【课题推荐发表期刊】

【课题背景】

多模态学习旨在融合不同类型的数据（如图像、文本、时间序列）以提升模型对复杂任务的理解能力。跨模态信息对齐是多模态学习的核心任务之一，其目的是使不同模态的数据在时空和语义上能够相互关联。它通过结合多种模态的数据，弥补单一模态的不足，从而获得更全面的感知和理解能力。

本课题将研究多模态深度学习算法的关键问题，包括跨模态信息对齐、联合表征学习及高效推理方法，尤其在医学、教育等领域的应用场景下展开研究，旨在推动多模态学习的发展，为解决复杂任务提供更强大的工具和方法。

【课题方向参考】

• 设计一种基于变换器（Transformer）的多模态学习框架，实现对图像与文本数据的高效对齐。

• 开发一种轻量化的多模态模型压缩算法，优化在边缘设备上的实时推理能力。

• 探索多模态数据间的不确定性建模，提升模型在噪声数据下的鲁棒性。

• 临床诊断，报告生成。

【适合人群】

本科以上，会使用python

【课题收获】

• 高质量论文一篇（SCI/CCF定向期刊）

• SCI/CCF期刊投递与发表指导

• 结业证书

【导师介绍】

Dr. Zhou，C9高校计算机博士，QS10高校博士后

• 累计发表发文总数30+，SCI一区15+（Nature子刊，TMI，MEDIA等），其中第一作者12篇，包括计算机科学和医学方面的出版物：MICCAI（医学成像顶级计算会议，CORE排名A），Nature Cardiovascular Research, IEEE Transactions on medical imaging (TMI), Medical Image Analysis (MEDIA)（医学成像顶级期刊）

• H-index: 13（截至2025年1月4日）

• 担任MICCAI 2022-2024（医学影像领域顶级计算会议，核心A级）、TMI、MEDIA、Scientific Reports、MICS、CSUR（医学影像领域顶级期刊）审稿人

• 辅导过10-15名学生，辅导学生发过SCI文章、CCF B论文、毕业论文，成功率100%

• 擅长给一个idea，引导学生自我启发，从实验到发表，完成整个项目

• 可提供课题基金申报指导、保研指导、申博指导、海外高校申请指导；可提供开源代码并指导复现；可提供部分开放研究数据；可撰写推荐信；期刊内推资源；就业/实习机会推荐

【课题安排】

研究周期预估六个月左右，具体视学员情况调整。

【推荐阅读】

2024 Application of multimodal deep learning and multi-instance learning fusion techniques in predicting STN-DBS outcomes for Parkinson's disease patients

2025 Application of deep learning-based multimodal fusion technology in cancer diagnosis: A survey

2025 Multi-scale multimodal deep learning framework for Alzheimer's disease diagnosis