级期刊TPAMI、图像处理顶级期刊TIP以及计算机视觉顶会CVPR等。在该方向发表的TPAMI论文入选ESI高被引论文和ESI热点论文。

教育经历

2019年获清华大学控制科学与工程专业博士学位

2014年获清华大学自动化专业学士学位

工作经历

2019至2021年在斯坦福大学计算机系任博士后研究员