计算机与人工智能学院成功举办第十四期研究生学术论坛

来源: 作者:编辑人:包嘉琪发稿时间:2022-05-06浏览次数:

5月5日上午9:00,计算机与人工智能学院第十四期研究生论坛在崇真南楼A北4030举办。本次论坛由学院研究生会学术部主办,2020级研究生周迪、钟豪、全程和徐硕负责主讲,青年教师罗瑞奇博士参与本次论坛并进行了指导。

周迪的报告题目为“基于EfficientNetV2和物体上下文特征的胃癌分割方法”。报告针对胃癌病理图像分割任务的诸多问题,以EfficientNetV2为基础网络,使用基于OCR模块改进的OCRS模块克服卷积神经网络感受野的局限性,利用TTA(Test Time Augmentation)对图像进行不同手段的图像增强(翻转,旋转,缩放等)后对这多个版本数据进行计算,最后使用取平均或投票法作为结果,能够更好的处理胃癌病理图像的边缘信息,抑制过拟合。网络采用双线性插值的方式进行上采样,并通过跳跃连接的方式进行特征融合;当网络上采样到原图1/2时,通过OCRS模块及TTA进一步优化上采样的结果;在胃癌病理图像分割任务中取得了较好的效果。

钟豪的报告题目为“基于特征对齐的多方位注意力机制服装图像分割网络”。报告从多尺度特征融合、特征对齐和注意力机制三个角度出发,提出了一个以HRNet为主干网络,结合特征对齐模块(Feature Alignment Module,FAM)和多方位注意力机制模块(Multifaceted Attention Mechanism,MAM)的FMNet,其中多方位注意力机制模块由类别注意力、空间注意力与通道注意力逐元素相加构成。报告设计并实现了FMNet相较其他经典网络的消融实验与对比实验,实验表明,FMNet在分割任务中的mIOU(均交并比)上取得了显著的优势。

全程的报告题目为“基于流形神经网络的服装分类”。现有的深度学习方法,例如Match R-CNN、BCRNN等多将图像视为欧式空间中的数据,但现实情况下很多数据具有非欧结构,流形学习使用黎曼几何来处理协方差矩阵,可克服传统欧式方法的局限。报告将流形学习与神经网络相结合,提取图像的几何先验信息,可以取得提高网络的鲁棒性与准确率等有益效果,更适合服装类型数据的应用。

徐硕的报告题目为“A Fast Point Clouds Registration Method with ISS-Shot Feature Descriptors”。报告介绍了一种快速点云配准方法,使用ISS-Shot特征描述符寻找匹配点对;利用SVD(Singular Value Decomposition,奇异值分解)粗配准获得初等变换矩阵,用于ICP(Iterative Closest Point,迭代最近点)精配准;在ICP精配准中使用法向量约束和K-D树加速进一步提高配准的精度。该方法对点云的初始位姿不敏感,具有良好的鲁棒性和泛化性,取得了较好的实验效果。

本期研究生学术论坛开拓了研究生的学术视野、促进了研究生之间的学术交流,取得圆满成功。