2023年澳门太阳集团9728网站

信息技術研究生論壇（八）

場次一、

時間：2023年4月17日（星期一）8:00-12:00

地點：澳门太阳集团9728网站507教室

報告題目一：基于低光圖像的目标檢測算法研究

報告人：銀夢雨

報告簡介：目标檢測是高層計算機視覺領域中最基本、也是最具挑戰性的問題之一，并且成為該領域中的一個研究大熱門。然而，通用的目标檢測器僅針對可見度高的RGB圖像，對于低光圖像的檢測效果則很差。因此，采取多任務學習的做法，設計一個輕量級的低光增強模塊，并将低光增強模塊融合到檢測器的結構中，從而提高對低光圖像的檢測性能。在LOD、ExDark等夜間目标檢測數據集上對模型進行實驗評估，其可達到較高的檢測性能以及較低的推理時間，進一步可應用于夜間汽車自動駕駛。

報告題目二：基于低光照圖像增強算法研究

報告人：韋新傑

報告簡介：在非理想光照條件下，例如弱光、微光、背光等條件下拍攝經常會獲得低光照圖像，如何對這些圖像進行有效校正增強是具有挑戰性的。已有的算法在模型複雜度和算法性能之間沒有達到很好的平衡，近年來，變換器（Transformer）卷積神經網絡(CNN)在許多任務中都表現出較好的性能。我們探讨充分利用兩者的優點并應用于低光照圖像增強中。我們将CNN和Transformer聯合使用實現端到端的低光照圖像增強。

報告題目三：基于超分辨率圖像的目标檢測方法研究

報告人：袁梓健

報告簡介：目标檢測一直是計算機視覺中的一個核心的熱門問題，目标檢測也是其他計算機視覺任務的基礎，比如：實例分割，目标跟蹤和姿态估計等。但是，現有的基于深度學習的目标檢測模型都是在高分辨率圖像上訓練，在低分辨率圖像上的檢測效果不盡如人意。因為低分辨率圖片的質量較差，圖像的精度較低，物體的特征不明顯，因此普通的檢測器很難進行目标檢測。由此原因，基于超分辨率圖像的目标檢測方法研究可以使得低分辨率圖片的檢測誤差降低，得到更加令人滿意的結果，具有較高的實用性和發展前景。

報告題目四：利用教師答案與特征溫度優化關系知識蒸餾

報告人：李健澤

報告簡介：通常，結構更複雜且參數更龐大的神經網絡擁有更好的性能，但是所帶來的存儲成本與計算複雜度也更高，當應用場景資源受限時，不能使用任意大的網絡進行部署，需要把深度神經網絡模型進行壓縮處理。為了解決這一問題，利用知識蒸餾對深度神經網絡進行壓縮，把“知識”從繁瑣但性能卓越的教師模型轉移到輕量級的學生模型中，讓學生網絡保持其小參數結構的同時提升精度。

報告題目五：基于預訓練模型的視頻描述模型壓縮算法

報告人：陳凱

報告簡介：視頻信息往往存在着大量冗餘，如何從視頻中提取有用的信息并且将其用自然語言描述出來，對低算力的終端是一個嚴峻的挑戰。因此通過與訓練模型得到基準視頻描述模型，使用剪枝和知識蒸餾相結合的方法将基準模型進行壓縮，使其部署在移動終端，在不損失很多性能的前提下盡可能壓縮模型。

報告題目六：基于知識蒸餾的圖像描述模型壓縮和加速

報告人：崔振雷

報告簡介：圖像描述是在給定圖像的情況下，用自然語言生成場景的語義描述任務。現有的大多數模型依賴于廣泛使用的編碼器-解碼器框架，分為兩個步驟，首先從輸入圖像中提取視覺特征，然後經過語言模型生成場景的描述。為了追求模型性能的提升，使得現有模型網絡參數數量和内存使用空間居高不下，而且模型泛化能力下降，對處理器資源的要求更高，這就很難将圖像描述所取得的優秀成果實際部署到移動嵌入式等資源受限設備。因此，在不影響圖像描述模型性能的情況下，采用基于知識蒸餾算法來對圖像描述模型進行壓縮與加速，在不影響任務完成度的情況下，得到參數量更少、結構更精簡的模型。被壓縮後的模型計算資源需求和内存需求更小，相比原始模型能夠滿足更加廣泛的應用需求。

報告題目七：基于深度學習的多曝光校正方法研究

報告人：韓馮剛

報告簡介：現實生活中，相機硬件限制（光圈大小）、不恰當的相機參數設置(ISO、EV值、快門速度)以及環境光照等因素會導緻拍攝的結果存在不同程度的曝光誤差，可以大緻分為過曝(Over-exposure)和欠曝(Under-exposure)兩類。曝光誤差會導緻圖像内容丢失、顔色偏差和對比度低等問題，對圖像的後期修複造成了困難，降低圖像的視覺質量。近年來，以卷積神經網絡CNN為代表的深度學習技術被廣泛應用于計算機視覺領域，在衆多視覺問題上取得了重要成果。本報告以深度學習技術在多曝光校正問題中的應用為主題，結合最新研究成果，探讨如何構建适合多曝光誤差校正問題的深度學習模型。

場次二、

時間：2023年4月17日（星期一）8:30-12:00

地點：澳门太阳集团9728网站601教室

報告題目一：信息網絡的近似迹等價

報告人：李潤

報告簡介：随着現代社會信息技術的飛速發展，現實生活中的各種交互信息場景呈現出越來越複雜的趨勢。信息網絡作為建模這些場景的工具也變得更加日益龐大且複雜。随着信息的快速增長，網絡中出現的相似或重複的信息也日益增多。現實中處理這些相似或重複的信息将會導緻計算資源的浪費。因此在保持信息網絡結構信息不變的前提下，如何識别、處理和利用這些重複或相似的信息是信息網絡研究中一個重要問題。信息網絡上的近似迹等價的概念，旨在識别信息網絡中一緻或相似的信息，進而為識别、處理、利用這些重複信息提高相應的理論基礎。

報告題目二：基于多模态語義圖與圖神經網絡的視覺問答研究

報告人：蔣磊

報告簡介：通過加入外部知識來輔助問題回答已逐步成為視覺問答研究的熱點，但現有方法通常缺乏融合多種異構知識的機制，難以支持多模态語義圖在知識型視覺問答中的基礎作用。為此，提出了一種基于多模态語義圖的知識型視覺問答方法，其特點是以語義圖的形式統一了多源異構數據的表示，并設計了以此為輸入的知識推理模型(MSG-KRM)，實現了圖文相關信息與不同類型外部知識的融合與推理。在構圖階段，提取問題文本、圖像目标檢測信息以及外部知識文本中的關鍵單詞作為符号結點，然後利用知識圖譜構建問題、視覺和外部知識等三類語義圖，在此基礎上添加非符号語義結點連接三個獨立的語義圖，并标記圖中結點與邊的類型。在推理階段，一方面通過非符号結點注入多模态預訓練模型中的知識；另一方面，為充分利用語義圖中邊和結點的類型信息，構造了類型感知的圖注意力模塊對多模态語義圖進行深度推理與預測。

報告題目三：融合混合殘差注意力機制的低劑量CT圖像去噪方法

報告人：馮婉妍

報告簡介：随着CT（計算機斷層掃描）技術在現代醫學中疾病診斷、治療和手術方面中應用越來越廣泛，CT掃描過程中的存在的潛在安全風險引起了人們的廣泛關注。因此，降低CT掃描中的輻射劑量是預防風險的必要措施。然而，輻射劑量的減少通常會引入更多噪聲和僞影，影響臨床醫生對病情的診斷。近年來，深度學習技術在醫療圖像處理領域的發展，使得基于深度學習的圖像去噪方法稱為研究焦點之一。本報告介紹融合混合殘差注意力機制的低劑量CT圖像去噪方法，增強生成對抗網絡對細節信息的捕捉能力。首先，設計了一種新的混合殘差注意力機制，在通道維度和空間維度上，對于結構邊緣、噪聲濃度高的區域，為其分配較大權重，針對梯度變化小、噪聲濃度低的區域，為其分配較小的權重來降低對其的關注程度，進一步提高模型的去噪能力。其次，将該模塊融入UNet編碼器-解碼器結構中，并作為生成器，在加深網絡深度的同時保留更多原CT圖像結構特征。最後，融合多種損失函數，避免了梯度消失和爆炸的情況，使去噪圖像在視覺上更貼近原圖像。經定量分析和定性分析得出，該網絡能夠去除CT圖像中的大部分噪聲和僞影，呈現出良好的去噪效果。

報告題目四：基于特征分析的可解釋CNN模型研究

報告人：徐洋

報告簡介：深度學習是人工智能研究的核心之一，因為其在處理文本、圖像、視頻等多模态數據上優越的性能，所以在醫療、金融等領域有着重要的使用價值。然而，深度學習模型的黑盒特性是其被普及使用的重要障礙之一。特征分析方法是常見的研究神經網絡模型可解釋性的方法。在一般神經元模型基礎上運用圖模型或者決策樹模型是比較新穎的特征分析模型内部的解釋方法，通過這個圖或者樹來分析層與層和節點與節點之間的關系以達到解釋整個模型的目的。但是，現有的特征分析研究大都集中在神經網絡中的層或者神經元部分，忽略了模型其他部件的作用。本課題拟在卷積神經網絡模型上，取模型的卷積核進行可解釋性研究。

報告題目五：面向醫學診斷的可解釋細粒度圖像分類模型

報告人：梁羿

報告簡介： 本報告研究了面向醫學診斷的可解釋細粒度圖像分類模型。首先介紹可解釋性在醫學診斷中的重要性，以及細粒度圖像分類的應用背景。接着詳細介紹目前常用的面向醫學診斷的圖像分類模型，并讨論了其優點和局限性。在此基礎上，本報告重點探讨了面向醫學診斷的可解釋細粒度圖像分類模型的研究現狀和發展趨勢，包括基于注意力機制、可視化解釋、梯度CAM等方法的應用。通過對這些方法在醫學診斷中的實際應用進行評估和總結，本報告将總結了目前研究的不足之處，并展望了未來的研究方向和應用前景。這對于深入研究和應用面向醫學診斷的可解釋細粒度圖像分類模型具有重要的參考和指導意義。

報告題目六：基于Transformer的多模态阿爾茲海默症分類研究

報告人：莫書淵

報告簡介：本研究關注全球人口老齡化導緻阿爾茨海默症（AD）增加的問題，以及早期識别和治療輕度認知障礙（MCI）在預防AD方面的重要性。研究将重點探讨多模态腦影像技術，如結構磁共振成像（sMRI）、彌散張量成像（DTI）、功能磁共振成像（fMRI）和正電子發射計算機斷層顯像（PET）在AD診斷中的應用。研究還将讨論直接查看腦影像在臨床診斷中的局限性，例如耗時、主觀性以及人類視覺對某些特征的敏感度不足。

為應對這些挑戰，本報告将深入研究基于深度學習的圖像處理和分析技術，特别是Transformer在腦影像特征提取中的應用。我們将讨論基于Transformer的多模态阿爾茲海默症分類研究的探索空間和應用前景，以及如何通過節省人力、保持精度和協助醫生和患者來改善診斷效果。

報告題目七：基于社交媒體多模态情感識别的可解釋性研究

報告人：潘秋宇

報告簡介：當前社交媒體的信息往往不是單一的，而是包含有文本、圖像、視頻等多模态信息，而且各模态的信息并不是完全一緻的，或者不完備的，這給目前的深度學習框架帶來巨大的挑戰。多模态融合雖然能解決單模态的局限性，但是真實開放環境下，多模态數據通常會受到噪聲、自身缺陷及異常點等幹擾，使得多模态互補性及一緻性難以得到滿足。深度學習模型一直以來被認為是一個黑盒，因此，如何準确評價多模态深度學習模型的實用性，并做出合理的可解釋性，成為當前熱門的課題。本課題将研究多模态模型的黑盒構造表示，研究不同模态數據底層特征的表示機理，分析不同模态數據所蘊含的本質信息，在理論上建立基于底層特征的多模态數據的統一表示模型。

報告題目八：可解釋圖像分類網絡公平性研究

報告人：鄭毅

報告簡介：盡管深度模型具有優異的性能，但是較高的複雜度和非線性導緻其透明度低、可解釋性差。深度學習最早在圖像分類任務上展現了巨大的潛力，随着圖像分類精度的不斷提升，研究者在圖像任務上發現深度學習存在許多問題，如對抗魯棒性、泛化性、公平性等問題。所以開展圖像分類中可解釋性研究為打開深度學習的黑箱和解決深度學習當前存在的問題提供了可能。深度學習在某些應用中可能會強化人類的偏見和歧視，導緻決策過程中的不公平現象産生，從而對個人和社會産生潛在的負面影響，因此需要提高深度學習的應用可靠性、推動其在公平領域的發展。

報告題目九：Hubert優化下基于tacotron2的One-to-many語音轉換與合成

報告人：羅圻

報告簡介：近年來，基于tacotron2的語音合成技術占據了語音合成的主流。Tacotron2不僅擁有良好的語音合成性能，還對于one-to-many的語音轉換具有良好的适應性。其中包括voice cloning等可以實現one shot 轉換的方法。

然而，已有的one-to-many方法對于說話人特征的提取效果不佳，未能達到縮減對目标說話人的訓練開銷的目的。因此，報告提出一種基于tacotron2的,由Hubert優化改進的語音轉換方法，以更小的訓練開銷實現one-to-many語音轉換合成。

報告題目十：基于骨架與圖卷積的動作識别

報告人：梁家僥

報告簡介：人類動作識别在視頻理解中發揮着重要作用，近年來已成為一個活躍的研究領域。一般來說，人類行為可以從多種模式中識别，如外觀、深度、光流和身體骨骼。在這些模式中，動态人體骨骼通常傳遞與其他骨骼互補的重要信息。然而，與外觀和光流相比，動态骨架的建模受到的關注相對較少。動态骨骼模态可以自然地由2D或3D坐标形式的人類關節位置的時間序列來表示。然後可以通過分析人類動作的運動模式來識别人類動作。早期使用骨骼進行動作識别的方法隻需使用單個時間步長的關節坐标來形成特征向量，并對其進行時間分析。這些方法的能力是有限的，因為它們沒有明确地利用關節之間的空間關系，而關節之間的關系對于理解人類行為至關重要。論文作者系統地研究了這種模式，目的是開發一種有原則和有效的方法來建模動态骨架，并利用它們進行動作識别。

場次三、

時間：2023年4月17日（星期一）14:30-17:30

地點：澳门太阳集团9728网站601教室

報告題目一：數據挖掘算法在近似迹等價下的可保持性

報告人：李潤

報告簡介：通過信息網絡的近似迹等價，可以得到一個相較于原始網絡，規模更小的網絡，但為了驗證信息網絡和其近似迹等價所蘊含的信息具有一緻性，基于數據挖掘算法和方法，使用Pathsim算法和圖神經網絡方法等，驗證它們在信息網絡及其近似迹等價網絡上結果的可保持性，進而驗證近似迹等價網絡和原始網絡的信息一緻或近似。

報告題目二：基于全交叉注意力的知識型視覺問答研究

報告人：蔣磊

報告簡介：基于預訓練的遷移學習被大量實驗證明是種高效的方法，而且也被證明了模型中蘊含了大量非向量表示的知識。現有的方法大多是在一種預訓練模型之上構建網絡并進行推理，但是沒有确切的結論表示聯合不同預訓練模型對視覺問答準确的性能的影響。本文利用多模态預訓練模型對圖像、問題本節提取特征，用語言預訓練模型來提取外部知識特征。為了将兩種不同的經過兩種不同類型預訓練模型編碼的特征進行融合，以利用它們的推理能力以及内部知識，本文提出了全交叉注意力推理模型（FCA-KRM），它将圖像特征、問題文本特征以及外部知識文本特征進行全交叉注意力的引導計算，讓模型獲得深入挖掘三類輸入特征間的相關關系，并将不同輸入特征引導的同一輸入特征的輸出特征進行加權融合，得到了特定情況下相關性更高的特征。在此基礎上，本文将知識圖譜嵌入向量引入自注意力和雙交叉注意力的查詢向量中，使模型在有更充足的知識進行推理。

報告題目三：融合Transformer的低劑量CT圖像去噪方法

報告人：馮婉妍

報告簡介：随着CT（計算機斷層掃描）技術在現代醫學中疾病診斷、治療和手術方面中應用越來越廣泛，CT掃描過程中的存在的潛在安全風險引起了人們的廣泛關注。因此，降低CT掃描中的輻射劑量是預防風險的必要措施。然而，輻射劑量的減少通常會引入更多噪聲和僞影，影響臨床醫生對病情的診斷。近年來，深度學習技術在醫療圖像處理領域的發展，使得基于深度學習的圖像去噪方法稱為研究焦點之一。本報告介紹融合Transformer的低劑量CT圖像去噪方法。首先，針對第三章中融合混合殘差注意力機制的低劑量CT圖像去噪方法難以建模像素間的長距離依賴關系的缺陷，設計了一種改進的Transformer模塊，通過引入自注意力機制捕獲全局上下文信息，通過非重疊的滑動窗口機制大幅降低了傳統Transformer應用于二維數據中的計算複雜度，通過局部前饋神經網絡對局部上下文依賴關系建模。其次，将該模塊融入UNet編碼器-解碼器結構中，以生成對抗的方式進行訓練。最後，混合加權多種損失函數，來最小化常規劑量CT圖像與生成CT圖像的像素級分布距離及人類視覺感知距離。經一系列對比實驗和消融實驗證明，所提出方法的去噪效果優于其他對比方法。

報告題目四：結合案例解釋和特征分析的CNN模型可解釋性算法研究

報告人：徐洋

報告簡介：特征分析方法和案例解釋方法是常見的兩種研究神經網絡模型可解釋性的方法，且兩種方法都是針對模型的一部分開展模型可解釋性研究，這也是兩種方法的缺陷所在。特征分析方法一般分析解釋卷積神經網絡模型内部某些層或者某些神經元所代表的含義。案例解釋方法對模型結果做出了可靠性的分析，确保模型不會再犯“黑白天坦克”這類的錯誤。不過，案例解釋方法隻是針對模型結果做出了解釋，它對模型内部選取通道案例的過程沒有提及。所以，本課題認為将解釋模型内部的特征分析方法和解釋模型結果的案例解釋方法結合起來是一種非常有潛力的研究卷積神經網絡模型可解釋性的手段，本課題拟将采取内外結合的手段對卷積神經網絡模型展開可解釋性研究。

報告題目五：基于遷移學習的乳腺癌診斷方法的研究

報告人：梁羿

報告簡介：乳腺癌作為一種常見的女性惡性腫瘤，其早期診斷對于患者的治療和預後至關重要。然而，乳腺癌診斷過程中面臨着診斷準确性和效率的挑戰。近年來，深度學習技術的快速發展為乳腺癌診斷帶來了新的機會。遷移學習作為一種利用已有知識來提升新任務學習性能的技術，已經在乳腺癌診斷中引起了廣泛關注。基于遷移學習的乳腺癌診斷方法通過利用從其他領域或類似任務中獲得的經驗知識，來改善乳腺癌圖像分類的性能。這種方法可以有效地解決乳腺癌數據量較少、類别不平衡等問題，并提高乳腺癌診斷的準确性和效率。本報告将介紹基于遷移學習的乳腺癌診斷方法的研究現狀和發展趨勢。首先，将介紹乳腺癌的背景和診斷中的挑戰。接着，将詳細介紹遷移學習的基本概念和原理，并闡述其在乳腺癌診斷中的應用。随後，将介紹當前基于遷移學習的乳腺癌診斷方法的研究現狀和主要應用方式，包括基于預訓練網絡的遷移學習、多源領域自監督學習、領域自适應等方法。最後，将總結目前研究的成果和不足，并展望未來的研究方向和應用前景，以期為乳腺癌診斷方法的發展和應用提供參考和指導。

報告題目六：MDETR：用于端到端多模态理解的目标檢測

報告人：莫書淵

報告簡介：MDETR是一種基于Transformer的目标檢測方法，它在計算機視覺領域中為物體檢測和識别提供了一種全新的解決方案。MDETR的核心思想是将物體檢測問題視為自然語言處理問題，并利用端到端的Transformer模型實現高效的目标檢測。MDETR通過将目标檢測問題轉化為自然語言處理問題，将圖像和文本融合在一個統一的框架中，這使得模型可以同時處理圖像和文本信息，進而實現更準确的目标檢測，其采用端到端的訓練方法，一起進行圖像編碼、目标檢測和分類的任務，這種訓練方式不僅減少了計算複雜度，還有助于提高模型的泛化能力MDETR利用Transformer的自注意力機制捕捉圖像中各個物體之間的關系，以及物體與文本之間的關系。MDETR可以處理多模态數據，例如圖像、文本和聲音等。這使得模型可以在多種任務場景下表現出較好的性能，如圖像标注、視覺問答和場景理解等。MDETR為計算機視覺領域帶來了新的思路，其靈活性和強大的表示能力使其在多種任務場景中具有廣泛的應用前景。

報告題目七：深度多模态分類模型中模态不均衡的定量分析方法

報告人：潘秋宇

報告簡介：多模态融合雖然能解決單模态的局限性，但是在真實開放環境下，深度多模态分類模型往往存在模态表示強弱不一緻和模态對齊關聯不一緻等的問題。多模态融合有望提高模型性能，但我們實際上發現即使多模态模型優于其單模态模型，它們也沒有得到充分利用。在多模态模型中，差異較大的異質模态數據朝着統一優化目标被同時訓練，如何合理的調整不同模态訓練進程使之能夠取長補短，從而達到整體最優，是一個值得去探究的問題。在本文中，我們提出了一種新的方法，即通過定量分析的方法衡量深度多模态分類模型中模态不均衡程度，在訓練過程中動态監控不同模态對學習目标的貢獻差異，然後利用它來自适應地調節梯度，為欠優化的模态提供更多的努力，從而給出最優深度多模态分類調制方法。

報告題目八：超球面上的對比表征學習研究

報告人：鄭毅

報告簡介：使用一個單位範數約束來學習表征，能有效地将輸出空間限制為單位超球面。在單位超球面上特征會産生幾個理想的特性：固定範數向量可以提高訓練穩定性；此外，如果一個類的特征足夠好地聚在一起，它們與特征空間的其餘部分是線性可分的。一個好的表征應該對不必要的細節保持不變，并盡可能保留更多的信息，即滿足對齊性和均勻性。與優化對比損失相比，直接對這兩個屬性（對齊和均勻性）進行優化可以獲得相當或更好的性能。

報告題目九：基于ASR-TTS架構的語音轉換輕量化探索

報告人：羅圻

報告簡介：長期以來，人工合成語音廣泛應用于日常生活中需要機器朗讀文字的場景中。基于語音拼接的語音合成技術能夠滿足最基本的文字轉語音需求。但此類方法在自然度和情感方面與真人朗讀有着巨大差距。此外，使用語音拼接技術的語音合成對于音源錄制，分詞和後期處理設備均提出了較高要求，不能滿足個人及小型單位企業的定制需求。

近年來，語音轉換技術興起，基于已有語音的音色轉換使高質量的合成語音成為可能。然而，許多語音轉換算法受制于對平行訓練語料的高要求，即使是一些非平行語音轉換算法，前期投入的訓練開銷也非常龐大。因此，本課題提出一種基于ASR-TTS的語音轉換方法，以更小的訓練開銷達到可接受的語音轉換質量。

場次四、

時間：2023年4月17日（星期一）13:00-15:00

地點：澳门太阳集团9728网站一樓報告廳

報告題目一：硬件損傷下IRS輔助的SWIPT系統安全波束成形設計

報告人：董洋帆

報告簡介：由于大多數研究考慮的收發機硬件系統均為理想情況，而實際應用中收發機往往會不可避免地出現硬件損傷的問題，因此考慮了一個具有硬件損傷的IRS輔助的SWIPT系統。該系統的接收機采用分布式接收模型，基站與IDR處存在硬件損傷，硬件損傷建模為方差正比于信号功率的加性高斯分布的失真噪聲，而EHR則被視為潛在竊聽者。在發射功率不超過基站最大發射功率、接收能量不小于最小接收能量門限及IRS反射系數輔助向量中每個元素的單位模約束的條件下，構建了系統安全速率最大化問題的數學模型。對于該優化問題的非凸性與耦合性，首先利用交替優化将原優化問題分解成兩個子問題，第一個子問題求解基站發射波束成形向量與AN向量，第二個子問題求解IRS反射系數輔助向量；然後利用交替優化和SDR解決子問題的非凸性，疊代直至求出問題的最終解。與不考慮硬件損傷、不考慮IRS或不引入AN的傳統方案的對比仿真實驗結果表明，本文提出的所提算法具有更好的安全性能和抗硬件損傷性能。

場次五、

時間：2023年04月17日（星期一）15：00-18：00

地點：計算機學院706

報告題目一：移動邊緣計算中服務功能鍊的自适應優化部署策略

報告人：熊澤凱

報告簡介：為解決移動邊緣計算中面向用戶的服務功能鍊（Service Function Chain, SFC）部署成本開銷過大、時延過長問題，提出了針對服務功能鍊的支出成本與時延聯合自适應優化的部署策略。首先，在虛拟網絡功能（Virtualized Network Function, VNF）節點選取階段，考慮路徑損耗這一無線信道衰落問題，根據有線用戶與無線用戶的位置情況，選擇當前最佳節點以降低服務功能鍊的響應時延。其次，在服務節點配置階段，根據用戶請求處理的數據内容的新鮮度記錄，自适應動态增加和删減相應的緩存，利用資源感知算法在保證數據傳遞可靠性的同時，減少服務節點的配置個數，降低配置開銷。最後，在服務功能鍊部署階段，利用基于KSP（K-shortest Paths）的功耗感知算法确定最佳節點映射排序與通信鍊路，在減少通信鍊路重映射的同時，還能夠保證部署的服務功能鍊的低成本與低時延。實驗仿真結果表明，相比于已有方案，該方法能夠有效降低部署成本與時延，并能對不同用戶的服務功能鍊部署做到自适應優化，提高了服務功能鍊的部署成功率。

報告題目二：BDS-3+GPS三頻精密單點定位及性能分析

報告人：王靖君

報告簡介：針對單系統定位存在的衛星可見數目較少、衛星分布幾何結構較差等缺陷導緻的定位精度差與收斂時間長的問題，提出了BDS-3+GPS聯合三頻PPP方案。首先基于RTKLIB軟件對BDS-3和GPS觀測數據從衛星可見性、星下點軌迹、信噪比、多路徑效應等方面進行了數據質量分析；其次在PPP觀測模型的基礎上研究了BDS-3+GPS三頻數學模型，分析了BDS-3、GPS各自的信号頻率之間偏差以及BDS-3與GPS的系統間偏差；最後在完成BDS-3+GPS三頻無電離層兩兩組合、無電離層組合和非差非組合構造合理的參數模型後，從靜态和仿動态兩個角度對BDS-3+GPS三種PPP模型進行了性能分析。PPP解算結果表明：在加入了GPS聯合定位後，對于靜态PPP和動态PPP解算的定位精度和收斂速度都有明顯的提升：靜态方面，N、E、U三個方向平均定位精度分别為2cm、1.2cm、3.4cm，分别提高了28.6%、31.4%、27.9%；平均靜态收斂時間分别為22.1min、16.3min、27.2min，分别提升了57.7%、58.8%和57.6%；動态方面，三個方向平均定位精度分别為5.3cm、4cm、7.1m，各自分别提高了27.8%、18.8%、26.9%；三個方向的平均收斂時間分别為32.7min、25.7min、37.2min，分别提升了54.2%、60.2%和53.7%。

報告題目三：去蜂窩大規模MIMO系統功率控制研究

報告人：智恒中

報告簡介：首先，建立了去蜂窩大規模MIMO系統上行鍊路的能量消耗模型，得出了系統總頻譜效率與總能量消耗的關系，并提出了能量效率指标，采用經典的單目标優化遺傳算法對用戶發送功率進行控制，提升了系統總能量效率。其次，在現有的以提升系統中用戶頻譜效率的問題中，現有的功率控制研究主要分為兩種，第一種注重公平性，即以提高系統中最差用戶的性能為目标，建立最大最小問題進行求解；另一種則注重系統的總頻譜效率，盡可能的最大化系統中所有用戶的平均頻譜效率，無視性能最差受幹擾最強用戶的體驗。可以看出，這兩類研究無法全面提升系統的性能。因此，本章綜合這兩類研究，同時考慮系統總頻譜效率和性能最差用戶體驗，以提升系統中用戶的平均頻譜效率和最大化性能最差用戶的頻譜效率為優化目标，将問題建模成一個多目标優化問題，并采用經典的非支配遺傳排序算法進行求解，所得一組功率控制系數，既也提升了系統的整體性能，也保證了系統公平性。此外，通過引入多目标優化的思想，我們不僅可以改善系統中性能最差用戶的體驗，還可通過修改目标函數，提升任意優先級用戶的體驗，具備極強的靈活性。

報告題目4：基于拓撲優化和鍊路感知的無線體域網路由協議

報告人：廖棟森

報告簡介：為解決無線體域網(wireless body area network, WBAN)在人體運動過程中網絡拓撲結構頻繁變化導緻鍊路質量和WBAN性能下降等問題，首先根據人體結構對WBAN網絡拓撲進行優化，通過添加中繼節點建立WBAN主幹網，提供節點和hub之間相對穩定的鍊接，然後提出了适用于WBAN拓撲優化後的路由策略(Routing protocol based on topology optimization and link awareness, R-TOLA)。R-TOLA綜合了鍊路質量感知和代價函數，通過調整主幹網中繼和節點中繼獲得最優化路徑。仿真實驗表明，基于拓撲結構優化和鍊路感知的R-TOLA協議和其他路由協議相比，在人體拓撲網絡結構頻繁變化的環境下具有網絡生存時間更長，吞吐量更大等優勢。

報告題目五：基于區塊鍊的無人機網絡頻譜感知方法

報告人：餘琪琦

報告簡介：本章基于區塊鍊，采用智能合約和數字簽名技術，提出了一種基于信譽機制的無人機安全協作頻譜感知算法。在第三章基于k-means算法分簇的基礎上，指定一個簇頭無人機負責收集并處理其他感知無人機的感知數據，再将結果發送至服務平台。在每個簇中綜合考慮檢測概率、簇頭無人機預算和次級無人機距離。然後建立了選擇函數，簇頭節點通過計算來選擇注冊次級無人機。各個簇頭無人機在每次感知任務結束後，根據最後判決結果對簇中感知無人機進行獎懲，發放相應的報酬并更新信譽值，同時充當礦工角色，将包含本簇頻譜感知任務的信息和已更新信譽值的區塊發布至區塊鍊上。仿真結果分析表明，該算法提高了無人機協作頻譜感知的準确性和安全性，有效地抵禦了SSDF攻擊，保護了感知無人機的個人隐私。

報告題目六：WBAN環境中可信SMD節點分配方案

報告人：祝長鴻

報告簡介：提出了一種WBAN環境中可信智能移動設備(Smart Mobile Device, SMD)節點的資源分配方案。在由雲計算層、SMD層以及患者設備層組成的三層網絡中，資源受限的患者設備可以将任務請求發送到距離一跳以内的SMD節點處理任務，如該SMD節點的任務隊列過載，則會将該任務請求轉發到鄰居節點，從中選擇符合任務執行條件的SMD節點執行任務。采用貝葉斯方法評估患者設備與SMD節點、SMD節點與SMD節點之間的直接信任值，考慮到當節點之間交互次數過少時僅計算直接信任值并不可靠，在信任模型中加入了鄰居節點的推薦信任值以及推薦值的可靠性、推薦節點與目标節點的熟悉程度，使得信任評價更加合理。将任務執行過程中的信任值與時延加權為一個單目标優化問題，設計了一種改進遺傳算法得到了在每個時隙中的最優決策。通過實驗結果驗證了所提出方案能夠準确識别出網絡中的超級節點、惡意節點以及普通節點，同時能有效減少平均任務執行時延。

報告題目七：基于服務器協作機制的任務卸載與資源分配

報告人：唐煜星

報告簡介：面對大量用戶接入以及多個小基站部署下的超密集邊緣計算網絡場景，由于用戶數與服務器數量增加，用戶之間産生的資源競争會影響整個網絡性能，單個任務卸載到單個服務器的單一卸載機制往往不能有效發揮系統性能。為此提出了一種基于服務器協作機制的任務卸載方案。為了最大化利用服務器資源，可将用戶任務進行拆分，一部分任務卸載到主服務器中，當主服務器具備的計算資源不足時，将剩餘任務卸載到相應的協作服務器上。采用拉格朗日函數結合KKT條件解決了最優計算資源分配問題，構造輔助約束函數利用線性規劃的方法解決了最優任務分配比例問題，并提出了一種基于任務優先級的混合啟發式卸載算法解決最優卸載決策問題。仿真結果表明，與其他卸載方案及本地執行策略相比，所提方案有效提升了系統性能。

場次六、

時間：2023年04月21日（星期五）16：30-18：30

地點：澳门太阳集团9728网站509教室

報告題目一：智能反射面輔助通信感知一體化

報告人：李文武

報告簡介：由于頻譜的稀缺性和5G網絡以外的潛在應用，綜合傳感與通信(ISAC)最近引起了廣泛的關注。衆所周知，通信和雷達信号在其波形上有一些共同的特征。盡管它們的目的不同，但使用一個信号來實現另一個信号的是可行的。ISAC不僅可以實現通信系統和雷達系統的頻譜資源共享，還可以實現全共享平台的統一波形傳輸，實現通信和雷達傳感功能的同時實現，顯著提高了頻譜/能量/硬件效率。可以預見，在下一代無線網絡中，ISAC将成為需要高質量無所不在無線通信的各種應用的支持技術,此外，由于雷達傳感功能依賴于對接收信号回波的分析，因此聯合優化了接收波束形成，以提高雷達傳感性能。雖然這些方法極大地增強了通信和雷達傳感功能，但在惡劣的傳播條件下，性能下降仍是不可避免的。在如此複雜的電磁環境中，最近出現的可重構智能表面(RIS)技術提供了一個潛在的革命性解決方案,RIS的部署建立了發射機和接收機之間的非視距(NLoS)連接，擴大了覆蓋範圍，并引入了額外的dof以提高系統性能。因此，RIS在各種無線網絡中的應用得到了廣泛的研究。基于這些,我們研究了一個智能反射面場景裡實現ISAC,并且考慮了一個在保證一定通信性能的情況下,最大化雷達感知性能的問題

報告題目二：面向第六代移動通信技術的聯邦學習相關研究進展

報告人：楊洋

報告簡介：聯邦學習是一種新興的注重數據安全與用戶隐私保護的分布式機器學習架構。與傳統的集中式機器學習不同，聯邦學習可以在不共享原始訓練數據的情況下訓練高性能的神經網絡模型，有效降低了海量數據的傳輸負載與存儲需求，同時避免了用戶敏感數據的洩露。第六代移動通信對通信時延與隐私保護均提出了很高的要求，同時智慧城市、物聯網對模型訓練的需求也與日俱增，因此聯邦學習預計在第六代移動通信中發揮重要作用。我們将闡述聯邦學習在通信與隐私保護方面的相關研究現狀，介紹聯邦學習的前沿技術，并探讨仍然存在的開放性問題，以期提出新的見解與優化技術，為聯邦學習的廣泛應用做出貢獻。

報告題目三：在波束失準下太赫茲無線傳輸的分集接收

報告人：甘廷光

簡介：衰落是來源于電磁波多徑傳輸的不同路徑行程差産生的幹涉，和不同路徑上傳輸媒質微弱不均勻度的增強、漂移和擴散引起行程差的随機變化。在未來的6G通信所涉及的太赫茲( THz )無線傳輸鍊路中，我們希望緩解太赫茲( THz )無線傳輸信道中衰落的影響。而分集技術是用來補償衰落信道損耗的，它通常利用無線傳播環境中同一信号的獨立樣本之間不相關的特點，使用一定的信号合并技術改善接收信号，來抵抗衰落引起的不良影響。分集接收是指利用電磁波在空間、頻率、極化、時間上有足夠大差異時衰落的不相幹性，用分别接收、解調、然後合成，或一并接收、分别解調後合成的方法，獲取穩定信号的接收方式。我們分析了考慮在波束失準下太赫茲無線傳輸信道的多天線分集接收的性能。使用的複合信道模型捕獲了多徑衰落、動态陰影、分子吸收損耗和傳播損耗的影響。我們期望能此工作能完善太赫茲通信方面的性能分析。

報告題目四：基于RIS技術的5G/6G移動通信信号增強方案研究

報告人：李俊銘

報告簡介：在5G與未來6G的移動通信中，高頻信号的傳輸和接收問題一直是研究的熱點。頻譜資源的緊缺和高頻系統的能耗消耗等問題，對移動通信的發展帶來了挑戰。智能反射面（RIS）技術作為一種新型的無線通信技術，為解決信号傳輸問題提供了新的解決方案。本報告将全面介紹RIS技術的原理、關鍵技術和在移動通信中的應用，重點研究基于RIS技術的移動通信信号增強方案。我們将探究MIMO技術與RIS技術的結合，研究級聯信道和非線性幹擾等問題。同時，我們将介紹信道估計和優化算法，并探讨壓縮感知技術在RIS技術中的應用。通過建立信号傳輸模型和利用數學概率論和矩陣分析等方法，深入探究RIS技術在信号增強方案中的性能表現，評估其應用效果和實用性。最後，我們将對RIS技術在5G/6G移動通信中的應用前景進行展望，探讨其未來的發展趨勢和挑戰。

報告題目五：基于稀疏編碼優化CenterNet魯棒性研究

報告人：楊昶楠

報告簡介：作為計算機視覺中的一項重要任務，目标檢測主要用于對圖像中指定類型的目标進行檢測。傳統的目标檢測通過不斷移動窗口選擇目标區域，提取特征，最後進行分類。但是這種機制很難能将圖像的特征準備表達，從而使檢測精度一直不高。

目前的基于深度學習的目标檢測通過卷積神經網絡進行自我學習，盡可能的模仿人的大腦來釋放計算能力，能使其準确又快速地識别各種大小的目标。主要分為兩種算法：兩階段算法，以R-CNN等為代表，先從圖像提取候選區域，再回歸分類和邊框信息。一階段算法，以SSD、YOLO等為代表，這類算法不需要事先篩選候選區域，而是将最後得到的特征圖劃分為不同的區域，在每個區域直接輸出得到一定數量的預測框大小以及該區域的分類信息，這類算法的精度一般略低于兩階段算法但由于缺少了預測框的篩選和優化過程使得其檢測速度更快，實時性更高。