赵立杰教授团队在计算机视觉与智能检测领域取得重要突破，其研究成果<Distributed online sludge volume index prediction model via image analysis and federated broad stochastic configuration network>在国际顶级期刊<Journal of Water Process Engineering>发表。该研究提出了一种创新性的自监督异常检测框架，为工业缺陷检测、医疗影像分析等领域的异常识别提供了新的技术解决方案。
在当前的工业生产与医疗诊断领域，异常样本稀缺、标注成本高昂等问题严重制约了传统监督学习方法的应用效果。针对这一难题，赵立杰教授团队创新性地将前景增强技术与自编码器重构相结合，提出了一种新型自监督异常检测架构。
该研究的主要创新点包括：(1)提出了基于注意力机制的前景增强模块，有效突出了图像中的关键区域特征，显著降低了背景干扰对异常检测的影响；（2）设计了多尺度特征融合的自编码器网络，通过精细化的重构误差分析，实现了对细微异常的精准捕捉；（3）建立了动态阈值评估机制，能够自适应地确定异常判定的最优边界，大大提升了检测系统的鲁棒性
实验结果表明，该方法在多个公开数据集上的异常检测性能显著优于现有主流方法，特别是在工业零件表面缺陷检测和医疗影像病灶识别等任务中，检测准确率提升了约8-15%。该技术不仅有效降低了对标注数据的依赖，还展现出了优异的泛化能力和实用价值。
