如果你想申请香港理工大学电机与电子工程学系的博士，那今天这期文章解析可能对你有用！今天Mason学长为大家详细解析香港理工大学的Prof. Yui Lam Chan的研究领域和代表文章，同时，我们也推出了新的内容“科研想法&开题立意”，为同学们的科研规划提供一些参考香港理工大学导师QS100名校留学，博士（PhD）申请攻略 | 香港理工大学（PolyU）导师简介（98），并且会对如何申请该导师提出实用的建议！方便大家进行套磁！后续我们也将陆续解析其他大学和专业的导师，欢迎大家关注！
Yui Lam Chan博士是香港理工大学电机与电子工程学系的副教授。他于1993年和1997年先后获得香港理工大学电子工程学士和博士学位。Chan博士在求学期间曾获得10多个著名奖学金与奖项,例如全港电子设计比赛冠军等。1997年Chan博士加入香港理工大学任教,现任副教授一职。他在多媒体技术、信号处理、图像视频编码等方面具有专业知识。
研究领域
教授的教学领域包括:
1)多媒体技术:图像处理、视频编码解码、视音频压缩等
2)信号处理:数字信号处理、滤波、采样等信号处理理论与方法
3)电路设计:模拟和数字电路原理、集成电路设计等
教授的核心研究兴趣为:
1)图像视频编码:视频压缩编码、运动估计、错误隐藏等
2)视音频质量评估:主观质量评估、无参考质量预测等
3)多媒体信号处理:图像增强、信号去噪、图像修复等
研究分析
Image super via of two based , mode based and based
发表期刊: Tools and
该文提出将奇异谱分析、经验模态分解和离散余弦变换三种图像去噪方法有机结合,实现图像的超分辨率重建。通过分析不同频率分量的贡献,方法可以有效提升图像质量。
Mode CNN for of
发表期刊:IEEE
该文在屏幕内容编码中,利用含模式信息的卷积神经网络提升重建图像质量。该方法可以明显减少伪影现象,同时提高编码效率。
for Video
发表会议:
该文通过设计多通道卷积神经网络和GRU结构,学习视频质量评估任务的质量特征表达。方法无需人工设计特征,可以端到端学习并实现无参考的质量预测。
via Multi- CNN and GRU for No- Video
发表期刊:IEEE
该文使用卷积神经网络和GRU的组合,实现无参考视频质量评估。通过多通道CNN自动学习质量相关特征,GRU进行时序特征提取。
Pixel : A Novel for Block
发表期刊:IEEE on and for Video
该文提出自适应像素抽取算法,可有效降低视频编码中的块运动估计计算复杂度,同时保持运动搜索准确性,达到提升编码效率的目的。
项目分析
基于深度学习的全功能视频编解码器优化技术研究
该项目利用深度学习网络来提升视频编解码的性能,包括运动估计、图像重构等模块的优化。
面向认知视觉的健壮视频传输技术
该项目研究如何在有限网络资源下传输对视觉质量影响较小的视频信息,以满足不同认知视觉任务的需求。
无参考视音频质量评估理论及其应用
该项目研究在没有参考视频的情况下,通过机器学习方法预测视音频的主观质量。
研究想法
1. 基于生成对抗网络的视频压缩编码精度提升
使用GAN的生成器来还原丢失的高频详细信息,提升低比特率视频编码的重建质量。这可以减少编码中的信息丢失,是目前的热点方向。
2. 集成学习算法在无参考视频质量预测中的应用
无参考视频质量评估可考虑集成SVM,CNN和GRU等多种方法,充分利用各模型的优势,提升预测精度。
3. 视频编码标准的质量度量优化
可针对现有的视频质量评价指标,通过大量主观质量数据进行改进,使其更符合人眼感知,为编码标准优化提供参考。
4. 基于注意力机制的多模态视频质量预测
视频质量不仅与视觉内容相关,还与音频质量高度相关。可以构建含注意力机制的多模态网络,实现对视听内容的联合分析。
5. 面向计算机视觉任务的视频压缩方案设计
可根据目标跟踪、语义分割等不同计算机视觉任务特点,设计可保留关键语义信息的视频压缩编码方案。
6. 轻量级网络在移动端视频编码中的应用
移动平台可采用模型压缩和知识蒸馏等方法,将大型编码网络转换为轻量级网络,减少编码计算与存储成本。
申请建议
1、学习使用、等深度学习框架,熟练运用卷积神经网络、递归神经网络等模型。
2、在图像视频处理相关国际会议上发表论文,展示研究潜力。争取取得图像视频处理领域相关背景的推荐信。
3、提出可落地的课题思路,如基于轻量级网络的移动多媒体应用、面向智能监控的低比特率视频编码等。
4、在邮件中指出计划加入导师团队的具体想法,表明在博士期间可为导师哪些研究项目提供支持。
5、套磁时可以描述如何主动为导师实验室的研究项目出力香港理工大学导师，展示团队合作能力，如协助收集视频质量评估数据库。
香港理工大学导师，香港理工大学全奖博士招生（导师吴玉杰教授）
了解科研
学会科研
香港理工大学计算机系
香港理工大学计算机系在国际排名中表现优异，其计算机科学专业在多个权威排名中名列前茅。该系汇聚了众多顶尖学者，在人工智能、机器学习、类脑计算等前沿领域具有强大的研究实力。作为香港地区的顶尖高校，香港理工大学长期入选”QS世界百强大学”及”泰晤士高等教育世界百强大学”，为博士生提供了优质的学术环境和国际化的研究平台。
招生信息
导师背景
吴玉杰博士现任香港理工大学助理教授，此前在奥地利格拉茨技术大学与类脑计算领域开拓者 Maass教授进行博士后研究。他于2016-2021年在清华大学获得博士学位，师从施路平教授和朱军教授，深耕类脑计算研究领域。
吴教授的研究成果已在、 、 、 等顶级期刊和AAAI等顶级会议发表。值得注意的是，他参与的天机芯片项目被评为2019年中国十大科技进展之一，并被斯坦福大学评为全球前2%最具影响力科学家。
核心研究方向
1. 神经形态计算：专注于硬件-算法协同设计，探索脉冲神经网络的高效训练方法，致力于突破传统冯诺依曼架构的计算瓶颈。
2. 大脑可塑性模型：深入研究大脑的快速记忆机制和动态学习理论，开发基于生物学原理的高效学习算法。
3. 脑启发大模型：面向人工通用智能的发展需求，构建融合神经科学原理的新型智能架构。
招生计划与条件
本次招生针对2025年春季和2026年秋季入学，提供全额奖学金支持，约19万港币/年。招生对象为计算机科学、数学、电子工程、神经科学等相关专业的优秀学生。
核心要求包括：扎实的编程基础和数理功底，英语水平达到托福80分或雅思6.5分以上（可录取后补交），具备自我驱动的学习能力和长期科研志向。特别强调的是，导师重视学生的独立思考能力和创新精神，拒绝单纯的”应试思维”。
培养特色
吴教授承诺为每位学生提供每周一对一的个性化指导，采用目标导向的培养模式，根据学生特点灵活推进研究进程。优秀学生将获得赴MIT等国际顶尖实验室深造的推荐机会，拓展国际视野。
Mason博士有想法
基于吴玉杰教授在类脑计算领域的深厚积累，以下是几个具有前瞻性的研究计划构想：
1. 基于行为时间尺度突触可塑性的一次性学习系统
吴教授近期在行为时间尺度突触可塑性(BTSP)方面的研究为一次性学习提供了新的理论基础。研究计划将开发一个融合BTSP机制的神经网络架构，实现类似人脑的快速学习能力。该系统将在二进制突触条件下实现内容寻址记忆，为边缘计算设备提供超低功耗的快速适应能力。
2. 多模态脑启发智能感知芯片
在 发表的多模态混合神经网络研究基础上，计划开发下一代多模态感知芯片。该芯片将集成视觉、听觉、触觉等多种感知模态，通过神经形态计算实现实时的跨模态信息融合，为机器人和自动驾驶等应用提供更加鲁棒的感知能力。
3. 认知大模型的神经形态加速器
随着大语言模型的快速发展香港理工大学导师，香港理工大学全奖博士招生（导师吴玉杰教授），计划设计专门的神经形态加速器，将脑启发的稀疏计算和事件驱动机制引入大模型推理。通过模拟大脑皮层的分层处理机制香港理工大学导师美国top30名校留学，实现大模型的超低功耗部署，同时保持高精度的推理性能。
4. 类脑计算的理论完备性扩展
基于清华团队在类脑计算完备性方面的理论贡献，计划深入探索类脑计算系统的理论边界。研究将重点关注混合神经网络的计算能力边界，建立更加完善的理论框架，为类脑计算的标准化和产业化奠定基础。
5. 脑启发的持续学习框架
结合神经科学中关于记忆巩固的最新发现，开发一个能够持续学习而不发生灾难性遗忘的智能系统。该框架将模拟大脑海马-新皮层的记忆巩固机制，实现知识的长期保存和灵活调用，为终身学习AI系统提供生物学启发的解决方案。
启尔国际留学
咨询请添加｜
觉得内容还不错的话，给我点个“在看”呗
