2023年澳门太阳集团9728网站

信息技術研究生論壇（九）

場次一、

時間：2023年05月05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：基于手勢識别的人機交互技術綜述

報告人：周泓宇

報告簡介：在衆多人機交互技術中，手勢識别占據重要的地位，因為人類經常借助手部動作進行信息的傳遞與反饋，據研究表明人類在傳遞信息時，手勢占據55%的重要性，而聲音和文字僅分别占據剩餘的45%，由此可以看出手勢在表情達意、言傳身教中占據着非常重要的地位，手勢識别目前也是人機交互的核心技術，具有簡明直接、靈活性高、内涵豐富等優點。現代手勢識别技術根據其實現方式的不同，可以大緻分為電磁波傳感識别、力學傳感識别、肌電傳感識别及視覺傳感識别四類。由于不同手勢識别方式具有不同的優勢，因此國内外對其的各類實現方法展開了長期的研究，本報告将首先對各類實現技術的現狀進行介紹，接着分析比較了各類手勢識别技術，然後闡述了人機交互技術的應用領域，最後分析未來人機交互技術的研究方向和面臨的挑戰。

報告題目二：磁光克爾效應探測系統的搭建

報告人：黃錦炫

報告簡介：介紹解釋磁光克爾的兩種效應：磁圓雙折射和磁圓二色性。介紹了磁圓雙折射和磁圓二色性是如何導緻磁光克爾效應的發生。介紹磁光克爾效應宏觀理論：電偶極子模型和介電張量理論，其中介電張量理論是現在比較可靠的模型。電偶極子模型是從唯像的理論出發，用電子之間的運動和磁光的關系推導，證明了入射光受磁場的影響而導緻左右圓偏振光的折射率不一樣，從而導緻克爾效應；介電張量理論從公式進行推導，聯合麥克斯韋方程和介電張量從電磁場理論出發推導出磁光克爾轉角的存在。介紹磁光克爾探測系統的搭建方法，整個系統的原理細節，包括系統的公式推導，系統元器件、實驗器件選型、鎖相放大器和光學斬波器的使用

報告題目三：基于可穿戴傳感器的人體姿态識别

報告人：農恒昌

簡介：人體的姿态運動信息廣泛應用于運動康複、人機交互、醫療健康及人體姿态評估等領域。通過檢測和識别人體特定動作可以為運動員的訓練管理、醫院患者的康複提供數據支持，同時在虛拟現實、人機交互上也具有廣闊的應用前景。随着傳感器器件的發展，各類能準确采集人體行為活動數據的傳感器在手環、手表、手機等可穿戴設備上得到了廣泛使用，相比基于視頻圖像的行為識别方法，基于傳感器的行為識别具有成本低、靈活、可移植性好的特點，因此，基于可穿戴傳感器的人體活動識别研究成為行為識别中的研究熱點。本次彙報首先介紹了人體活動識别研究中原始數據采集、特征提取、特征選擇以及分類方法，對識别流程中每一部分常用的技術以及研究現狀進行了綜述總結，再結合一個基于三軸加速度計采集人體姿态信息進行人體姿态識别的案例進行具體應用說明。最後分析人體活動識别研究當前存在的主要問題并展望了今後可能的研究方向。

報告題目四：水下拖曳系統水動力性能分析

報告人：韋香甯

報告簡介：介紹水下拖曳系統：水下拖曳系統是一種廣泛應用于海洋監測的水下環境動态監測系統，它在海洋、湖泊和内河水下環境監測以及水下工程結構檢查、海洋資源調查中有着特殊的用途。系統通常由拖船、拖曳電纜、拖曳體以及軌迹與姿态控制機構組成，拖曳體内可根據不同的需要搭載溫度、鹽度、壓力等各種海洋元素探測傳感器或聲納、光學攝像頭等聲、光物理探測傳感器。拖曳體的深度和姿态控制可以通過改變拖曳船速度、收放纜繩、改變拖曳體迫沉水翼攻角和控制螺旋槳轉速等方式來實現。

水下拖曳系統的動力學建模：主要研究水下拖曳系統在控制機構的作用下産生的軌迹和姿态變化，所以必須把水下拖曳體主體和纜繩以及控制機構耦合為一個系統。由于我們要考慮水下拖曳體的六自由度運動和控制機構的作用，所以不能把拖曳體當做一個質點來處理，必須單列出來考慮。在建立整個拖曳系統的水動力數學模型時，我們必須要考慮每一個構件對系統的水動力的影響以及他們相互之間的影響，即要分别建立表達纜繩、拖曳體主體、控制機構的運動狀态的數學方程，并且通過邊界條件把三者耦合在一起形成整個系統的水動力數學模型。幾何模型的構件和數值計算：介紹求解拖曳體的水動力的過程和方法，方法就是利用CFD軟件Fluent中的滑移網格技術和動網格技術，求解流場的N-S方程得到拖曳體受到的水動力。

場次二、

時間：2023年4月24日（星期一）9:00-12:00

地點：澳门太阳集团9728网站601教室

報告題目一：結合自注意力與Transformer的三維點雲序列生成

報告人：馬偉钊

報告簡介：以往的人物動作生成方法大都是以骨架作為人物姿态的表示，用一系列的骨架表示人物的一個動作，這些方法不能直接處理通過光學動作捕捉所得到的人物表面三維點雲序列。本報告介紹一個點雲動作序列生成網絡PCMG(point cloud motion generation) 方法，既可以處理骨架表示的動作序列生成，也可以處理人物表面點雲表示的動作生成。本方法還可以對點數較多的點雲序列進行處理，也能生成點雲細節保持良好，并且動作語義信息明确的點雲。

報告題目二：基于神經網絡的姿态遷移方法現狀

報告人：楊詩耕

報告簡介：受計算機視覺中的圖像風格遷移啟發，基于神經網絡的方法能夠在沒有提供源模型與參考模型對應關系的條件下進行姿态遷移。這類姿态遷移模型主要是基于編碼器-解碼器結構的端到端網絡，編碼器先編碼源模型的形狀信息與參考模型的姿态信息到隐空間，再利用解碼器生成目标模型。然而由于網絡特征提取部分與數據集的局限性，端到端網絡容易出現過拟合現象，并且生成的模型在細節保持上不盡人意。因此如何在保持深度學習方法無需人為提供先驗對應關系優勢的同時，提高方法生成模型的細節精度與方法的泛化性，對于深度學習姿态遷移方法的發展和應用是一個重要的課題。

報告題目三：基于結構信息的視覺SLAM

報告人：胡錦飛

報告簡介：傳統的視覺SLAM算法往往使用點線特征作為算法的主要特征。但點線特征等視覺特征存在一定的局限性，特别是在低紋理場景中。部分學者另辟蹊徑，發現在人造場景中往往存在豐富的結構信息。他們将場景中存在三個兩兩相互垂直的平面結構稱之為曼哈頓世界，并依托這種特殊的結構設計出了一種獨特的位姿估計方式，與傳統方法相比，基于曼哈頓世界的位姿估計方法更為準确，所産生的飄逸誤差更小。這種區别與傳統點線特征的結構信息在視覺SLAM算法中有重大的研究意義。

報告題目四：基于深度學習的點雲特征提取

報告人：韓亞振

報告簡介：基于深度學習的點雲特征提取是點雲處理中一個重要的研究方向，其目的是從原始的點雲數據中提取有意義的特征表示，以便于後續的點雲處理任務，例如分類、分割、配準等。相比于傳統的手工設計特征方法，基于深度學習的點雲特征提取方法具有更好的泛化能力和表達能力。目前，基于深度學習的點雲特征提取方法已經在各種點雲處理任務中取得了非常優秀的表現，例如點雲分類、分割、重建等。未來，随着深度學習的不斷發展和點雲數據的廣泛應用，點雲特征提取方法也會越來越被重視和深入研究。

報告題目五：基于混沌遺傳算法的雲調度算法研究

報告人：鄧德康

報告簡介：得益于豐富的資源和虛拟化技術,雲計算成為一種很有前途的解決方案，可以通過現收現付的方式為用戶處理大規模科學工作流應用程序。然而，考慮到雲平台資源配置和部署的複雜性，現有針對傳統分布式計算系統設計的工作流調度策略存在局限性和不足。因此，對于利潤驅動的基礎設施即服務雲提供商來說，最小化調度工作流的最大完成時間和支付成本是一個迫切需要關注的問題。針對上述問題，提出了基于混沌遺傳算法解決單優化問題和多目标優化問題。

場次三、

時間：2023年4月24日（星期一）14:30-15:30

地點：澳门太阳集团9728网站601教室

報告題目一：基于VAE和PointNet的點雲生成

報告人：馬偉钊

報告簡介：随着深度傳感器和雷達掃描儀的大力發展，點雲生成和點雲序列生成在計算機動畫、自動駕駛、機器人視覺等領域受到越來越多的關注。本報告介紹一種基于VAE和PointNet的點雲生成網絡方法。該方法使用PointNet提取點雲的全局特征，将特征向量約束在标準高斯分布中，再使用基于注意力機制的點雲解碼器将點雲解碼成重建點雲。

報告題目二：基于骨骼蒙皮變形的姿态遷移方法

報告人：楊詩耕

報告簡介：三維形狀編輯在電影、遊戲、計算機輔助設計等領域有着廣泛的應用，而姿态遷移在降低專業人員的重複勞動和提高現有數據的利用率方面有着重要意義。相較傳統算法，基于深度學習的姿态遷移有着無需人工幹預的優勢，現有的為姿态遷移設計的神經網絡泛化性并不理想，一些網格上的細節不能被很好的保留，我們提出基于骨架的三維網格姿态遷移算法，結合神經網絡與蒙皮變形算法，實現了無需人工交互的全自動姿态遷移，與現有的基于深度學習的姿态遷移方法相比，我們的方法具有更好的保細節能力與良好的泛化性。

報告題目三：低紋理場景下的視覺SLAM

報告人：胡錦飛

報告簡介：視覺同步定位與建圖的目标是在一個未知的環境中，通過相機輸入的圖像信息來實時構建一個環境結構模型，同時對機器人自身進行定位。經過多年的發展，視覺SLAM技術在無人駕駛，三維重建，增強現實，機器人等多個領域中都得到了廣泛的應用。盡管現有的視覺SLAM算法在面對大多數情況都能取得一個較好的效果，但其在面對低紋理場景時仍有較大的挑戰。

低紋理場景往往出現在人造環境之中，如室内環境或室外停車場。我們在ORB-SLAM的基礎上構建了一個融合點線面特征的單目視覺SLAM系統，能夠靈活的使用場景中的點線特征和結構規律，允許在其在缺乏點特征的時候，能夠根據面特征來生成足夠數量的點特征來滿足算法的需求，改善視覺SLAM算法在低紋理場景中的性能。

報告題目四：基于動态圖和偏移注意力的點雲上采樣

報告人：韓亞振

報告簡介：由三維掃描設備直接得到的點雲經常是稀疏、不均勻、有噪聲的，因此點雲上采樣在點雲重建、渲染等領域扮演了越來越關鍵的角色。本文提出了一種新的基于動态圖和偏移注意力的點雲上采樣網絡DGOA（Dynamic Graph and Offset-Attention），DGOA主要包含LFE（Local Feature Extraction, 局部特征提取）、GFE（Global Feature Extraction, 全局特征提取）和CR（Coordinate Reconstruction, 坐标重建）三個模塊。LFE采用多層結構提取鄰域信息，每層基于特征相似性構建動态圖，可以在特征空間自适應的将點雲分組，增大感受野，獲得長距離的語義信息，更好的建模點雲的局部幾何形狀。GFE采用基于拉普拉斯算子的偏移注意力使每個點都能獲得點雲的全局信息，使生成點雲的細節與原始點雲一緻，減少噪聲的影響。CR借鑒Folding-Net操作，避免生成點的聚集。此外，整個網絡與輸入點雲中點的順序無關，具有置換不變性。在多個數據集的定量與定性實驗結果表明本文方法優于其它方法，并且具有良好的泛化性和穩定性。

報告題目五：基于多模态融合的目标跟蹤算法研究

報告人：鄧德康

報告簡介：目标跟蹤是計算機視覺研究中的前沿和熱點問題， 在安全監控、無人駕駛等領域中有着重要的應用價值。然而， 目前基于可見光數據的視覺跟蹤方法， 在光照變化、惡劣天氣下因數據質量受限難以實現魯棒跟蹤。因此，一些研究者提出了多模态視覺跟蹤任務，通過引入其他模态數據，包括紅外模态、深度模态、事件模态以及文本模态，在一定程度上彌補了可見光模态在惡劣天氣、遮擋、快速運動和外觀歧義等條件下的不足。多模态視覺跟蹤旨在挖掘可見光和其他模态數據的互補優勢，在視頻中實現魯棒的目标定位，對全天時全天候感知有着重要的價

值和意義，受到越來越多的研究和關注。基于上述的背景，使用多模态深度融合的方式，提高目标識别和跟蹤的準确度。