google的博士生奖研金项目（Google Ph.D Fellowship Program）创立于 2009 年，旨在奖励在计算机学科及其相关学科或者其它前瞻科研领域方面表现优异的博士生。
目前该项目提供奖学金的支持范围包括来自非洲、澳大利亚和新西兰、欧洲、印度、美国和加拿大等学生。
获得google博士生奖研金项目的研讨者将得到包括 15,000 澳元的奖励金，用于支付津贴和其他研讨相关活动，此外，获奖者还会被分配一位 Google Mentor，负责提供指导帮助。
今年，该项目公布了来自澳大利亚的四名博士生因其杰出的研讨而获得该奖学金。这四名获奖者包括来自机械感知、语音技能与计算机视觉偏向王鑫龙，机械进修偏向的李昀、Theekshana Dissanayake，算法、优化和市场偏向的 Sampson Wong。
jiqizhix后续将跟踪报道更多其他地区与大学获得google 2021 博士生奖研金的博士生。
机械感知、语音技能与计算机视觉偏向
王鑫龙（Xinlong Wang），阿德莱德大学
个人主页：https://www.xloong.wang/
王鑫龙是阿德莱德大学二年级博士生，导师为沈春华（Chunhua Shen）教授。本科就读于同济大学，并曾在旷视科技、腾讯优图实验室和字节跳动 AI 实验室实习。
王鑫龙的研讨兴趣在计算机视觉与机械进修，特别是赋能机械观察和理解环境。他的研讨主题包括 2D/3D / 视频目标检测和实例朋分。
此前，王鑫龙以字节跳动实习生的身份提出了一种实例朋分新办法SOLO，通过引入实例类别的概念，将实例朋分转换为分类问题。SOLO在一些性能指标上甚至超越了增强版的Mask R-CNN。
目前王鑫龙正在开发一种实例朋分办法，未来可以为计算机视觉研讨人员和技能公司节省大量时间和金钱。
一种新的实例朋分办法
物体识别和定位技能对于机械人和自动驾驶汽车至关重要，机械人在移动中必要识别物体、自动驾驶汽车在城市街道上必要避开行人。实现此功能的一个关键技能是进行实例朋分。
王鑫龙解释道，实例朋分是计算机视觉中的一个基本问题。实例朋分的目标是定位图象中的每个对象，并将其放在一个类别中。例如，有些像素都属于一棵树，而有些像素都是人的一部分。
目前，实例朋分必要大量的时间和金钱投入，因为计算机模型并不是一开始就知道树和人之间的区别——它必须提前进修。「当我们训练这样的模型时，我们必须使用带有注释或标记的图象，」王鑫龙说道，但是给图象贴标签的过程增加了时间和成本。
因此，王鑫龙的工作旨在开发一种新的实例朋分办法，该办法具有相当的准确率，但只必要不到现有办法三分之一的注释。例如，计算机视觉训练系统可能包含 100 万张图象——现有的实例朋分办法必要对其中的每一张图象进行注释。而王鑫龙的办法仍然适用于这 100 万张图象，但只必要 20-30% 标记量就可以达到同样的训练准确率。
目前为止，王鑫龙有多篇研讨入选顶会论文，其中有四篇论文被 CVPR 2021 接管、一篇论文被 AAAI 2021 接管、两篇论文被 ECCV 2020 接管等。
机械进修偏向
李昀（Yun Li），新南威尔士大学
个人主页：https://ogshun.github.io/
李昀是新南威尔士大学计算机科学与工程学院的博士生，她的导师为 Lina Yao 和 Boualem Benatallah 教授。2016 和 2019 年，她先后取得南京大学计算机科学与工程系的学士与硕士学位。
她的研讨兴趣主要在于深度进修和大数据分析，尤其是在人类调理健康领域的应用。目前，她的研讨课题包括零样本进修、基因组分析和调理成像。
在李昀看来，深度进修在显著变革药物实践与调理健康实现方面展示出了潜力。然而，调理健康数据的低容量、高稀疏性和低质属性以及它们的多样化上下文限制了深度进修办法的性能。因此，在她的研讨中，她意在开发一系列稳健和通用的少样本机械进修办法，以使用非常少的数据来高效地发现个性化和可迁移的洞见性知识。具体地，她已经确定并提出了用于基因组序列的数据高效办法，以及调理图象增强、分层多视图数据分析和耳鸣诊疗的解决方案。她还将继续提升临床转译的可解释性、透明性和个性化。她的研讨将对基因组研讨、调理诊疗、药物发现和疾病治疗等一系列实际场景产生更广泛的影响。
自 2018 年以来，李昀参与撰写的多篇论文被 TKDE、ICTAI、ICONIP、ICDE、CIKM、AAAI 等学术会议以及 VLDB Journal、TNNLS 等学术期刊接管。
Theekshana Dissanayake，昆士兰科技大学
个人主页：https://ieeexplore.ieee.org/author/37088772740
Theekshana Dissanayake 在佩拉德尼亚大学获得计算机工程学士学位。目前，他在昆士兰科技大学的旌旗灯号处理、人工智能和视觉技能 (SAIVT) 研讨组攻读博士学位。他主要研讨偏向为生物旌旗灯号数据的深度进修应用。
深度进修在解决基于生物旌旗灯号的医学诊疗问题上取得了巨大的成功。然而，现有的解决方案不能概括从不同的实验设置捕获的多个数据集。此外，当前的解决方案具有黑箱性质，从临床角度来看这阻碍了和预测相关的信任。Theekshana Dissanayake 的研讨侧重于为基于生物旌旗灯号医学诊疗设计的深度进修模型的通用性和可解释性，并考虑单通道和多通道生物旌旗灯号（如使用 EEG 和 ECG 的心脏旌旗灯号和大脑旌旗灯号）。
算法、优化和市场偏向
Sampson Wong，悉尼大学
google学术主页：https://scholar.google.com.au/citations?user=47gcJfsAAAAJ&hl=en
交通网络必要定期监控和维护以维持高水平的可操作性。随着网络的发展和技能的进步，对交通网络数据进行数据驱动分析的需求日益增长。从而导致政府和公司来开发特定领域的工具，为用户提供最佳推荐。这些工具的速度和质量很大程度上取决于它们的基本构建块。
Sampson Wong 的研讨目标是开发有效的算法来解决交通网络中涉及几何运动数据的基本问题。该研讨使用聚类和其他算法来检测几何运动数据中的通勤模式，并可以为交通网络选择有益的升级。
Sampson Wong 已发表多篇论文，部分论文如下：
参考链接：https://blog.google/around-the-globe/google-asia/australia/supporting-future-computer-science-2021-google-phd-fellowships/