| 姓名：曾坤 职称：讲师 职务：无 学历：博士 电子邮箱：[email protected] | ||
教育经历： 2012年09月-2015年12月 厦门大学，计算机科学与技术专业， 博士 2005年09月-2008年07月 厦门大学，计算机系统结构专业，硕士 2001年09月-2005年07月 厦门大学，计算机科学与技术专业，学士 | |||
| 工作经历： 2019年09月-至今 闽江学院，澳门6合彩开奖 ，讲师 2016年03月-2019年08月 厦门大学，电子科学与技术学院年博士后 2008年08月-2012年08月 厦门大学嘉庚学院, 讲师 | |||
研究方向： 计算机视觉、深度学习 | |||
科研成果： 论文 [1] Hong Zheng, Huabin Heng, Zhiqiang Yan, Kun Zeng*, Jinsheng Fang, Baohua Qiang. A Generic Multicorrespondence Matching Framework for Reference-based Image Super-Resolution. IEEE Transactions on Instrumentation and Measurement, 2024, 73: 5025911. (中科院大类二区SCI、Top期刊) [2] Kun Zeng*, Hanjiang Lin, Zhiqiang Yan, Jinsheng Fang. Densely Connected Transformer with Linear Self-Attention for Lightweight Image Super-Resolution. IEEE Transactions on Instrumentation and Measurement, 2023, 72: 5023112. (中科院大类二区SCI、Top期刊) [3] Kun Zeng, Hanjiang Lin, Zhiqiang Yan, Jinsheng Fang, Taotao Lai*. Non-Local Self-Attention Network for Image Super-Resolution. Applied Intelligence, 2024, 54(7): 5336-5352. (中科院大类二区SCI期刊) [4] Jinsheng Fang, Xinyu Chen, Jianglong Zhao, Kun Zeng*. A Scalable Attention Network for Lightweight Image Super-Resolution. Journal of King Saud University - Computer and Information Sciences, 2024, 36: 102185. (中科院大类二区SCI期刊) [5] Jinsheng Fang*, Hanjiang Lin, Jianglong Zhao, Kun Zeng*. An Efficient Multi-Scale Large Asymmetric-Kernel Network for Lightweight Image Super-Resolution. Concurrency Computation: Practice and Experiment. 2024:e8240. (中科院大类四区SCI期刊) [6] Kun Zeng, Hong Zheng, Congbo Cai, Kaihua Zhang, Zhong Chen*. Simultaneous Single- and Multi-Contrast Super-Resolution for Brain MRI Images Based on A Convolutional Neural Network. Computers in Biology and Medicine, 2018, 99: 133-141. (中科院大类二区SCI期刊) 专利 [1] 曾坤, 李培榕, 杨钰, 林贵敏. 基于注意力与蒸馏机制的轻量级超分辨率重建方法. 国家发明专利, 授权时间: 2023.8.29, 专利号: 202210744329.3 [2] 曾坤, 刘志煌, 蔡远征, 全力. 基于精准核估计的交替优化图像盲超分辨率重建方法. 国家发明专利, 授权时间: 2023.06.27, 专利号: 202210744814.0 [3] 曾坤, 肖国宝, 李佐勇, 汪涛. 一种基于递归局部合成网络的单幅图像超分辨率重建方法. 国家发明专利, 授权时间: 2022.06.07, 专利号: 201910573260.0 | |||
主讲课程： 机器学习与应用、深度学习与神经网络、图像识别与应用、工程化项目训练（图像处理） | |||
