beat365

信息技术研究生论坛

时间：2022年10月17日（星期一）15:00-16:00

地点：beat365601教室

报告题目一：基于元启发式算法的系统级故障诊断研究

报告人：黎国伟

报告简介：近些年来，无线传感器网络（WSN）广泛应用于工业生产、环境监测和军事行动等领域中。节点数量是获取高精度数据与广监测范围的前提条件，但节点一般布置在环境较为恶劣且难以维护的地方，故障率较高，因此故障检测成了较为棘手的问题。元启发式算法具有出色的寻优能力，不依赖于特定的网络拓扑结构和诊断模型，可以在较短时间内给出正确的故障节点列表，具有良好的泛化性能和诊断性能。通过将新型元启发式算法与系统级故障诊断相结合，为故障诊断提供了一种新的思路。

时间：2022年10月19日（星期三）8:00-12:00

地点：beat365601教室

报告题目一：在2D轮廓约束下的单视图三维重建研究

报告人：温凡彪

报告简介：介绍一种结合了2D轮廓约束的单视图三维重建方法。然而由于神经网络可以有效地编码3D数据集的隐藏的结构信息，利用神经网络解决单视图网格重建问题逐渐成为流行趋势。由于同胚映射下拓扑空间的拓扑属性不变，因此现有方法受到0-genus初始模板的限制，不能重建出具有正确拓扑的网格。报告详细介绍了一种利用2D轮廓约束改进单视图三维重建的方法。2D轮廓包含了该视角下的孔洞信息，利用投影矩阵可从2D恢复3D的拓扑结构。通过与现存的方法比较，所提出方法能快速准确的恢复3D网格的正确拓扑。

报告题目二：基于偏移校准的三维点云匹配离群值研究

报告人：王欣

报告简介：介绍了一种基于偏移校准的三维点云匹配方法。点云配准是三维计算机视觉中的一个基本问题，现有方法缺乏对离群点信息的利用，限制了点云配准的准确性。报告介绍了一种新的深度神经网络DPGFNet，建立了一个新的处理离群点对的模块。该模块通过学习点对的空间分布，预测偏移量并矫正离群点对，从而充分利用outlier空间信息。同时通过图注意力融合全局空间信息，实现了鲁棒和精确的点云配准。通过与现存的方法比较，提出的方法具有更高的精度、更强的鲁棒性和更好的泛化性。

报告题目三：三维场景的局部隐式网格表示

报告人：刘飞

报告简介：介绍了局部隐式网格表示法，这是一种新的三维形状表示法，旨在实现可扩展性和通用性。基本思想是：大多数3D曲面在一定比例上共享几何细节。训练一个自动编码器来学习如何嵌入这种尺寸的局部3D图形。然后，将解码器用作形状优化中的一个组件，该优化解决了重叠作物规则网格上的一组潜在代码，从而使解码的局部形状的插值与部分或有噪声的观察相匹配。实验证明了该方法在基于稀疏点观测的三维曲面重建中的价值，显示出明显优于其他方法的结果。

报告题目四：用于数字图像隐写分析的深度残差网络

报告人：梁伟琳

报告简介：介绍了一种用于图像隐写分析无预处理的端到端深度卷积神经网络。目前深度卷积神经网络构建的隐写隐写分析模型已经牢固地确立了自己优于以前的传统检测方式 - 基于富媒体模型的分类器。然而，现有的网络架构仍然包含手工设计的元素，例如固定或约束卷积核，在丰富模型中模拟截断的阈值线性单元。报告介绍了一种深度残差架构，旨在最大限度地减少启发式和外部强制元素的使用，并且这种架构是通用的，因为它能为空间域和JPEG隐写术提供了最先进的检测精度。所提出的架构的关键部分是检测器的显著扩展的前部，该部分“计算噪声残差”，其中池化已被禁用以防止抑制嵌入信号。大量的实验表明，该网络的卓越性能有了显着的改进，特别是在JPEG域中。

欢迎大家踊跃参与！！！