解释列表
深度学习
深度学习
深度学习
研究テーマ例
使用GAN的自动字体生成、等离子波的自动检测（联合研究：ISAS/JAXA）、捕捞鱼的区域检测和鱼种估计（联合研究：日本水产研究教育机构）、牙科诊断图像识别研究（联合研究：福井大学医院）等。
研究主题示例
研究成果（节选）
使用GAN的自动字体 生成、等离子波的自动检测（联合研究：ISAS/JAXA）、捕捞鱼的区域检测和鱼种估计（联合研究：日本水产研究教育机构）、牙科诊断图像识别研究（联合研究：福井大学医院）等。
使用卷积神经网络自动测定电子密度，IEEE Access，2019 年。
“使用简单卷积神经网络通过全景摄影进行个人识别：初步研究”，科学报告，2020 年。
使用基于 CNN 的多模态学习方法进行鱼类物种识别，MLHMI2020，新加坡，2020 年。
基于 CNN 的插画风格艺术家分类标准，MLHMI2020，新加坡，2020 年。
使用卷积神经网络自动测定电子密度，IEEE Access，2019 年。
“使用简单卷积神经网络通过全景摄影进行个人识别：初步研究”，科学报告，2020 年。
使用基于 CNN 的多模态学习方法进行鱼类物种识别，MLHMI2020，新加坡，2020 年。
基于 CNN 的插画风格艺术家分类标准，MLHMI2020，新加坡，2020 年。
研究成果（节选）
深度学习
解释列表
深度学习一般指深度神经网络，是一种机器学习算法。根据特定信息（例如图像），那里描绘的是什么？它用于估计未来事件和根据过去的时间序列预测未来事件等技术。我们的实验室与各种外部组织开展合作研究，致力于深度学习的实际应用并开发新的算法。人们通常认为深度学习只需准备监督数据即可实现，但还有许多其他研究领域涉及调整许多参数、塑造数据、设计训练深度模型的方法以及利用来自其他领域的数据。
研究主题示例
使用卷积神经网络自动测定电子密度，IEEE Access，2019 年。
“使用简单卷积神经网络通过全景摄影进行个人识别：初步研究”，科学报告，2020 年。
使用基于 CNN 的多模态学习方法进行鱼类物种识别，MLHMI2020，新加坡，2020 年。
基于 CNN 的插画风格艺术家分类标准，MLHMI2020，新加坡，2020 年。
使用卷积神经网络自动测定电子密度，IEEE Access，2019 年。
“使用 简单卷积神经网络通过全景摄影进行个人识别：初步研究”，科学报告，2020 年。
使用基于 CNN 的多模态学习方法进行鱼类物种识别，MLHMI2020，新加坡，2020 年。
基于 CNN 的插画风格艺术家分类标准，MLHMI2020，新加坡，2020 年。
使用GAN的自动字体生成、等离子波的自动检测（联合研究：ISAS/JAXA）、捕捞鱼的区域检测和鱼种估计（联合研究：日本水产研究教育机构）、牙科诊断图像识别研究（联合研究：福井大学医院）等。
研究成果（节选）
研究成果（节选）
研究成果（节选）
使用卷积神经网络自动测定电子密度，IEEE Access，2019 年。
“使用简单卷积神经网络通过全景摄影进行个人识别：初步研究”，科学报告，2020 年。
使用基于 CNN 的多模态学习方法进行鱼类物种识别，MLHMI2020，新加坡，2020 年。
基于 CNN 的插画风格艺术家分类标准，MLHMI2020，新加坡，2020 年。
使用卷积神经网络自动测定电子密度，IEEE Access，2019 年。
“使用简单卷积神经网络通过全景摄影进行个人识别：初步研究”，科学报告，2020 年。
使用基于 CNN 的多模态学习方法进行鱼类物种识别，MLHMI2020，新加坡，2020 年。
基于 CNN 的插画风格艺术家分类标准，MLHMI2020，新加坡，2020 年。
解释列表
解释列表
深度学习
深度学习
研究テーマ例
使用GAN的自动字体生成、等离子波的自动检测（联合研究：ISAS/JAXA）、捕捞鱼的区域检测和鱼种估计（联合研究：日本水产研究教育机构）、牙科诊断图像识别研究（联合研究：福井大学医院）等。
研究テーマ例
研究成果（节选）
使用GAN的自动字体生成、等离子波的自动检测（联合研究：ISAS/JAXA）、捕捞鱼的区域检测和鱼种估计（联合研究：日本水产研究教育机构）、牙科诊断图像识别研究（联合研究：福井大学医院）等。
使用卷积神经网络自动测定电子密度，IEEE Access，2019 年。
“使用简单卷积神经网络通过全景摄影进行个人识别：初步研究”，科学报告，2020 年。
使用基于 CNN 的多模态学习方法进行鱼类物种识别，MLHMI2020，新加坡，2020 年。
基于 CNN 的插画风格艺术家分类标准，MLHMI2020，新加坡，2020 年。
使用卷积神经网络自动测定电子密度，IEEE Access，2019 年。
“使用简单卷积神经网络通过全景摄影进行个人识别：初步研究”，科学报告，2020 年。
使用基于 CNN 的多模态学习方法进行鱼类物种识别，MLHMI2020，新加坡，2020 年。
基于 CNN 的插画风格艺术家分类标准，MLHMI2020，新加坡，2020 年。
研究成果（节选）
深度学习
解释列表
深度学习一般指深度神经网络，是一种机器学习算法。根据特定信息（例如图像），那里描绘的是什么？它用于估计未来事件和根据过去的时间序列预测未来事件等技术。我们的实验室与各种外部组织开展合作研究，致力于深度学习的实际应用并开发新的算法。人们通常认为深度学习只需准备监督数据即可实现，但还有许多其他研究领域涉及调整许多参数、塑造数据、设计训练深度模型的方法以及利用来自其他领域的数据。
研究テーマ例
使用卷积神经网络自动测定电子密度，IEEE Access，2019 年。
“使用简单卷积神经网络通过全景摄影进行个人识别：初步研究”，科学报告，2020 年。
使用基于 CNN 的多模态学习方法进行鱼类物种识别，MLHMI2020，新加坡，2020 年。
基于 CNN 的插画风格艺术家分类标准，MLHMI2020，新加坡，2020 年。
使用卷积神经网络自动测定电子密度，IEEE Access，2019 年。
“使用简单卷积神经网络通过全景摄影进行个人识别：初步研究”，科学报告，2020 年。
使用基于 CNN 的多模态学习方法进行鱼类物种识别，MLHMI2020，新加坡，2020 年。
基于 CNN 的插画风格艺术家分类标准，MLHMI2020，新加坡，2020 年。
使用GAN的自动字体生成、等离子波的自动检测（联合研究：ISAS/JAXA）、捕捞鱼的区域检测和鱼种估计（联合研究：日本水产研究教育机构）、牙科诊断图像识别研究（联合研究：福井大学医院）等。
研究成果（节选）
研究成果（节选）
使用卷积神经网络自动测定电子密度，IEEE Access，2019 年。
“使用简单卷积神经网络通过全景摄影进行个人识别：初步研究”，科学报告，2020 年。
使用基于 CNN 的多模态学习方法进行鱼类物种识别，MLHMI2020，新加坡，2020 年。
基于 CNN 的插画风格艺术家分类标准，MLHMI2020，新加坡，2020 年。
研究成果（节选）
使用卷积神经网络自动测定电子密度，IEEE Access，2019 年。
“使用简单卷积神经网络通过全景摄影进行个人识别：初步研究”，科学报告，2020 年。
使用基于 CNN 的多模态学习方法进行鱼类物种识别，MLHMI2020，新加坡，2020 年。
基于 CNN 的插画风格艺术家分类标准，MLHMI2020，新加坡，2020 年。
使用卷积神经网络自动测定电子密度，IEEE Access，2019 年。
“使用简单卷积神经网络通过全景摄影进行个人识别：初步研究”，科学报告，2020 年。
使用基于 CNN 的多模态学习方法进行鱼类物种识别，MLHMI2020，新加坡，2020 年。
基于 CNN 的插画风格艺术家分类标准，MLHMI2020，新加坡，2020 年。
解释列表
解释列表
深度学习
深度学习
研究テーマ例
使用GAN的自动字体生成、等离子波的自动检测（联合研究：ISAS/JAXA）、捕捞鱼的区域检测和鱼种估计（联合研究：日本水产研究教育机构）、牙科诊断图像识别研究（联合研究：福井大学医院）等。
研究テーマ例
研究成果（节选）
使用GAN的自动字体生成、等离子波的自动检测（联合研究：ISAS/JAXA）、捕捞鱼的区域检测和鱼种估计（联合研究：日本水产研究教育机构）、牙科诊断图像识别研究（联合研究：福井大学医院）等。
使用卷积神经网络自动测定电子密度，IEEE Access，2019 年。
“使用简单卷积神经网络通过全景摄影进行个人识别：初步研究”，科学报告，2020 年。
使用基于 CNN 的多模态学习方法进行鱼类物种识别，MLHMI2020，新加坡，2020 年。
基于 CNN 的插画风格艺术家分类标准，MLHMI2020，新加坡，2020 年。
使用卷积神经网络自动测定电子密度，IEEE Access，2019 年。
“使用简单卷积神经网络通过全景摄影进行个人识别：初步研究”，科学报告，2020 年。
使用基于 CNN 的多模态学习方法进行鱼类物种识别，MLHMI2020，新加坡，2020 年。
基于 CNN 的插画风格艺术家分类标准，MLHMI2020，新加坡，2020 年。
研究成果（节选）
深度学习
解释列表
深度学习一般指深度神经网络，是一种机器学习算法。根据特定信息（例如图像），那里描绘的是什么？它用于估计未来事件和根据过去的时间序列预测未来事件等技术。我们的实验室与各种外部组织开展合作研究，致力于深度学习的实际应用并开发新的算法。人们通常认为深度学习只需准备监督数据即可实现，但还有许多其他研究领域涉及调整许多参数、塑造数据、设计训练深度模型的方法以及利用来自其他领域的数据。
研究テーマ例
使用卷积神经网络自动测定电子密度，IEEE Access，2019 年。
“使用简单卷积神经网络通过全景摄影进行个人识别：初步研究”，科学报告，2020 年。
使用基于 CNN 的多模态学习方法进行鱼类物种识别，MLHMI2020，新加坡，2020 年。
基于 CNN 的插画风格艺术家分类标准，MLHMI2020，新加坡，2020 年。
使用卷积神经网络自动测定电子密度，IEEE Access，2019 年。
“使用简单卷积神经网络通过全景摄影进行个人识别：初步研究”，科学报告，2020 年。
使用基于 CNN 的多模态学习方法进行鱼类物种识 别，MLHMI2020，新加坡，2020 年。
基于 CNN 的插画风格艺术家分类标准，MLHMI2020，新加坡，2020 年。
使用GAN的自动字体生成、等离子波的自动检测（联合研究：ISAS/JAXA）、捕捞鱼的区域检测和鱼种估计（联合研究：日本水产研究教育机构）、牙科诊断图像识别研究（联合研究：福井大学医院）等。
研究成果（节选）
研究成果（节选）
使用卷积神经网络自动测定电子密度，IEEE Access，2019 年。
“使用简单卷积神经网络通过全景摄影进行个人识别：初步研究”，科学报告，2020 年。
使用基于 CNN 的多模态学习方法进行鱼类物种识别，MLHMI2020，新加坡，2020 年。
基于 CNN 的插画风格艺术家分类标准，MLHMI2020，新加坡，2020 年。
研究成果（节选）
使 用卷积神经网络自动测定电子密度，IEEE Access，2019 年。
“使用简单卷积神经网络通过全景摄影进行个人识别：初步研究”，科学报告，2020 年。
使用基于 CNN 的多模态学习方法进行鱼类物种识别，MLHMI2020，新加坡，2020 年。
基于 CNN 的插画风格艺术家分类标准，MLHMI2020，新加坡，2020 年。
使用卷积神经网络自动测定电子密度，IEEE Access，2019 年。
“使用简单卷积神经网络通过全景摄影进行个人识别：初步研究”，科学报告，2020 年。
使用基于 CNN 的多模态学习方法进行鱼类物种识别，MLHMI2020，新加坡，2020 年。
基于 CNN 的插画风格艺术家分类标准，MLHMI2020，新加坡，2020 年。
解释列表
解释列表
深度学习
深度学习
研究テーマ例
使用GAN的自动字体生成、等离子波的自动检测（联合研究：ISAS/JAXA）、捕捞鱼的区域检测和鱼种估计（联合研究：日本水产研究教育机构）、牙科诊断图像识别研究（联合研究：福井大学医院）等。
研究テーマ例
研究成果（节选）
使用GAN的自动字体生成、等离子波的自动检测（联合研究：ISAS/JAXA）、捕捞鱼的区域检测和鱼种估计（联合研究：日本水产研究教育机构）、牙科诊断图像识别研究（联合研究：福井大学医院）等。
使用卷积神经网络自动测定电子密度，IEEE Access，2019 年。
“使用简单卷积神经网络通过全景摄影进行个人识别：初步研究”，科学报告，2020 年。
使用基于 CNN 的多模态学习方法进行鱼类物种识别，MLHMI2020，新加坡，2020 年。
基于 CNN 的插画风格艺术家分类标准，MLHMI2020，新加坡，2020 年。
使用卷积神经网络自动测定电子密度，IEEE Access，2019 年。
“使用简单卷积神经网络通过全景摄影进行个人识别：初步研究”，科学报告，2020 年。
使用基于 CNN 的多模态学习方法进行鱼类物种识别，MLHMI2020，新加坡，2020 年。
基于 CNN 的插画风格艺术家分类标准，MLHMI2020，新加坡，2020 年。
研究成果（节选）
深度学习
解释列表
深度学习一般指深度神经网络，是一种机器学习算法。根据特定信息（例如图像），那里描绘的是什么？它用于估计未来事件和根据过去的时间序列预测未来事件等技术。我们的实验室与各种外部组织开展合作研究，致力于深度学习的实际应用并开发新的算法。人们通常认为深度学习只需准备监督数据即可实现，但还有许多其他研究领域涉及调整许多参数、塑造数据、设计训练深度模型的方法以及利用来自其他领域的数据。
研究テーマ例
使用卷积神经网络自动测定电子密度，IEEE Access，2019 年。
“使用简单卷积神经网络通过全景摄影进行个人识别：初步研究”，科学报告，2020 年。
使用基于 CNN 的多模态学习方法进行鱼类物种识别，MLHMI2020，新加坡，2020 年。
基于 CNN 的插画风格艺术家分类标准，MLHMI2020，新加坡，2020 年。
使用卷积神经网络自动测定电子密度，IEEE Access，2019 年。
“使用简单卷积神经网络通过全景摄影进行个人识别：初步研究”，科学报告，2020 年。
使用基于 CNN 的多模态学习方法进行鱼类物种识别，MLHMI2020，新加坡，2020 年。
基于 CNN 的插 画风格艺术家分类标准，MLHMI2020，新加坡，2020 年。
使用GAN的自动字体生成、等离子波的自动检测（联合研究：ISAS/JAXA）、捕捞鱼的区域检测和鱼种估计（联合研究：日本水产研究教育机构）、牙科诊断图像识别研究（联合研究：福井大学医院）等。
研究成果（节选）
研究成果（节选）
使用卷积神经网络自动测定电子密度，IEEE Access，2019 年。
“使用简单卷积神经网络通过全景摄影进行个人识别：初步研究”，科学报告，2020 年。
使用基于 CNN 的多模态学习方法进行鱼类物种识别，MLHMI2020，新加坡，2020 年。
基于 CNN 的插画风格艺术家分类标准，MLHMI2020，新加坡，2020 年。
研究成果（节选）
使用卷积神经网络自动测定电子密度，IEEE Access，2019 年。
“使用简单卷积神经网络通过全景摄影进行个人识别：初步研究”，科学报告，2020 年。
使用基于 CNN 的多模态学习方法进行鱼类物种识别，MLHMI2020，新加坡，2020 年。
基于 CNN 的插画风格艺术家分类标准，MLHMI2020，新加坡，2020 年。
使用卷积神经网络自动测定电子密度，IEEE Access，2019 年。
“使用简单卷积神经网络通过全景摄影进行个人识别：初步研究”，科学报告，2020 年。
使用基于 CNN 的多模态学习方法进行鱼类物种识别，MLHMI2020，新加坡，2020 年。
基于 CNN 的插画风格艺术家分类标准，MLHMI2020，新加坡，2020 年。
解释列表
解释列表
自动渔获识别
适当的资源调查、基于科学的资源评估和资源管理对于实现可持续渔业至关重要。另一方面，作为资源评估基础数据的资源调查，目前大多由渔业研究人员手工进行，数字化程度尚不够。在这个研究项目中，我们正在开发一个平台，该平台将使用图像识别技术在渔获物上岸后立即将其详细信息数字化。
在后一篇论文中，利用深度学习实现了鱼类物种识别任务，不仅对科进行了详细分类，还对物种进行了详细分类。我们提出了一种使用多模态学习的详细鱼类物种识别方法，除了图像信息外，还使用鳍条数量等定量特征数据。
使用牙科图像进行个人身份验证
在灾难发生时，许多人可能无法确认身份，因此需要采取一些方法来识别他们。牙齿具有耐热、耐冲击的特性，牙列、牙齿矫正和牙科治疗痕迹足以作为识别个体的特征。在许多情况下，身份验证是在牙医和其他专业人员的配合下使用 X 射线或 CT 图像进行的。在这个研究项目中，我们正在开发一种使用 X 射线和 CT 图像进行个人身份验证的深度学习方法。特别是，需要开发能够使用少量训练数据训练模型的技术。
从等离子体波观测数据中检测UHR频率
在日地科学领域，我们致力于通过分析人造卫星观测到的外太空信息来阐明自然现象背后的机制。分析一个现象时，需要从大量的观测数据中准确地提取具体的等离子体波现象。然而，从一年 365 天、每天 24 小时观测到的高时间分辨率数据中手动提取所有目标现象非常困难，这会占用实际分析工作的时间。因此，我们将重点关注一种称为上混合共振辐射（UHR辐射）的等离子体波现象，并开发一种自动估算它的方法。观测数据是频谱变化的时 间序列，利用机器学习解决每个时刻从频谱中提取UHR辐射的回归问题。
深度学习
深度学习
深度学习
研究テーマ例
使用GAN的自动字体生成、等离子波的自动检测（联合研究：ISAS/JAXA）、捕捞鱼的区域检测和鱼种估计（联合研究：日本水产研究教育机构）、牙科诊断图像识别研究（联合研究：福井大学医院）等。
研究テーマ例
研究成果（节选）
使用GAN的自动字体生成、等离子波的自动检测（联合研究：ISAS/JAXA）、捕捞鱼的区域检测和鱼种估计（联合研究：日本水产研究教育机构）、牙科诊断图像识别研究（联合研究：福井大学医院）等。
使用卷积神经网络自动测定电子密度，IEEE Access，2019 年。
“使用简单卷积神经网络通过全景摄影进行个人识别：初步研究”，科学报告，2020 年。
使用基于 CNN 的多模态学习方法进行鱼类物种识别，MLHMI2020，新加坡，2020 年。
基于 CNN 的插画风格艺术家分类标准，MLHMI2020，新加坡，2020 年。
使用卷积神经网络自动测定电子密度，IEEE Access，2019 年。
“使用简单卷积神经网络通过全景摄影进行个人识别：初步研究”，科学报告，2020 年。
使用基于 CNN 的多模态学习方法进行鱼类物种识别，MLHMI2020，新加坡，2020 年。
基于 CNN 的插画风格艺术家分类标准，MLHMI2020，新加坡，2020 年。
研究成果（节选）
深度学习
解释列表
深度学习一般指深度神经网络，是一种机器学习算法。根据特定信息（例如图像），那里描绘的是什么？它用于估计未来事件和根据过去的时间序列预测未来事件等技术。我们的实验室与各种外部组织开展合作研究，致力于深度学习的实际应用并开发新的算法。人们通常认为深度学习只需准备监督数据即可实现，但还有许多其他研究领域涉及调整许多参数、塑造数据、设计训练深度模型的方法以及利用来自其他领域的数据。
研究主题示例
使用卷积神经网络自动测定电子密度，IEEE Access，2019 年。
“使用简单卷积神经网络通过全景摄影进行个人识别：初步研究”，科学报告，2020 年。
使用基于 CNN 的多模态学习方法进行鱼类物种识别，MLHMI2020，新加坡，2020 年。
基于 CNN 的插画风格艺术家分类标准，MLHMI2020，新加坡，2020 年。
使用卷积神经网络自动测定电子密度，IEEE Access，2019 年。
“使用简单卷积神经网络通过全景摄影进行个人识别：初步研究”，科学报告，2020 年。
使用基于 CNN 的多模态学习方法进行鱼类物种识别，MLHMI2020，新加坡，2020 年。
基于 CNN 的插画风格艺术家分类标准，MLHMI2020，新加坡，2020 年。
使用GAN的自动字体生成、等离子波的自动检测（联合研究：ISAS/JAXA）、捕捞鱼的区域检测和鱼种估计（联合研究：日本水产研究教育机构）、牙科诊断图像识别研究（联合研究：福井大学医院）等。
研究成果（节选）
研究成果（节选）
使用卷积神经网络自动测定电子密度，IEEE Access，2019 年。
“使用简单卷积神经网络通过全景摄影进行个人识别：初步研究”，科学报告，2020 年。
使用基于 CNN 的多模态学习方法进行鱼类物种识别，MLHMI2020，新加坡，2020 年。
基于 CNN 的插画风格艺术家分类标准，MLHMI2020，新加坡，2020 年。
研究成果（节选）
使用卷积神经网络自动测定电子密度，IEEE Access，2019 年。
“使用简单卷积神经网络通过全景摄影进行个人识别：初步研究”，科学报告，2020 年。
使用基于 CNN 的多模态学习方法进行鱼类物种识别，MLHMI2020，新加坡，2020 年。
基于 CNN 的插画风格艺术家分类标准，MLHMI2020，新加坡，2020 年。
使用卷积神经网络自动测定电子密度，IEEE Access，2019 年。
“使用简单卷积神经网络通过全景摄影进行个人识别：初步研究”，科学报告，2020 年。
使用基于 CNN 的多模态学习方法进行鱼类物种识别，MLHMI2020，新加坡，2020 年。
基于 CNN 的插画风格艺术家分类标准，MLHMI2020，新加坡，2020 年。
解释列表
解释列表
自动渔获识别
适当的资源调查、基于科学的资源评估和资源管理对于实现可持续渔业至关重要。另一方面，作为资源评估基础数据的资源调查，目前大多由渔业研究人员手工进行，数字化程度尚不够。在这个研究项目中，我们正在开发一个平台，该平台将使用图像识别技术在渔获物上岸后立即将其详细信息数字化。
在后一篇论文中，利用深度学习实现了鱼类物种识别任务，不仅对科进行了详细分类，还对物种进行了详细分类。我们提出了一种使用多模态学习的详细鱼类物种识别方法，除了图像信息外，还使用鳍条数量等定量特征数据。
使用牙科图像进行个人身份验证
在灾难发生时，许多人可能无法确认身份，因此需要采取一些方法来识别他们。牙齿具有耐热、耐冲击的特性，牙列、牙齿矫正和牙科治疗痕迹足以作为识别个体的特征。在许多情况下，身份验证是在牙医和其他专业人员的配合下使用 X 射线或 CT 图像进行的。在这个研究项目中，我们正在开发一种使用 X 射线和 CT 图像进行个人身份验证的深度学习方法。特别是，需要开发能够使用少量训练数据训练模型的技术。
从等离子体波观测数据中检测UHR频率
在日地科学领域，我们致力于通过分析人造卫星观测到的外太空信息来阐明自然现象背后的机制。分析一个现象时，需要从大量的观测数据中准确地提取具体的等离子体波现象。然而，从一年 365 天、每天 24 小时观测到的高时间分辨率数据中手动提取所有目标现象非常困难，这会占用实际分析工作的时间。因此，我们将重点关注一种称为上混合共振辐射（UHR辐射）的等离子体波现象，并开发一种自动估算它的方法。观测数据是频谱变化的时间序列，利用机器学习解决每个时刻从频谱中提取UHR辐射的回归问题。
自动渔获识别
适当的资源调查、基于科学的资源评估和资源管理对于实现可持续渔业至关重要。另一方面，作为资源评估基础数据的资源调查，目前大多由渔业研究人员手工进行，数字化程度尚不够。在这个研究项目中，我们正在开发一个平台，该平台将使用图像识别技术在渔获物上岸后立即将其详细信息数字化。
在后一篇论文中，利用深度学习实现了鱼类物种识别任务，不仅对科进行了详细分类，还对物种进行了详细分类。我们提出了一种使用多模态学习的详细鱼类物种识别方法，除了图像信息外，还使用鳍条数量等定量特征数据。
使用牙科图像进行个人身份验证
在灾难发生时，许多人可能无法确认身份，因此需要采取一些方法来识别他们。牙齿具有耐热、耐冲击的 特性，牙列、牙齿矫正和牙科治疗痕迹足以作为识别个体的特征。在许多情况下，身份验证是在牙医和其他专业人员的配合下使用 X 射线或 CT 图像进行的。在这个研究项目中，我们正在开发一种使用 X 射线和 CT 图像进行个人身份验证的深度学习方法。特别是，需要开发能够使用少量训练数据训练模型的技术。
从等离子体波观测数据中检测UHR频率
在日地科学领域，我们致力于通过分析人造卫星观测到的外太空信息来阐明自然现象背后的机制。分析一个现象时，需要从大量的观测数据中准确地提取具体的等离子体波现象。然而，从一年 365 天、每天 24 小时观测到的高时间分辨率数据中手动提取所有目标现象非常困难，这会占用实际分析工作的时间。因此，我们将重点关注一种称为上混合共振辐射（UHR辐射）的等离子体波现象，并开发一种自动估算它的方法。观测数据是频谱变化的时间序列，利用机器学习解决每个时刻从频谱中提取UHR辐射的回归问题。