澳门太阳集团9728网站
信息技術研究生論壇
場次一、
時間：2022年11月28日（星期一）14:00-16:00
地點：澳门太阳集团9728网站807B教室
報告題目一：基于深度學習的晶粒度智能評級方法
報告人：賈沛沅
報告簡介：首先介紹深度學習在檢測領域的相關背景和課題來源，其次對金屬顯微結構的平均晶粒度測定方法及目前主流檢測方法：如比較法、面積法截點法進行綜述，針對目前的研究難點和重點進行了概述，并總結了深度學習在金屬微觀組織領域檢測發展現狀和未來研究方向。
報告題目二：基于馬爾可夫鍊的水下MAC協議研究
報告人：白玠
報告簡介：介紹基于水下MAC協議的相關北京和課題來源，随後介紹國内外對水下MAC協議的研究現狀。第三部分将介紹基于馬爾科夫鍊的水下MAC協議設計，該方法可使水下緊急重要的數據優先傳輸免于碰撞。最後介紹實驗結果與未來工作。
報告題目三：基于特征融合協同注意力的多模态情感分析
報告人：蔡宇揚
報告簡介：介紹多模态情感分析研究背景及現狀，介紹注意力機制在多模态情感分析中的使用并對特征融合協同注意力進行說明，最後介紹實驗相關結果及未來改進方向
場次二、
時間：2022年11月30日（星期三）8:00-12:00
地點：澳门太阳集团9728网站601教室
報告題目一：基于頻濾自适應濾波器的單視圖三維重建研究
報告人：溫凡彪
報告簡介：報告介紹了一種基于頻濾自适應濾波器的單視圖三維重建方法。由于圖卷積相當于一個低通濾波器，因此基于圖卷積分網格重建常常難以恢複高頻的細節特征。該方法使用頻濾自适應濾波器設計的卷積算子提取多尺度頻率特征，使得重建網格具備更多的細節。報告介紹了該方法的實現和效果，彌補了該研究領域的空白。
報告題目二：多模态特征融合的圖像匹配研究
報告人：王欣
報告簡介：報告介紹了一種利用多模态特征融合的圖像匹配方法。模态的普遍性和深度學習的快速發展賦予了多模态融合技術極大的發展潛力。報告詳細介紹了多模态和圖像匹配得背景知識，并介紹了一種新穎得結合多模态特征融合得圖像匹配方法，該方法在性能上達到了SOTA。
報告題目三：圖神經網絡綜述
報告人：劉飛
報告簡介：介紹了圖學習的概念、應用和發展現狀。圖被廣泛用于表示連接數據的網絡結構。圖數據可以在廣泛的應用領域中找到，如社會系統、生态系統、生物網絡、知識圖和信息系統。随着人工智能技術的發展，圖學習(即圖上的機器學習)正受到研究者和實踐者的關注。圖學習被證明對許多任務都是有效的，例如分類、鍊接預測和匹配。
報告題目四：基于CNN特征融合圖像塊回歸的空間隐寫分析
報告人：梁偉琳
報告簡介：介紹了一種用于圖像隐寫分析融合圖像塊回歸的深度卷積神經網絡。目前深度卷積神經網絡構建的隐寫隐寫分析模型已經牢固地确立了自己優于以前的傳統檢測方式 - 基于富媒體模型的分類器。基于圖像塊回歸的深度模型能夠有效利用cover圖像和stego圖像之間的差别，并以塊回歸的模式輔助網絡訓練，使得網絡達到了更好的分類精度，并且這種架構是通用的，大量的實驗表明，該網絡的卓越性能有了顯着的改進，特别是在空間域中。
場次三、
時間：2022年11月28日（星期一）14:00-18:00
地點：澳门太阳集团9728网站601教室
報告題目一：車聯網中基于雙Q學習算法的邊雲協作任務卸載機制
報告人：唐甯昆
報告簡介：面對車載終端的數據計算量的爆炸式增長，計算卸載是緩解車輛資源不足的有效手段。相比于單獨研究雲計算或者邊緣計算，讓二者相互協作則可以實現優勢互補，提高系統的整體服務質量。在車聯網中，如何制定出适應環境動态性的卸載決策是一個主要挑戰，在這個過程中，任務的緊急程度也是一個不容忽視的因素。針對上述問題，我們構建了一個基于軟件定義網絡（SDN）的邊雲協作任務卸載架構，并且抽象出一個任務優先級的度量标準，然後将動态環境中的任務卸載決策問題建模為馬爾科夫決策過程，目标是最大化由時延和成本構成的任務平均效用。為了求解上述問題，我們提出了基于雙Q學習算法（DDQN）的任務卸載決策機制以及基于優先級的資源分配方案。在此基礎上，我們設計了一種卸載比例計算方法，目的是在保障卸載的任務量可以在通信時間内上傳完成的同時最小化任務處理時延。仿真結果表明，我們提出的方法可以實現快速收斂，相比于其它三種固定卸載策略，該方法的時延和效用性能也獲得了2倍以上的提高。除此之外，在車輛數目适中的情況下，任務的完成比例可以穩定保持在100%。
報告題目二：基于ConvNeXt熱圖定位和對比學習的細粒度圖像分類研究
報告人：鄭世傑
報告簡介：針對細粒度圖像分類中高類内差異和低類間差異的挑戰，提出一種基于ConvNeXt網絡為主幹，使用GradCAM熱圖進行裁剪和注意力擦除的多分支細粒度圖像分類方法。該方法利用GradCAM通過梯度回流得到網絡的注意力熱圖，定位到具有判别性特征的區域，裁剪并放大該區域，使網絡關注局部更深層次的特征。同時引入有監督的對比學習，擴大類間差異，減小類内差異。最後進行熱圖注意力擦除操作，使網絡在關注最具判别性特征的前提下，也能關注其他對分類有用的區域。提出的方法在CUB-200-2011、Stanford Cars和 FGVC Aircraft，Stanford Dogs數據集上的分類準确率分别達到了91.8%、94.9%、94.0%、94.4%，優于多個主流的細粒度圖像分類方法。
報告題目三：基于改進NSGA-III的D2D協同MEC多目标優化
報告人：王志鴻
報告簡介：當前的移動邊緣計算模型(MEC)存在邊緣服務器計算壓力大、空閑移動設備的資源沒有得到充分利用等問題。使用邊緣網絡中的空閑設備進行協同計算，能為MEC帶來更強的計算能力。因此，提出一種D2D協同的部分卸載MEC模型(DCM-PO)，在該模型中，除本地計算和MEC服務器計算外，還能将部分任務上傳到空閑D2D設備進行輔助計算。首先，以最小化任務設備的時延、能耗和費用，以及最大化D2D設備和MEC服務器的收益為目标建立多目标優化問題。然後，基于NSGA-III算法，在多染色體混合編碼、自适應交叉率和變異率等方面進行改進，使之适合DCM-PO模型求解。仿真結果表明，所改進算法的收斂速度快、全局尋優能力強。相比于基準MEC模型，DCM-PO模型在時延、能耗、費用上均具有優勢。
場次四、
報告題目一：用于圖像分類的模糊策略學習率ResNet
報告人：張睿權
時間：2022年11月29日（星期二）8:00-12:00
地點：澳门太阳集团9728网站b601教室
報告簡介：ResNet深度神經網絡用于圖像分類時，全連接層的訓練存在收斂速度慢以及所獲權重不佳等問題，影響了分類效果。為解決此不足，提出一種模糊策略梯度下降算法訓練ResNet。首先用拟牛頓法的思想推導出ResNet全連接層權重的梯度下降法疊代公式，然後用梯度的曆史信息對當前一階小批量梯度進行修正，接着應用模糊策略的學習率更新權重，并通過上下邊界函數處理學習率的過大或過小而引發的疊代振蕩，改善了訓練算法的穩定性和收斂性。
場次五、
報告題目一：基于注意力機制的圖像細粒度分類方法
報告人：陸維相
時間：2022年12月2日（星期五）18:00-18:30
地點：騰訊會議：536-722-692會議密碼：684366
報告簡介：圖像細粒度分類在生活中有許多應用場景，比如車輛識别，鳥類識别等等，但是因為“類内差異大，類間差異小”的問題，細粒度分類一直是一項具有挑戰性的工作。報告從圖像細粒度分類研究現狀出發，結合相關理論方法，引入注意力機制，對現有圖像分類模型進行改進，為圖像細粒度分類提供一種新的方法。
報告題目二：一種設備預測性維護系統的通用設計方法
報告人：田松霖
時間：2022年12月2日（星期五）18:00-18:30
地點：騰訊會議, 時間：2022/12/02 18:00-18:30，會議号：536-722-692，會議密碼：684366
報告簡介：設備預測性維護，是指在目标設備發生問題之前，依據某種原理或經驗進行預先的維護。随着工業的發展及制造企業規模的擴大，設備的複雜度越來越高，其本身的價格也越來越昂貴，對生産的影響也越來越大。設備在企業中的作用及地位日益突出，使得設備維護管理逐漸成為企業關注的重點内容之一。科學合理的設備維護方法不僅能降低企業維護成本，而且可保證生産任務的完成質量，進而提高企業競争力。目前普遍采用的事後維護與計劃維護策略存在維護不足、維護過剩或盲目維護等缺陷，因此預測性維護的重要性便逐漸顯露了出來。此次報告總結了一種預測性維護系統的通用設計方法，為設備預測性維護系統的設計提供了一種通用性的設計思路。
報告題目三：基于 PLM 的知識增強型即時學習CRS
彙報人：黃傑文
時間：會議時間：2022/12/02 18:00-18:30 (GMT+08:00)
地點：騰訊會議：536-722-692 會議密碼：684366
會話推薦系統 (下面簡稱為：CRS) 旨在通過自然語言對話主動引發用戶偏好并推薦高質量的項目。通常，CRS 由一個推薦模塊（用于預測用戶的首選項目）和一個對話模塊（用于生成适當的響應）組成。要開發有效的 CRS，必須無縫集成這兩個模塊。現有的工作要麼設計語義對齊策略，要麼在兩個模塊之間共享知識資源和表示。然而，這些方法仍然依賴于不同的架構或技術來開發這兩個模塊，使得有效的模塊集成變得困難。一個名為 UniCRS、基于知識增強即時學習的統一CRS模型，為了解決這個問題提供了思路。該方法将推薦和對話子任務統一到提示學習範式中，并利用基于固定預訓練語言模型 (下面簡稱為PLM) 的知識增強提示以統一的方法完成這兩個子任務。在提示設計中，包括融合的知識表示、任務特定的軟标記和對話上下文，它們可以提供足夠的上下文信息來使 PLM 适應 CRS 任務。此外，對于推薦子任務，還将生成的響應模闆作為提示的重要組成部分，以增強兩個子任務之間的信息交互。在兩個公共CRS數據集上的大量實驗證明了該方法的有效性。
場次六、
報告題目一：圖對比學習推薦系統
彙報人：黃傑文
時間：2022/12/04 18:00-18:30 (GMT+08:00)
地點：騰訊會議：235-639-358 會議密碼：08759
大多數現有的圖對比學習方法要麼在用戶-項目交互圖上執行随機增強 (例如節點/邊擾動，node/edge perturbation)，要麼依賴基于啟發式的增強技術 (例如用戶聚類)來生成對比視圖。這些方法不能很好地保留内在的語義結構，并且容易受到噪聲擾動的影響。一種簡單而有效的圖對比學習範式 LightGCL，可以緩解那些對基于對比學習的推薦器的通用性和魯棒性産生負面影響的問題。該模型專門利用奇異值分解 (SVD，singular value decomposition)進行對比增強，從而通過全局協作關系建模 (global collaborative relation modeling)實現無約束的結構細化 (unconstrained structure refinement)。在幾個基準數據集上進行的實驗表明，該方法顯着提高了現有技術的性能。進一步的分析表明 LightGCL在數據稀疏和流行度偏差的魯棒性方面的優越性。
報告題目二：基于夏普利值的面向KNN模型的數據清洗算法
報告人：田松霖
時間：2022年12月4日（星期日）18:00-18:30
地點：騰訊會議：235-639-358 會議密碼：08759
報告簡介：現實世界中收集的數據集通常是不完備的，難以構建有效的機器學習模型，故此需要進行數據清洗。人工參與的數據清洗過程需要的代價較高，自動化進行數據清洗有助于提高清洗效率并節省人工成本。通過計算每個不完備數據在機器學習模型中的夏普利值，可以有效評估不完備數據在機器學習模型中的價值，并以此對數據進行高效且有效的清洗。報告介紹了一種對于不完備數據集的夏普利值的表示方法，以及一種能夠高效計算 KNN 模型中不完備數據夏普利值的近似算法，最後總結為一種基于夏普利值的面向KNN模型的數據清洗算法，對數據清洗類的工作具有一定的參考意義。
報告題目三：基于卷積神經網絡的木薯葉疾病識别
報告人：陸維相
時間：2022年12月4日（星期日）18:00-18:30
地點：騰訊會議：235-639-358 會議密碼：08759
報告簡介：木薯葉容易遭受自然侵害，為了能夠識别出木薯葉遭受的疾病類型，早期需要人用肉眼進行識别，但是此類方法耗費太多人力物力。目前基于深度學習的方法可以提高識别木薯葉疾病的效率。報告引入注意力機制，改進殘差神經網絡，提高識别的精度。同時，使用數據增強技術，豐富原有數據集，提高泛化能力。
