一、个人简介
王锐，博士，中共党员，2023年1月毕业于江南大学，2015-2018年、2019-2023年，王锐于江南大学攻读硕士、博士学位，师从吴小俊教授。在读期间，获得硕士、博士研究生国家奖学金、优秀研究生干部、江南大学优博培育基金、江南大学十佳研究生、江南大学优秀硕士、博士学位论文以及江南大学优秀毕业研究生等荣誉。曾任计科2015级硕士班支部书记和中国计算机学会（CCF）江南大学学生分会主席。毕业后留校任教，现为江南大学人工智能与计算机学院讲师，荣获2024年江苏省优秀博士学位论文。主要研究方向为黎曼流形上的神经网络设计，目前已在CVPR, NeurIPS, AAAI, IJCAI, IEEE-TNNLS等国际顶会和顶刊上发表论文20余篇，主持国家、江苏省、中央高校青年基金各1项，并作为骨干成员参与包括重点研发计划、国自然重点等在内的多个国家级项目。担任CVPR、ICCV、ICML等AI顶会的审稿人，担任著名会议IJCNN-2025的领域主席。指导学生获得多项学科竞赛奖励，并获评优秀指导老师。
二、论文基本信息
论文题目：基于黎曼流形学习的图像集分类算法研究
作 者：王锐
指导教师：吴小俊 教授
学 院：物联网工程学院
学 科：控制科学与工程
三、论文研究价值
图像集分类是人工智能中的基础研究方向，是图像和视频理解领域的重要信息处理技术，在智慧城市等人工智能场景中有着广泛的应用。经过二十几年的研究与发展，研究者们相继在理论、方法以及数据集等三个维度丰富了图像集分类的研究范畴，激发了对该方向深入探索的活力。尽管图像集相较于单幅静态图像涵盖了由姿态、视角、光照、运动速度以及背景等变化而导致的物体表观差异，如何对上述复杂的数据分布进行合理地编码，以及如何有效地度量图像集之间的相似性，已成为该领域当前所面临的主要难题。近年来，随着以黎曼几何为基础的流形学习方法在视觉数据的非线性表征中所展现出的优异性能，图像集分类领域的主要研究手段也侧重于这一方面。尽管如此，视觉大数据所蕴含的复杂性、多样性以及高维性对流形学习方法的性能提出了巨大挑战。本文在黎曼流形学习的基础上，深入分析了浅层方法和深度模型在表示学习过程中所存在的不足，从数据建模、网络架构以及目标函数三个方面提出了创新解决思路，并设计了有效的实施方案，显著提升了模型的表征判别性和分类准确性，助力智慧城市中模式识别与智能系统的研究与发展。
四、论文主要贡献及创新点
图1：本文研究内容的主要框架
图像集分类是模式识别和计算机视觉领域中的一项重要研究课题，其中以黎曼流形学习为代表的几何分析方法进一步拓宽了图像集分类的研究范畴，为数据的非线性表征提供了理论支撑、建模依据以及设计思路。本文对基于黎曼流形学习的图像集分类的研究意义进行了简要地阐述，并从欧氏空间和黎曼流形两个范畴对现有的图像集分类算法进行了归纳和总结，给出了作者对算法优缺点以及关联性的见解。在此基础上，就浅层黎曼方法和深度黎曼模型的学习机制进行了仔细分析，针对浅层模型精度有限、迭代优化效率较低以及黎曼网络信息退化等问题，开展了如下研究：
1. 就如何提高浅层算法的分类精度，提出了多流形联合判别表征策略；
2. 就如何提高图像集分类的效率性，设计了轻量级黎曼神经网络模型；
3. 就如何强化图像集分类的准确性，探索了深度黎曼网络的构建范式。
本文的主要研究思路和所提出的实施方案如图1所示。相关研究成果在表情识别、行为识别、场景理解以及EEG解码等AI任务中取得了优异性能，并得到了国内外学者的广泛关注。
五、代表性科研成果
1. Wang, R., Jin, S., Chen, Z., Luo, X., Wu, X.-J. Learning to Normalize on the SPD Manifold under Bures-Wasserstein Geometry. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2025. CCF-A，顶会，谷歌学术排名位列全球第2
2. Wang, R., Chen, H., Chen, Z., Wu, X.-J., Song, X. A Grassmannian Manifold Self-Attention Network for Signal Classification. International Joint Conference on Artificial Intelligence (IJCAI), 2024: 5099-5107. CCF-A，顶会
3. Wang, R., Wu, X.-J., Chen, Z., Hu, C., Kittler, J. SPD Manifold Deep Metric Learning for Image Set Classification. IEEE Transactions on Neural Networks and Learning Systems, 2024, 35(7): 8924-8938. IF=10.2，中科院1区
4. Wang, R., Wu, X.-J., Xu, T., Hu, C., Kittler, J. Deep Metric Learning on the SPD Manifold for Image Set Classification. IEEE Transactions on Circuits and Systems for Video Technology, 2024, 34(2): 663-680. IF=8.3，中科院1区
5. Wang, R., Wu, X.-J., Xu, T., Hu, C., Kittler, J. U-SPDNet: An SPD Manifold Learning-based Neural Network for Visual Classification. Neural Networks, 2023, 161, 382-396. IF=6.0，中科院1区
6. Wang, R., Wu, X.-J., Kittler, J. SymNet: A Simple Symmetric Positive Definite Manifold Deep Learning Method for Image Set Classification. IEEE Transactions on Neural Networks and Learning Systems, 2022, 33(5): 2208-2222. IF=10.2，中科院1区
7. Wang, R., Wu, X.-J., Chen, K.-X., Kittler, J. Multiple Riemannian Manifold-valued Descriptors based Image Set Classification with Multi-Kernel Metric Learning. IEEE Transactions on Big Data, 2022, 8(3): 753-769. IF=7.5，中科院2区
8. Wang, R., Wu, X.-J., Liu, Z., Kittler, J. Geometry-Aware Graph Embedding Projection Metric Learning for Image Set Classification. IEEE Transactions on Cognitive and Developmental Systems, 2022, 14(3): 957-970. IF=5.0，中科院3区
9. Wang, R., Wu, X.-J., Chen, Z., Xu, T., Kittler, J. Learning a Discriminative SPD Manifold Neural Network for Image Set Classification. Neural Networks, 2022, 151: 94-110. IF=6.0，中科院1区
10. Wang, R., Wu, X.-J., Kittler, J. Graph Embedding Multi-Kernel Metric Learning for Image Set Classification with Grassmannian Manifold-valued Features. IEEE Transactions on Multimedia, 2021, 23: 228-242. IF=8.4，中科院1区
六、个人感悟
热爱与专注：科研需要热爱和持之以恒的努力。要具备耐得住寂寞、承受住失败的勇气。
坚守与初心：在面对科研压力时，回想最初的热情与梦想，勇敢面对挑战，迎难而上。
合作与分享：积极参与团队合作，分享思路与成果，在合作中互相启发，共同进步。
生活与科研：合理分配时间，保持健康的生活方式，养成锻炼身体的习惯，这将有助于提升科研的时效性和创造性。
沟通与理解：与导师保持积极、良好的沟通，多汇报、多交流，这不仅能增进相互理解，还能启发科研灵感。
七、导师寄语
科学研究与教育教学不仅是一项事业，更是一种责任。它要求我们不骄不躁，脚踏实地，奋力向下扎根，汲取知识的养分；同时，勇敢向上生长，追求卓越，勇攀学术高峰。优秀博士学位论文既是对你锲而不舍专注科研的见证，也是对你今后成长的鞭策。希望你以此为新的起点，继续保持脚踏实地的态度和勇于创新的精神，在学术研究和教育教学中潜心奋进，为学校、社会和国家的发展贡献智慧与力量。
