2026年11月4日16时，计算机与人工智能学院第七十八期研究生学术论坛在崇真楼南楼A4030成功举办。本次论坛由2024级研究生李泽奇、王满、毛旭浩、李浩强以及龙君豪主讲，计算机与人工智能学院研究生会学术部主办，学院钟赛尚老师出席了该论坛。
李泽奇同学分享的主题为“Decoupled Appearance-Trajectory Deep Tracking”。视觉目标跟踪通常同时利用目标的外观与运动轨迹。现有方法在特征层面融合二者，外观特征往往占据主导，削弱了轨迹的引导作用，使跟踪器容易漂移到外观相似的干扰物上。为此，本文提出DATDT，将外观感知与轨迹推理解耦为两条独立分支，分别评分后再进行后期融合；并引入兼顾外观相似度与轨迹一致性的自适应模板更新，以及边界感知的自适应裁剪。实验表明，DATDT在七个基准中的五个上取得最优，GOT-10k平均重叠率达79.9%，速度为55.5FPS。
王满同学分享的主题为“Dual Visual-Semantic Interaction Enhancement for Generalized Zero-Shot Learning”。广义零样本学习通过跨类别共享的语义信息来识别可见类和未见类，这依赖于有效的视觉语义模态交互。然而，现有基于预训练视觉Transformer的方法提供的语义指导有限，导致跨模态交互不足。为此本文提出DVSIE框架。其中，跨模态注意力增强模块通过多头注意力机制将语义词向量集成到视觉特征中，生成语义丰富的视觉嵌入。为了促进视觉语义互监督，设计了双向对比学习模块，其中视觉特征指导语义表示的细化，语义特征同时指导视觉嵌入的优化。在三个基准数据集上进行的大量实验表明，在SUN和AWA2数据集上，DVSIE在ZSL/GZSL任务中取得最优，在CUB数据集上，展现出极具竞争力的性能。
毛旭浩同学分享的主题为“Fine-Grained and Adversarially Optimized Differential Privacy for Federated Neural Networks”。为平衡联邦神经网络的隐私与效用，提出端到端客户端级中心差分隐私框架。ACTO通过受约束的极小极大优化选择完整更新的块级保留幅度，联合椭球投影限制贡献；CFBA利用历史差分隐私聚合与公开噪声方差调整块级几何。模型块与裁剪统计量每轮联合加噪，在固定名册增删邻接和独立泊松采样下，通过Rényi差分隐私跨轮组合。在MNIST、CIFAR-10、Drebin和CIC2020上验证：隐私预算为4时，前两者平均测试准确率分别为97.66%和54.86%。消融实验表明，两个模块联用在四个数据集上均优于单独使用。
李浩强同学分享的主题为“Dynamic Expert Query Generation Framework for Unsupervised Domain Adaptive Retrieval”。在无监督领域自适应检索中，现有查询生成方法依赖静态文档采样，难以兼顾相关性、多样性与领域适应能力，易导致合成查询同质化。为此，本文提出一种基于奖励反馈的动态专家查询生成框架（DEQGen）。该方法利用K-Means构建局部语义空间，设计聚类代表、实体密度与文本质量三类专家对文档多维评估；并构建相关性、区分度与多样性联合奖励机制，动态调整专家权重以优化文档选择策略，同时结合难负样本挖掘降低假阴性干扰。在BEIR基准数据集上的实验表明，该方法在多个检索任务中优于现有方法DUQGen，nDCG@10指标取得稳定提升，消融实验验证了多专家协同与动态反馈机制的有效性。
龙君豪同学分享的主题为“BiTrack: A Bidirectional Self-Calibration for Online Visual Tracking”。在线视觉目标跟踪易受目标漂移、重检测不可靠及低质量模板更新影响，容易产生误差累积。本文提出BiTrack，一种双向自校准跟踪框架，在固定长度、非重叠历史窗口内进行前向跟踪与反向验证，并依据双向预测的一致性检测漂移、触发重跟踪以修正错误。同时，设计置信度引导的模板更新机制以抑制不可靠特征污染，并采用自监督启发的裁剪训练策略，使训练过程更贴近在线推理。七个公开基准上的实验表明，BiTrack-L在GOT-10k、TrackingNet和LaSOT上分别取得79.5%AO、85.6%AUC和73.7%AUC；BiTrack-B 的跟踪速度达到71.24FPS。
