Maestría en Ingeniería (Ingeniería de vehículos), Universidad Tecnológica de Wuhan, China, 2004;
Ingeniería, Universidad China de Hong Kong, China, 2007 Doctorado (Automatización e Ingeniería Asistida por Computadora). Red neuronal artificial.
Fundación Nacional de Ciencias Naturales de China (Juventud) para la Neurociencia Computacional: Diseño óptimo de clústeres de redes neuronales recursivas basado en condiciones KKT (2009-2011);
Fundación Nacional de Ciencias Naturales de China ( General): El trabajo de investigación sobre redes neuronales de aprendizaje profundo basadas en modelos de codificación dispersa (2013-2016) se centra en la intersección de la informática y la neurociencia cognitiva. Las direcciones de investigación incluyen las redes neuronales artificiales y la neurociencia computacional. Por un lado, me interesa descubrir los misterios del cerebro, especialmente los mecanismos mediante los cuales procesa la información sensorial y la información para la toma de decisiones. Las principales herramientas utilizadas son los modelos computacionales jerárquicos y la teoría bayesiana. También estamos intentando utilizar imágenes por resonancia magnética funcional (fMRI) combinadas con aprendizaje automático para explorar el mecanismo de funcionamiento del cerebro. Por otro lado, me interesan los métodos computacionales inspirados en el cerebro. La investigación se centra en el diseño de redes neuronales recurrentes para resolver problemas relacionados con la optimización. Estamos intentando combinar más conocimientos de la neurociencia cognitiva para mejorar la precisión y eficiencia de los modelos de aprendizaje profundo en el reconocimiento y detección de objetos.
Se han realizado algunos trabajos sobre el mecanismo de procesamiento de información de la vía visual ventral del cerebro y se han establecido una serie de modelos jerárquicos para explicar las características de respuesta de las neuronas en cada capa de la vía (incluyendo V1, V2, TI y otras áreas). Dos tareas típicas son mejorar los modelos HMAX para aumentar la escasez y las conexiones de retroalimentación, lo que puede explicar mejor una variedad de datos de neurociencia. Los resultados relevantes se publicaron en PLoS ONE (2014) y Neural Computing (2010), respectivamente.
En cuanto a los métodos informáticos inspirados en el cerebro, en la última década, la mayor parte del trabajo se ha centrado en la teoría y los métodos de redes neuronales recursivas para resolver problemas de optimización, explorar en profundidad las características de los modelos existentes y diseñar una serie. de nuevos modelos y resultados relacionados se han publicado en varias revistas del IEEE. También se han realizado algunos trabajos sobre aprendizaje profundo. En el Concurso Alemán de Detección de Señales de Tráfico IJCNN2013, se utilizó la red neuronal convolucional para ganar el segundo y cuarto lugar para dos tipos de señales. Además del reconocimiento y detección de objetivos, la detección de imágenes de áreas destacadas también es una aplicación de interés. Haciendo referencia a una teoría en psicología, la teoría de la jerarquía inversa, se construye un modelo jerárquico que bien puede predecir el punto de mirada del ojo humano en la imagen. Este resultado fue aceptado por CVPR 14, una importante conferencia sobre visión por computadora. Primer Premio en Ciencias Naturales del Ministerio de Educación (tercer puesto): Modelo de Optimización Neurodinámica y su Aplicación (2012)
Becario Postdoctoral Destacado en la Universidad de Tsinghua (2009)
ICONIP 2012: Premio al mejor artículo (2012) [1] P. Qi, X. Hu, "Aprendiendo regularidades estadísticas no lineales en imágenes naturales a través del modelado de productos externos de la intensidad de la imagen", Neural Computing (aceptado)
[2 ] 2014.
[3] -12 páginas, 2014.
[4] Páginas 821-827, 2012.
[5] Página.
[6], págs. 1073-1086, julio de 2010.
[7], Número 6, páginas 1640-1645, diciembre de 2009.
[8] X. Hu y B. Zhang, "Una nueva red neuronal recurrente para resolver problemas de programación cuadrática convexa y su aplicación en problemas k-el ganador se lo lleva todo", IEEE Transactions on Neural Networks, Vol. Volumen 20, Número 4, páginas 654-664, abril de 2009