沙尘图像视觉增强技术综述
司亚中 1,2 张旭龙 1 杨帆 2王健宗 1 程宁 1 肖京 1
（1. 平安科技（深圳）有限公司，广东 深圳 518063；2. 河北工业大学，天津 300401 ）
DOI：10.11959/j.issn.2096-0271.2025009
引用格式：
司亚中,张旭龙,杨帆;等.沙尘图像视觉增强技术综述[J].大数据,2025,11(01):117-134.
SI Y Z,ZHANG X L,YANG F,et al.A survey of sand-dust image visual enhancement techniques[J].BIG DATA RESEARCH,2025,11(01):117-134.
摘 要 沙尘图像视觉增强技术旨在提高沙尘暴天气下成像设备捕获数据的视觉感知清晰度，以辅助高级视觉算法提高从数据中获取关键特征的能力。随着沙尘天气出现频次的增多，沙尘图像视觉增强技术逐渐成为图像处理领域的研究热点，在遥感勘测、无人驾驶、智慧交通等人工智能相关行业有着十分广泛的应用前景。为了更好地了解当前沙尘图像处理领域的研究进展，详细阐述了基于传统技术的沙尘图像增强算法和基于大气散射模型的沙尘图像复原算法，总结了基于数据驱动的沙尘图像重构算法，对当前公开数据集的构建进行了细致的研究和分析，并简单梳理了图像增强领域常用的评价指标。最后对所述内容做出总结，指出当前研究中存在的困难，并对未来沙尘图像增强技术的发展方向进行了展望。
关键词 图像增强；沙尘图像；计算机视觉；深度学习
0 引言
随着数据驱动技术的发展，人们对图像的视觉感知需求愈加迫切。然而，在实际场景下获取图像通常存在诸多不可控的外界干扰，导致捕捉到的图像通常质量低，这严重降低了高级视觉算法的准确性。沙尘天气下，空气中悬浮着大量沙尘粒子，由于其直径大于可见光波长，在米氏散射（Mie scattering）的作用下，红蓝光发生衍射并透射下来，而蓝紫光被大量散射，导致成像设备捕捉到的图像通常存在颜色偏移、视觉模糊等问题，从主观视觉上来看，在景深较大的区域几乎不能观察到有价值的信息。
图1展示了不同沙尘场景下获取的退化图像及对应的RGB通道直方图分布。沙尘图像颜色通道具有以下明显特征。
集中性：颜色三通道主要的像素点集中在某一狭窄的区间范围，区域外的像素分布占比极少，这是造成沙尘图像亮度、对比度较低的主要原因。
顺序性：对于单幅沙尘退化图像而言，其RGB通道直方图分布在形状上有相似性，三通道依次按红、绿、蓝的顺序排列。这是造成沙尘图像在视觉上通常呈现黄色偏红的主要原因。
偏移性：沙尘退化图像的三通道直方图分布之间存在明显的位置偏差，且位置偏移越大，颜色偏移越严重。
为了在沙尘环境下获得颜色均衡且信息丰富的高质清晰图像，早期的处理策略是在传统增强技术的基础上，手动设计算法结构。传统算法的沙尘图像增强技术注重沙尘退化图像的像素值分布规律，通过曲线变换、颜色均衡等方法来优化色彩通道分量，以提高图像的质量。这种技术不受图像退化机制的限制，是智能优化算法设计初期面向图像增强问题的一般解决方案，例如雾霾图像增强、低光图像增强等。然而，由于对成像过程的理解不足以及忽视了各分量相互间的本质联系，这种算法无法准确获取隐空间的特征变量，造成此类方法的输出出现色彩失真、细节丢失的问题。此外，该类算法一般采用遍历的计算方式，不可避免地增加了算法的计算复杂度，导致在推理阶段耗时较长，不利于实际工程部署。
考虑到沙尘图像与雾霾图像存在某种退化共性，一些研究通过大气散射模型复原清晰图像。基于模型优化的图像处理策略属于传统的复原技术，该类方法尝试从成像的角度理解沙尘图像的退化机制，主要处理思路是将低质图像退化特征的输出项作为基本数据支撑，以搭建用于刻画目标输出的正则项为研究导向，采用较为成熟的数值优化算法来处理这类不适定问题。
基于物理模型的沙尘图像复原算法首先使用颜色校正技术对图像进行预处理，然后将校正后的图像作为雾霾图像，通过先验知识估计透射率、大气光值等参数，最后结合大气散射模型复原得到无沙尘清晰图像。然而，大气散射模型通常被用于描述雾霾图像的成像过程，直接将其应用于沙尘图像的复原在逻辑上略显牵强。此外，受限于基于数理统计构建的先验知识的刻画能力，基于物理模型的沙尘图像复原算法的鲁棒性较差，容易受到外界不可控因素的干扰，导致输出结果存在明显的光晕和伪影问题。
为解决基于传统算法的沙尘图像视觉增强方法存在的问题，利用启发式思想搭建算法框架，学习低质输入与优化输出之间的复杂转换过程，已成为主流的应对方案。通常来说，输入数据的分布规律对网络模型性能起着决定性作用，并推动数据驱动算法不断发展进步。针对一般的图像处理任务，模拟其对应的降质过程并构建相应的训练和评估数据集，是现阶段有监督学习技术通用的解决方式。但颜色退化是沙尘图像增强任务的核心降质问题，由于沙尘场景类型复杂多变，在构建训练数据时需要考虑沙尘浓度动态范围、颜色多样性、色调真实性等因素。此外，一些工作致力于构建真实场景下的沙尘图像和清晰图像在表征空间的转换关系，以无监督的方式优化网络参数。
总体来说，现有的沙尘图像视觉增强算法的发展动态有迹可循。但作为极具挑战的不适定任务，沙尘图像处理技术仍面临诸多亟待解决的问题。因此有必要全面综述当前沙尘图像处理技术的研究进展，并对当前的挑战与问题进行讨论和分析。
1 沙尘图像处理方法
近年来，随着沙尘天气出现频次的提高和持续时间的增加，高效提升沙尘图像视觉清晰度已成为学术界和工业界的研究热点。截至目前，沙尘图像处理技术可分为基于传统增强技术、基于物理模型方法和基于数据驱动的方法。随着神经网络技术的迅猛发展，基于深度学习的方法逐渐取代了基于传统增强技术的方法，成为当前提高沙尘图像视觉清晰度的主流策略。本文将对该领域的研究现状及发展动态进行全面而细致的分析与讨论。
1.1 基于传统方法的沙尘图像增强技术
早期沙尘图像增强方法一般采用传统图像处理算法，期望通过均衡退化颜色、拉伸对比度、提升亮度等方式提高退化图像的视觉清晰度。利用常规的直方图均衡技术生成的结果往往存在颜色失真、噪声放大的问题。为此，一些工作尝试在通用直方图均衡算法的基础上进行优化改进。例如，李海燕等人在2012年提出的基于局部块的直方图均衡技术，将输入图像分割为多个局部块状区域以改善细节丢失的问题，同时利用子块部分重叠直方图均衡（partially overlapped sub-block histogram equalization，POSHE）算法解决预处理结果中存在的块状伪影问题。为了解决直方图均衡技术普遍存在的噪声放大问题，Reza等人引入一种限制对比度自适应直方图均衡（contrast limited adaptive histogram equalization，CLAHE）算法，通过设置阈值控制对比度限幅参数，可以在一定程度上解决噪声放大的问题。作为一种通用技术，直接将CLAHE算法应用在沙尘退化图像上会导致结果出现颜色异常的问题，Shi等人分析了沙尘图像退化机制，首先将图像映射至Lab空间，利用CLAHE均衡L分量，并通过Gamma函数对颜色分量做校正处理，最后将增强后的特征映射至RGB空间。在CLAHE算法的基础上，Wang等人提出了一种快速色彩平衡算法，然后通过设计特征融合模型来提高沙尘暴退化图像的清晰度。此外，还有一些算法基于沙尘图像通道退化特征进行图像增强。智宁等人分析了沙尘图像RGB分量的退化特征，通过高斯模型对图像对应的退化分量进行物理建模，均衡通道位置，采用改进后的奇异值分解方法拉伸通道动态范围，以消除沙尘图像中存在的偏移、集中等退化特征。Cheng等人分析了沙尘图像颜色通道退化特征，对蓝色分量进行损失补偿，之后使用引导图像滤波算法强化图像对比度和边缘特征信息。为解决颜色异常和低对比度问题，Hua等人设计了基于色偏均衡和对比度延展的沙尘图像处理方案，首先对退化图像进行颜色补偿及白平衡处理，随后衔接HSV空间下的CLAHE处理算法，以锐化图像边缘，并拉伸对比度动态范围。
上述方法虽然可以在一定程度上提高图像主观质量和视觉清晰度，但由于此类算法未全面考虑到沙尘图像的退化机制，仅采用一些较为粗糙的增强技巧无法应对复杂多变的沙尘场景，增强图像的视觉保真度较差。此外，基于肉眼观察的设计方案通常具有较高的计算复杂度，这也提高了算法在实际工程中的部署难度。
1.2 基于大气散射模型的沙尘图像复原技术
大气散射模型常用于刻画雾霾天气下图像的退化过程，可表示为以下形式。
 | （1） |
 | （2） |
其中，
为图像中任一像素点的坐标位置；
为成像设备获取到的雾霾图像；
为相应的清晰无雾图像；
为大气光值，一般为常数；
为透射率图；
为沙尘的散射系数；
为当前场景对应的景深信息。
为进一步提升沙尘图像处理技术的性能，许多学者对沙尘图像与雾霾图像的退化机制做共性分析。从基于物理模型的沙尘图像复原技术的角度来说，沙尘图像通常被认为是具有颜色偏移特征的雾霾图像。在此观点的基础上，一些工作侧重于设计通用性较高的颜色均衡算法。然后，将颜色校正后的图像作为模型输入，利用基于大气散射模型的雾霾图像复原算法求解技巧复原出对应的清晰图像。这类算法通常需要借助一些辅助性的先验知识对复原过程关联的中间参数进行估计。Yu等人在暗通道先验（dark channel prior，DCP）算法的基础上构建了基于物理模型与特征限制的复原方案，以均衡输出图像的色彩保真度与亮度恒定性。Shi等人设计一种基于色偏均衡与DCP理论的复原策略，该方法通过优化原始DCP算法结构，旨在解决沙尘图像增强任务中普遍存在的伪影光晕问题。刘振宇等人提出一种自适应沙尘图像复原算法，利用DCP对亮度区域进行分割并初步复原出清晰图像，随后针对退化图像对比度和亮度不均衡的问题，提出将Gamma校正算法作用在CLAHE算法上以进一步提升复原图像清晰度。考虑到沙尘图像的蓝色通道信息在直方图分布中强度较弱的问题，Gao等人提出一种逆转蓝色通道先验（reversed blue channel prior，RBCP）方法，首先对蓝色分量特征做翻转增强处理，随后利用RBCP估计大气光值和透射率，并利用引导滤波算法细化所估计的参数。
基于物理模型的沙尘图像复原方法从成像的角度出发，在算法设计层面融合了传统图像增强技术，针对特定任务对现有先验理论提出了改进优化方案。相比于传统的单一视觉增强技术，沙尘图像复原算法在解决颜色失真、局部细节模糊等方面存在明显优势。但现阶段沙尘图像复原算法仍存在一些值得关注的问题，虽然研究人员在使用大气散射模型之前已经校正了沙尘图像的颜色，但将去雾模型应用于沙尘图像复原任务不可避免地会引入固有误差。同时，现有的先验算法对噪声是极为敏感的，复原计算过程的推进会不断累积误差，导致输出结果存在明显的噪点问题。
1.3 基于数据驱动的沙尘图像重构技术
基于数据驱动的深度学习技术已被广泛应用在高级视觉算法中，并在低级图像处理任务中显现优势。不同于常规图像增强任务，使用神经网络解决沙尘图像增强任务仍处于发展初期，其核心难点在于退化场景建模及必要参数估计。在基于深度学习的沙尘图像重构技术的发展初期，Si等人提出一种基于融合策略的沙尘图像重构算法，将去沙尘任务拆解为去沙和去尘。首先，使用改进的高斯模型均衡因“沙”导致的图像色偏。随后，通过雾霾图像训练得到的网络模型消除“尘”造成的视觉干扰，以进一步提升图像主观清晰度。Liang等人首先使用直方图均衡对沙尘图像偏移颜色做校正处理。然后，利用神经网络估计校正图像的大气光值、透射率和粗糙清晰图像。最后，通过大气散射模型建立无监督学习的闭环框架。由于缺乏沙尘图像训练数据对，Gao等人引入一种基于生成对抗网络无监督沙尘重构网络，建立图像在清晰域和沙尘域之间的端到端映射关系，并在真实沙尘图像上验证其对目标检测算法性能的辅助性提升效果。如图2所示，检测算法在增强后的图像上有更高的检测精度和识别准确度。
由于沙尘图像场景复杂多变，真实沙尘图像数据规模无法覆盖所有的沙尘退化特征，导致现阶段无监督算法的泛化能力较弱。随着沙尘图像技术的发展，该领域对成对训练数据的需求日益迫切，研究人员开始关注这一痛点问题并提出相应的数据合成方案，进而推动了沙尘低质图像重构技术的发展。Huang等人分析了沙尘图像的退化特性，设计一种沙尘表征提取模块，通过模块级联的方式搭建主干网络结构，以期模型在训练阶段侧重于对图像色偏校正的迭代学习。
近年来，VIT（vision Transformer）在全局特征提取方面展示出了优越性能，一些学者尝试将Transformer相关理论迁移至沙尘图像重构网络的结构设计上。Liang等人提出了一种端到端的沙尘图像重构网络，该网络利用多级尺度分支和多级像素块分支分别从全局和局部提取退化图像中的高维表征信息，以建立沙尘退化图像与清晰图像之间的转换关系。Shi等人提出一种融合CNN和Transformer关联特征的沙尘图像重构模型，该模型采用双分支结构设计，分别利用CNN和Transformer链路学习退化图像的局部特征和全局特征。最后，经特征融合模块将两分支提取到的特征做自适应信息整合，并输出重构图像。
2 性能评估
本节主要对现有公开的沙尘图像基准数据集的呈现形式、主要内容及应用范围进行介绍。随后，阐述图像增强领域常用的有监督和无监督评估指标。最后，在基准数据集的基础上对现有的沙尘图像增强算法进行定性和定量的性能评估。
2.1 基准数据集
受一些不可抗力因素的限制，在现实生活中几乎无法同时获取退化图像和相应的清晰图像，通过模拟退化过程来合成在主观或客观统计上具有一定真实性的基准数据成为解决该问题的主要方案。与一般图像增强任务相比，沙尘图像数据分布更加复杂，在模拟其成像过程时应当考虑多种沙尘强度与颜色偏移类型。
在基于深度学习的沙尘图像重构算法的发展初期，Si等人分析了沙尘图像的退化规律，对RGB通道做不同程度的衰弱处理，其合成结果如图3所示。虽然合成结果在视觉上接近沙尘图像，但由于缺乏对物理成像过程的多方面考量，合成图像与真实沙尘图像的像素点在数理统计上仍存在明显差异。具体表现在，合成图像的红绿通道因像素点集中在某一狭小区间，而出现了较多的“毛刺”点。这说明整张图像的颜色退化分布不够平滑，与真实沙尘场景仍存在较大差异。
石争浩等人尝试对大气散射模型中的大气光值进行调整，模拟不同沙尘天气条件下的退化图像，这开启了基于物理模型合成沙尘图像的先河。但由于该合成方案未将模型中的景深考虑在内，合成结果在视觉上色偏均匀，整体缺乏层次感。
为了解决因数据集缺失导致沙尘图像重构算法发展滞后的问题，Si等人对沙尘图像成像过程进行了全面的调研与分析，提出了一种沙尘图像散射模型，其对应表达式为以下形式：
 | （3） |
其中，
为合成沙尘图像；
为相应的清晰图像；
为清晰场景下的透射率图；
为全局颜色退化光值；
为
的互补色。图4为该模型合成沙尘图像的流程框架，其中
表示在全局颜色退化光值
的作用下物体表面固有的颜色偏移，
在
的基础上融合了景深信息，用于描述沙尘浓度的变化情况及关联颜色退化强度的前后景区别。
在此模型的基础上，Si等人构建了首个用于模型训练和算法性能评估的沙尘图像数据集SIRB。见表1，SIRB包含16 000对合成数据，依据图像退化强度（轻度、中度、重度、混合）设置4个训练子集和4个测试子集。此外，该数据集提供了包含230张真实沙尘场景的测试子集RSTS，用于评估算法在处理实际退化图像上的性能表现。SIRB数据集中部分合成示例如图5所示，可以看出SIRB的合成方法可以根据不同的增强任务自适应调节退化场景中的沙尘浓度，为网络模型的训练提供可靠的数据支撑。
表1 SIRB数据集
2.2 评价指标
2.2.1 无监督评价指标
无参考图像质量评价指标是指在没有任何参考数据的情况下，对算法生成的图像质量进行评估。接下来介绍图像处理领域常用的无监督指标。
NIQE：一种基于图像的统计特征和训练好的模型的无监督质量评测方法。它计算图像的统计特征，如均值、方差、梯度等，并利用这些特征来估计图像的质量。具体来说，NIQE使用一个通过大量的自然图像进行训练得到的模型，计算输入图像与真实自然场景之间的差异，输出当前图像的质量分数。NIQE的数学表达式如式（4）所示。
 | （4） |
其中，
、
和
、
分别代表自然多元高斯（MVG）模型和失真MVG模型对应的均值向量和协方差矩阵。NIQE值越低，表示输入图像越接近于自然图像。
BIQI：一种基于感知特征的无参考图像质量评价指标。BIQI利用从图像中提取的自然场景统计（NSS）特征来确定是否存在失真及其概率。BIQI考虑了5种失真类型，包括 jpeg、jpeg2000、白噪声、高斯模糊和快速衰减。BIQI可表示为以下形式。
 | （5） |
其中，
为可能失真的概率，
为相应失真程度。
尽管无监督评价指标可以在某种程度上将人眼的视觉感知考虑在内，但由于缺乏参考的确切引导，无监督评价指标常常出现对图像质量估计不准确的问题。因此，在评估算法性能时有必要引入有监督评估策略，以补齐无监督评价指标存在的短板。
2.2.2 有监督评价指标
有监督评价指标依赖于成对数据，通过计算输入图像与目标图像之间的差异，评估输入图像的质量。目前图像增强领域通常采用PSNR、SSIM和CIEDE2000计算图像之间的像素误差、结构误差和色偏误差。
PSNR：一种常用的有监督图像质量评价指标，通过计算图像的最大可能功率与影响图像保真度的噪声功率之间的比值对图像质量损失程度进行定量评估。PSNR通常用来描述对比图像之间的像素级误差，其计算式如式（6）所示。
 | （6） |
其中，
为图像中最大像素值，
为两对比图像的均方误差。
SSIM：一种基于人眼感知的原理设计的用于衡量两幅图像相似性的指标。SSIM使用了亮度、对比度和结构3个因素的加权平均来计算两对比图像之间的结构性误差，其数学表达式如式（7）所示。
 | （7） |
其中，
为保证计算过程稳定的常数；
、
和
、
分别是
、
的均值和方差；
为
、
的协方差。SSIM指标越高，两个图像之间的结构性误差越小。
CIEDE2000：由国际照明委员会（CIE）于 2001 年发布。CIEDE2000为计算工业色差提供了评估依据，其计算表达式如式（8）所示。
 | （8） |
其中，
、
和
分别表示对比图像之间的亮度差、色度差和色调差；
为调整色调和色度差异相互作用的校正系数。
2.3 沙尘图像视觉增强算法性能评估
2.3.1 实验细节
实验主要在4种不同沙尘浓度的合成数据集SIRB-E(L)、SIRB-E(M)、SIRB-E(D)和SIRB-E(H)上对9种算法进行性能评估，包括基于传统方法的沙尘图像增强技术（NGT、CBCS、TTFIO）、基于物理模型的沙尘图像复原技术（CIDC、HRDCP、ROP）和基于数据驱动的沙尘图像重构技术（FS、SandFormer、Pix2pix-D）。采用NIQE、BIQI作为无参考评价指标，PSNR、SSIM和CIEDE2000作为有参考评价指标。
2.3.2 定量和定性分析
表2和表3分别为各算法在4种不同沙尘浓度的基准数据库上的有监督和无监督指标结果对比。对表中数据进行分析，可以得出两点结论：一方面，现有的基于深度学习的图像重构方法在有监督评价指标上明显优于另外两种处理策略，凸显出神经网络模型强大的数据拟合能力；另一方面，由于基于传统方法的沙尘图像增强算法缺乏对退化过程和数据特征的全面理解，仅通过观察手动设计算法结构、优化图像参数以改善视觉质量的处理策略是其在指标上整体表现较弱的主要原因。
表2 有监督评价指标结果对比
表3 无监督评价指标结果对比
图6展示了对比算法的可视化示例。可以看出，基于数据驱动的深度学习沙尘图像重构算法相较于传统增强方法而言，其结果在色偏校正、感知清晰度和视觉保真度等方面均有更加优越的表现。随着技术的迭代更新，现阶段沙尘图像处理算法的研究重点是通过融合传统方法与神经网络实现算法之间的优势互补或在先验性技巧的基础上优化网络结构从而设计更加高效的特征提取模块。这类算法取得了当前沙尘图像视觉增强任务的最优解，但由于多数基于深度学习的算法过度依赖成对训练数据，需要以有监督的方式优化模型参数，导致网络在一些复杂沙尘退化场景上的表现不佳。这促使未来沙尘图像视觉增强技术的研究逐渐向半监督/无监督的学习方式靠拢，而此类算法通常需要根据场景退化特征设计高效的损失优化策略，以解决增强结果中普遍存在的细节模糊、颜色失真等问题。如何在人工智能跨越式发展的时代下构建更加稳定、鲁棒的处理策略是推动沙尘图像视觉增强技术突破现有枷锁的核心动力。
3 总结与展望
本文从沙尘图像视觉增强算法的研究进展、沙尘图像数据集和评价指标3个层面对沙尘图像增强领域进行全面介绍，具体如下。
在大数据时代，沙尘图像视觉增强技术逐渐由传统处理方法向基于数据驱动的图像映射技术转变，由全监督的学习方式向半监督/无监督的学习方式递进，网络结构复杂度由冗余向轻量过渡。
当前沙尘图像视觉增强算法的研究主要在图像去雾相关理论的基础上进行技术迁移，通过嵌入颜色校正预处理、基于数理统计的先验分析及基于启发式的模块结构设计以适配沙尘图像视觉增强任务的需求。
图像数据增强的主要目的是服务于上游的高级视觉任务。从一系列定量/定性评估实验来看，基于数据驱动的深度学习方法性能普遍优于传统沙尘图像增强算法。如何顺应大模型发展的浪潮，构建普适性高、与场景无关、对高级视觉算法友好的图像增强方法，是现阶段面临的主要挑战之一。
通过上述总结可推测未来沙尘图像视觉增强领域有以下可能的研究方向。
挖掘不同沙尘退化场景下的潜在表征规律，打破网络对成对数据固有分布的依赖，赋予模型在真实降质数据处理上的泛化能力。
将传统算法或基于统计先验知识提取到的特征作为引导信息，优化模型参数，删减网络在结构设计上的冗余分支，以降低算法在实际部署中的计算复杂度。
顺应大模型发展的浪潮，将沙尘图像增强过程作为某一处理链路，打通上下游模型之间的关联，提升高级视觉（如检测、分割等）算法在沙尘退化场景中的性能表现。
作者简介
司亚中，男，河北工业大学博士生，平安科技（深圳）有限公司算法工程师，主要研究方向为深度学习、计算机视觉等。
张旭龙，男，博士，平安科技（深圳）有限公司高级算法研究员，担任清华大学深圳研究院、中国科学技术大学先进技术研究院校外导师，IEEE、中国自动化学会、中国计算机学会会员，中国自动化学会联邦数据与联邦智能专业委员会委员。主要研究方向为语音合成、语音转换、音乐信息检索以及机器学习和深度学习方法在人工智能领域的应用。2023年入选上海市东方英才计划青年项目。
杨帆，男，博士，河北工业大学电子信息工程学院教授、博士生导师，主要研究方向为智能信息处理、计算机视觉、图像处理等。
王健宗，男，博士，平安科技（深圳）有限公司副总工程师，资深人工智能总监，联邦学习技术部总经理，智能金融前沿技术研究院院长。美国佛罗里达大学人工智能博士后，美国莱斯大学和华中科技大学联合培养博士，中国计算机学会资深会员，中国计算机学会大数据专家委员会委员，中国自动化学会联邦数据和联邦智能专业委员会副主任。主要研究方向为大模型、联邦学习和深度学习等。
程宁，男，博士，平安科技（深圳）有限公司高级人工智能专家、中国科学院自动化所博士。主要研究方向为人工智能算法研究及其在语音处理和自然语言处理领域的应用。在大数据、机器学习、人工智能国际顶会或期刊上发表学术论文50余篇，发明专利申请100余项。
肖京，男，博士，美国卡耐基梅隆大学博士，国家特聘专家。国家新一代普惠金融人工智能开放创新平台技术负责人、深圳市政协委员、深圳市决策咨询委员会委员，兼中国计算机学会深圳分部副主席、广东省人工智能与机器人学会副理事长、深圳市人工智能行业协会会长、深圳市人工智能学会副理事长，清华大学、上海交通大学、同济大学等客座教授。长期从事人工智能与大数据分析挖掘相关领域研究，先后在爱普生美国研究院及美国微软公司担任高级研发管理职务，现任平安集团首席科学家、技术研究院院长，负责人工智能技术研发及其在金融、医疗、智慧城市等领域的应用，带领团队树立了多项传统行业智能化经营的标杆。已发表学术论文249篇，美国授权专利101项，中国发明专利155项，参与及承担国家级项目8项。
联系我们:
Tel:010-53879208
010-53859533
E-mail:bdr@bjxintong.com.cn
http://www.j-bigdataresearch.com.cn/
转载、合作：010-53878078
大数据期刊
《大数据（Big Data Research，BDR）》双月刊是由中华人民共和国工业和信息化部主管，人民邮电出版社主办，中国计算机学会大数据专家委员会学术指导，北京信通传媒有限责任公司出版的期刊，已成功入选中国科技核心期刊、中国计算机学会会刊、中国计算机学会推荐中文科技期刊，以及信息通信领域高质量科技期刊分级目录、计算领域高质量科技期刊分级目录，并多次被评为国家哲学社会科学文献中心学术期刊数据库“综合性人文社会科学”学科最受欢迎期刊。
关注《大数据》期刊微信公众号，获取更多内容
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
