原澳大利亞阿德萊德大學教授、計算機視覺大牛沈春華已回國，並全職加入浙江大學。據主頁介紹，沈春華於今年12月入職浙江大學，併兼任莫納什大學信息技術學院的數據科學與AI無償兼職教授。他本科畢業於南京大學，並擁有南京大學信號處理系和澳大利亞國立大學應用統計學系的兩個碩士學位，於2005年獲得阿德萊德大學計算機視覺博士學位。
博士畢業后，他在NICTA和澳大利亞國立大學工作，並於2011年加入阿德萊德大學擔任教職。
去年10月，沈春華入選了澳大利亞終身成就榜。澳大利亞終身成就榜根據每位研究人員每年的 H 指數，在衡量生產力和影響力的基礎上，選出澳大利亞的大學和研究機構在八個主要學科領域中的每一個領域的五名頂尖研究人員。當年入選的還包括悉尼大學教授、京東探索研究院院長陶大程，阿德萊德大學教授Peng Shi，斯威本科技大學教授韓清龍等。
據主頁介紹，沈春華如今加入的是浙江大學計算機輔助設計與圖形學國家重點實驗室。
計算機輔助設計與圖形學國家重點實驗室依託浙江大學。由校內計算機系、數學系和機械系三系共建。
實驗室主要專註計算機輔助設計（CAD）、計算機圖形學、媒體計算和可視分析、虛擬現實等領域，目前已發表國內外重要刊物論文300多篇。
該實驗室來頭不小，不僅有多名院士、長江學者加持，郭百寧、鮑虎軍、周昆、陳寶權、胡事民等計算機圖形學大牛亦構成了其高層次、高水平的科研隊伍的基石。
能加入此等實驗室，沈春華當然也有足夠實力背書。據Google Scholar顯示，沈春華論文總引用數已超33000，其中引用量最高的三篇是：
-
Refinenet: Multi-path refinement networks for high-resolution semantic segmentation -
Image Restoration Using Very Deep Convolutional Encoder-Decoder Networks with Symmetric Skip Connections -
FCOS: Fully Convolutional One-Stage Object Detection
Image Restoration Using Very Deep Convolutional Encoder-Decoder Networks with Symmetric Skip Connections
論文地址：https://arxiv.org/pdf/1603.09056.pdf
在這篇論文中，研究團隊提出了一個非常深的全卷積編碼解碼框架，用於圖像恢復，例如去噪和超分辨率。該網絡由多層卷積和反卷積算子組成，學習從損壞圖像到原始圖像的端到端映射。
該研究將卷積層和反卷積層與跳過層連接對稱地連接起來，從而模型可以訓練收斂得更快，並獲得更高質量的局部最優解。
RefineNet: Multi-Path Refinement Networks for High-Resolution Semantic Segmentation
論文地址：https://arxiv.org/pdf/1611.06612.pdf
RefineNet的提出針對的是，深度 CNN 中的池化或卷積跨步（striding）等重複子採樣操作會導致初始圖像分辨率顯著降低的現象。
RefineNet是一種通用的多路徑細化網絡，它明確利用下採樣過程中的所有可用信息，以使用遠程殘差連接進行高分辨率預測。通過這種方式，可以使用來自早期卷積的細粒度特徵直接細化捕獲高級語義特徵的更深層。
RefineNet 的各個組件採用遵循身份映射思維方式的殘差連接，從而實現有效的端到端訓練。此外，還引入了鏈式殘差池，它以有效的方式捕獲豐富的背景上下文。
FCOS: Fully Convolutional One-Stage Object Detection
論文地址：https://arxiv.org/pdf/1904.01355.pdf
這篇論文提出了一種完全卷積的單級目標檢測器 (FCOS)，以類似於語義分割的每像素預測方式解決目標檢測問題。
幾乎所有最先進的物體檢測器，如 RetinaNet、SSD、YOLOv3 和 Faster R-CNN 都依賴於預定義的錨框。相比之下，FCOS 沒有錨框，也沒有proposal。
通過消除預定義的錨框集合，FCOS 完全避免了與錨框相關的複雜計算，例如在訓練過程中計算重疊。
FCOS的提出表明，為了提高檢測精度，採用更簡單和靈活的檢測框架或許更有效。
豐碩的科研成果背後，是他自身深厚的學術素養以及人才培養能力。沈春華培養了眾多優秀的博士生，其中包括了近年獲得Google獎研金的劉伊凡、王鑫龍、Zhi Tian等等，他們畢業后都在知名高校和互聯網企業任職，可謂人才濟濟。
