问题一：首先非常感谢各位老师接受我们的采访，请先介绍一下团队成员：

本项目由大连理工大学智能图像分析与理解团队完成。项目成员简介如下：

王立君，工学博士，大连理工大学未来技术学院副教授，硕士生导师。主要研究方向聚焦于图像深度估计、多模态大模型、目标检测分割与跟踪等。主持国自然联合重点、面上基金等国家级纵向项目3项，省部级纵向项目3项，企业横向项目2项，入选人社部“博士后创新人才支持计划”和大连市“科技人才创新支持计划”。在本领域顶级学术会议和期刊发表论文30余篇，谷歌学术总引用量5800余次。相关研究成果获得教育部自然科学二等奖，辽宁省科技进步一等奖，拉斯维加斯手机娱乐网站 优秀博士论文奖，以及辽宁省优秀博士论文奖。连续三年获得VOT国际视觉目标跟踪竞赛（2020-2022）RGB-D赛道冠军。担任VALSE第6-7届执行领域主席，CSIG-MV与CCF-CV专委会执行委员，PRCV23与ICIG23领域主席等。

卢湖川，国家杰出青年基金获得者、科技部中青年创新领军人才，大连理工大学未来技术学院/人工智能学院院长，创新创业学院院长，IEEE Fellow。研究方向为计算机视觉、机器学习、模式识别。发表顶级会议论文（CVPR/ICCV/ECCV）100余篇，谷歌学术引用4万余次，以第一完成人获得辽宁省科技进步一等奖 1 项，教育部自然科学二等奖 2 项。获得多项国际学术奖，包括 CVPR2020 Best Paper Award Nominee, ICCV2011 Most Remembered Poster 等。2017-2022 年，在国际目标跟踪权威评测VOT竞赛中，其团队连续在多个赛道获得多个冠军，曾经担任IEEE Transaction on Cybernetics 和 IEEE Transactions on Circuits, Systems for Video Technology等多个期刊副主编，CVPR/ICCV/ECCV 领域主席。

戚金清，大连理工大学信息与通信工程学院副教授。研究方向为计算机视觉、机器学习、模式识别。发表期刊及会议论文（CVPR/ICCV/ECCV）30余篇，指导学生获得国际视觉跟踪竞赛(VOT2018) 长时组别冠军，其中发表在CVPR2018的论文"Progressive Attention Guided Recurrent Network for Salient Object Detection" SCI他引次数470余次。个人获得辽宁省优秀硕士学位论文指导教师，担任本研究领域学术期刊IEEE Transactions on Cybernetics; IEEE Transactions on Visualization and Computer Graphics; Visual Computer, Neurocomputing; Journal of Visual Communication and Image Representation; Knowledge-based Systems审稿人。

王一帆，工学博士，大连理工大学创新创业学院讲师，硕士生导师。主要研究方向为显著目标检测与分割、场景深度估计、多模态统一感知等。主持和参与多项国自然重大重点项目与企业横向项目，入选大连市“高端人才”。已发表本领域国际顶会/期刊论文二十余篇，相关成果获辽宁省科技进步一等奖、中国图象图形学报优秀论文一等奖、省部级优秀指导教师荣誉称号5项，所提方法在安全监控、智能手机等领域的多款产品中成功落地。担任多个国际顶会和期刊审稿人，VALSE第七届执行领域主席，CSIG机器视觉专委会委员。

问题二：了解完了团队内的各位老师，请为大家简单的介绍一下项目的情况：

复杂场景下主动目标感知与跟踪是计算机视觉领域亟待解决的重要科学问题，在民用安全与现代国防领域都具有巨大应用前景和研究价值。本项目在国家杰青项目等多项国家自然科学基金资助下，围绕深度模型及训练理论、递归迭代式优化网络与方法、目标信息传播与特征选择方法、目标特征匹配架构等方面进行了深入探索和研究，取得了一系列国际领先的研究成果。8篇代表性论文均发表于计算机视觉领域国际顶级刊物，谷歌学术总引用3900余次（最高单篇引用量988次）。主要创新点如下：

1. 深度显著目标检测：针对如何有效构建和学习深度模型实现显著前景与背景精准分割这一重要科学问题，本项目从深度网络的架构设计和训练方法出发，提出了局部估计和全局搜索相结合的深度显著目标检测模型、基于图像级标签的弱监督显著目标检测模型学习理论，解决了浅层模型检测精度低、鲁棒性差以及深度模型训练成本高等实际难题。该项工作是深度模型和深度弱监督学习方法在显著目标检测领域的首次成功应用，为使用深度学习理论指导显著目标检测算法的具体实践提供新思路。

2. 递归迭代式显著目标检测：针对如何实现深度特征和检测结果的迭代优化以及如何强化浅层与深层特征的互补性等重要科学问题，本项目深入研究了递归模型的结构与机理，构建了基于递归全卷积网络架构的显著目标检测模型和基于多路径递归结构的跨层级特征融合理论，弥补了前馈式神经网络难以对检测结果持续优化、无法有效实现浅层和深层特征的有机结合等缺陷，揭示了递归式网络架构在像素级预测任务上的多项优势，为显著目标检测的迭代优化提供了理论指导。

3. 显著信息传播与特征选择：针对如何实现显著目标信息的高效传播以及显著特征的有效选择等重要科学问题，本项目通过对元胞自动机原理以及注意力机制的深入探索和分析，建立了基于单层和多层元胞自动机模型的显著信息空间传播理论，提出了基于递进式自注意力机制的特征选择方法，有效解决了背景种子点可靠性低、深度特征的冗余度高等实际难题，为提升显著特征的判决性提供了重要理论和技术借鉴。

4. 结构化长时目标跟踪：针对如何实现稳定、鲁棒的长时视觉跟踪这一重要科学问题，本项目从匹配网络架构与匹配方法出发，提出了基于结构化孪生网络的视觉跟踪模型以及基于回归-验证网络的鲁棒长时跟踪方法，解决了视觉跟踪中因遮挡、形变等因素造成的目标跟丢难题，为长时跟踪的发展提供了坚实的理论指导。

问题三：请问各位老师在科研过程中，有没有什么好的方法可以推荐给大家？

科学研究的方向选择十分关键，要与领域内的前沿问题相结合，重在瞄准前瞻性问题和共性难题。研究过程一方面要拓宽视野，增进交流，博采众长；另一方面还要对所研究的问题深入钻研，勇于探索，既要有研究的深度，又需要增强开创性。而这一过程需要常年累月的专注和坚持。

问题四：在项目的研究过程中有遇到什么困难吗？大家是如何解决的？

在项目开展初期，深度显著目标检测领域的研究仍属空白，如何有效构建和学习深度模型实现显著前景与背景精准分割是一个开放性问题，国内外鲜有研究工作可以借鉴。本项目从深度网络的架构设计和训练方法出发，提出了基于局部估计和全局搜索相结合的深度显著目标检测模型以及基于图像级标签的弱监督显著目标检测模型学习理论，解决了浅层模型检测精度低、鲁棒性差以及深度模型训练成本高等实际难题。该项工作为深度神经网络和深度弱监督学习方法在显著目标检测领域的首次成功应用，为使用深度学习理论指导显著目标检测算法的具体实践指明了方向。

问题五：最后，大家有什么获奖感言想说呢？

首先要感谢项目组全体成员长年累月的辛苦付出以及实验室所有师生长期以来的支持与帮助，该荣誉的获得离不开团队的集体智慧与贡献。同时要感谢拉斯维加斯手机娱乐网站 以及评审专家对本项目的认可和鼓励，感谢学会提供了高质量、多样化的学术舞台，有力推动了领域内学者的交流合作，为我们向同行学者展示项目成果提供了重要契机。最后感谢依托单位大连理工大学为项目的成功实施提供了大力支持和重要的软硬件平台。