beat365

信息技术研究生论坛

场次一、

时间：2022年11月28日（星期一）14:00-16:00

地点：beat365807B教室

报告题目一：基于深度学习的晶粒度智能评级方法

报告人：贾沛沅

报告简介：首先介绍深度学习在检测领域的相关背景和课题来源，其次对金属显微结构的平均晶粒度测定方法及目前主流检测方法：如比较法、面积法截点法进行综述，针对目前的研究难点和重点进行了概述，并总结了深度学习在金属微观组织领域检测发展现状和未来研究方向。

报告题目二：基于马尔可夫链的水下MAC协议研究

报告人：白玠

报告简介：介绍基于水下MAC协议的相关北京和课题来源，随后介绍国内外对水下MAC协议的研究现状。第三部分将介绍基于马尔科夫链的水下MAC协议设计，该方法可使水下紧急重要的数据优先传输免于碰撞。最后介绍实验结果与未来工作。

报告题目三：基于特征融合协同注意力的多模态情感分析

报告人：蔡宇扬

报告简介：介绍多模态情感分析研究背景及现状，介绍注意力机制在多模态情感分析中的使用并对特征融合协同注意力进行说明，最后介绍实验相关结果及未来改进方向

场次二、

时间：2022年11月30日（星期三）8:00-12:00

地点：beat365601教室

报告题目一：基于频滤自适应滤波器的单视图三维重建研究

报告人：温凡彪

报告简介：报告介绍了一种基于频滤自适应滤波器的单视图三维重建方法。由于图卷积相当于一个低通滤波器，因此基于图卷积分网格重建常常难以恢复高频的细节特征。该方法使用频滤自适应滤波器设计的卷积算子提取多尺度频率特征，使得重建网格具备更多的细节。报告介绍了该方法的实现和效果，弥补了该研究领域的空白。

报告题目二：多模态特征融合的图像匹配研究

报告人：王欣

报告简介：报告介绍了一种利用多模态特征融合的图像匹配方法。模态的普遍性和深度学习的快速发展赋予了多模态融合技术极大的发展潜力。报告详细介绍了多模态和图像匹配得背景知识，并介绍了一种新颖得结合多模态特征融合得图像匹配方法，该方法在性能上达到了SOTA。

报告题目三：图神经网络综述

报告人：刘飞

报告简介：介绍了图学习的概念、应用和发展现状。图被广泛用于表示连接数据的网络结构。图数据可以在广泛的应用领域中找到，如社会系统、生态系统、生物网络、知识图和信息系统。随着人工智能技术的发展，图学习(即图上的机器学习)正受到研究者和实践者的关注。图学习被证明对许多任务都是有效的，例如分类、链接预测和匹配。

报告题目四：基于CNN特征融合图像块回归的空间隐写分析

报告人：梁伟琳

报告简介：介绍了一种用于图像隐写分析融合图像块回归的深度卷积神经网络。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。基于图像块回归的深度模型能够有效利用cover图像和stego图像之间的差别，并以块回归的模式辅助网络训练，使得网络达到了更好的分类精度，并且这种架构是通用的，大量的实验表明，该网络的卓越性能有了显着的改进，特别是在空间域中。

场次三、

时间：2022年11月28日（星期一）14:00-18:00

地点：beat365601教室

报告题目一：车联网中基于双Q学习算法的边云协作任务卸载机制

报告人：唐宁昆

报告简介：面对车载终端的数据计算量的爆炸式增长，计算卸载是缓解车辆资源不足的有效手段。相比于单独研究云计算或者边缘计算，让二者相互协作则可以实现优势互补，提高系统的整体服务质量。在车联网中，如何制定出适应环境动态性的卸载决策是一个主要挑战，在这个过程中，任务的紧急程度也是一个不容忽视的因素。针对上述问题，我们构建了一个基于软件定义网络（SDN）的边云协作任务卸载架构，并且抽象出一个任务优先级的度量标准，然后将动态环境中的任务卸载决策问题建模为马尔科夫决策过程，目标是最大化由时延和成本构成的任务平均效用。为了求解上述问题，我们提出了基于双Q学习算法（DDQN）的任务卸载决策机制以及基于优先级的资源分配方案。在此基础上，我们设计了一种卸载比例计算方法，目的是在保障卸载的任务量可以在通信时间内上传完成的同时最小化任务处理时延。仿真结果表明，我们提出的方法可以实现快速收敛，相比于其它三种固定卸载策略，该方法的时延和效用性能也获得了2倍以上的提高。除此之外，在车辆数目适中的情况下，任务的完成比例可以稳定保持在100%。

报告题目二：基于ConvNeXt热图定位和对比学习的细粒度图像分类研究

报告人：郑世杰

报告简介：针对细粒度图像分类中高类内差异和低类间差异的挑战，提出一种基于ConvNeXt网络为主干，使用GradCAM热图进行裁剪和注意力擦除的多分支细粒度图像分类方法。该方法利用GradCAM通过梯度回流得到网络的注意力热图，定位到具有判别性特征的区域，裁剪并放大该区域，使网络关注局部更深层次的特征。同时引入有监督的对比学习，扩大类间差异，减小类内差异。最后进行热图注意力擦除操作，使网络在关注最具判别性特征的前提下，也能关注其他对分类有用的区域。提出的方法在CUB-200-2011、Stanford Cars和 FGVC Aircraft，Stanford Dogs数据集上的分类准确率分别达到了91.8%、94.9%、94.0%、94.4%，优于多个主流的细粒度图像分类方法。

报告题目三：基于改进NSGA-III的D2D协同MEC多目标优化

报告人：王志鸿

报告简介：当前的移动边缘计算模型(MEC)存在边缘服务器计算压力大、空闲移动设备的资源没有得到充分利用等问题。使用边缘网络中的空闲设备进行协同计算，能为MEC带来更强的计算能力。因此，提出一种D2D协同的部分卸载MEC模型(DCM-PO)，在该模型中，除本地计算和MEC服务器计算外，还能将部分任务上传到空闲D2D设备进行辅助计算。首先，以最小化任务设备的时延、能耗和费用，以及最大化D2D设备和MEC服务器的收益为目标建立多目标优化问题。然后，基于NSGA-III算法，在多染色体混合编码、自适应交叉率和变异率等方面进行改进，使之适合DCM-PO模型求解。仿真结果表明，所改进算法的收敛速度快、全局寻优能力强。相比于基准MEC模型，DCM-PO模型在时延、能耗、费用上均具有优势。

场次四、

报告题目一：用于图像分类的模糊策略学习率ResNet

报告人：张睿权

时间：2022年11月29日（星期二）8:00-12:00

地点：beat365b601教室

报告简介：ResNet深度神经网络用于图像分类时，全连接层的训练存在收敛速度慢以及所获权重不佳等问题，影响了分类效果。为解决此不足，提出一种模糊策略梯度下降算法训练ResNet。首先用拟牛顿法的思想推导出ResNet全连接层权重的梯度下降法迭代公式，然后用梯度的历史信息对当前一阶小批量梯度进行修正，接着应用模糊策略的学习率更新权重，并通过上下边界函数处理学习率的过大或过小而引发的迭代振荡，改善了训练算法的稳定性和收敛性。

场次五、

报告题目一：基于注意力机制的图像细粒度分类方法

报告人：陆维相

时间：2022年12月2日（星期五）18:00-18:30

地点：腾讯会议：536-722-692会议密码：684366

报告简介：图像细粒度分类在生活中有许多应用场景，比如车辆识别，鸟类识别等等，但是因为“类内差异大，类间差异小”的问题，细粒度分类一直是一项具有挑战性的工作。报告从图像细粒度分类研究现状出发，结合相关理论方法，引入注意力机制，对现有图像分类模型进行改进，为图像细粒度分类提供一种新的方法。

报告题目二：一种设备预测性维护系统的通用设计方法

报告人：田松霖

时间：2022年12月2日（星期五）18:00-18:30

地点：腾讯会议, 时间：2022/12/02 18:00-18:30，会议号：536-722-692，会议密码：684366

报告简介：设备预测性维护，是指在目标设备发生问题之前，依据某种原理或经验进行预先的维护。随着工业的发展及制造企业规模的扩大，设备的复杂度越来越高，其本身的价格也越来越昂贵，对生产的影响也越来越大。设备在企业中的作用及地位日益突出，使得设备维护管理逐渐成为企业关注的重点内容之一。科学合理的设备维护方法不仅能降低企业维护成本，而且可保证生产任务的完成质量，进而提高企业竞争力。目前普遍采用的事后维护与计划维护策略存在维护不足、维护过剩或盲目维护等缺陷，因此预测性维护的重要性便逐渐显露了出来。此次报告总结了一种预测性维护系统的通用设计方法，为设备预测性维护系统的设计提供了一种通用性的设计思路。

报告题目三：基于 PLM 的知识增强型即时学习CRS

汇报人：黄杰文

时间：会议时间：2022/12/02 18:00-18:30 (GMT+08:00)

地点：腾讯会议：536-722-692 会议密码：684366

会话推荐系统 (下面简称为：CRS) 旨在通过自然语言对话主动引发用户偏好并推荐高质量的项目。通常，CRS 由一个推荐模块（用于预测用户的首选项目）和一个对话模块（用于生成适当的响应）组成。要开发有效的 CRS，必须无缝集成这两个模块。现有的工作要么设计语义对齐策略，要么在两个模块之间共享知识资源和表示。然而，这些方法仍然依赖于不同的架构或技术来开发这两个模块，使得有效的模块集成变得困难。一个名为 UniCRS、基于知识增强即时学习的统一CRS模型，为了解决这个问题提供了思路。该方法将推荐和对话子任务统一到提示学习范式中，并利用基于固定预训练语言模型 (下面简称为PLM) 的知识增强提示以统一的方法完成这两个子任务。在提示设计中，包括融合的知识表示、任务特定的软标记和对话上下文，它们可以提供足够的上下文信息来使 PLM 适应 CRS 任务。此外，对于推荐子任务，还将生成的响应模板作为提示的重要组成部分，以增强两个子任务之间的信息交互。在两个公共CRS数据集上的大量实验证明了该方法的有效性。

场次六、

报告题目一：图对比学习推荐系统

汇报人：黄杰文

时间：2022/12/04 18:00-18:30 (GMT+08:00)

地点：腾讯会议：235-639-358 会议密码：08759

大多数现有的图对比学习方法要么在用户-项目交互图上执行随机增强 (例如节点/边扰动，node/edge perturbation)，要么依赖基于启发式的增强技术 (例如用户聚类)来生成对比视图。这些方法不能很好地保留内在的语义结构，并且容易受到噪声扰动的影响。一种简单而有效的图对比学习范式 LightGCL，可以缓解那些对基于对比学习的推荐器的通用性和鲁棒性产生负面影响的问题。该模型专门利用奇异值分解 (SVD，singular value decomposition)进行对比增强，从而通过全局协作关系建模 (global collaborative relation modeling)实现无约束的结构细化 (unconstrained structure refinement)。在几个基准数据集上进行的实验表明，该方法显着提高了现有技术的性能。进一步的分析表明 LightGCL在数据稀疏和流行度偏差的鲁棒性方面的优越性。

报告题目二：基于夏普利值的面向KNN模型的数据清洗算法

报告人：田松霖

时间：2022年12月4日（星期日）18:00-18:30

地点：腾讯会议：235-639-358 会议密码：08759

报告简介：现实世界中收集的数据集通常是不完备的，难以构建有效的机器学习模型，故此需要进行数据清洗。人工参与的数据清洗过程需要的代价较高，自动化进行数据清洗有助于提高清洗效率并节省人工成本。通过计算每个不完备数据在机器学习模型中的夏普利值，可以有效评估不完备数据在机器学习模型中的价值，并以此对数据进行高效且有效的清洗。报告介绍了一种对于不完备数据集的夏普利值的表示方法，以及一种能够高效计算 KNN 模型中不完备数据夏普利值的近似算法，最后总结为一种基于夏普利值的面向KNN模型的数据清洗算法，对数据清洗类的工作具有一定的参考意义。

报告题目三：基于卷积神经网络的木薯叶疾病识别

报告人：陆维相

时间：2022年12月4日（星期日）18:00-18:30

地点：腾讯会议：235-639-358 会议密码：08759

报告简介：木薯叶容易遭受自然侵害，为了能够识别出木薯叶遭受的疾病类型，早期需要人用肉眼进行识别，但是此类方法耗费太多人力物力。目前基于深度学习的方法可以提高识别木薯叶疾病的效率。报告引入注意力机制，改进残差神经网络，提高识别的精度。同时，使用数据增强技术，丰富原有数据集，提高泛化能力。