为了促进学院研究生的学术思想碰撞，增强学术交流，3月16日下午2:00，计算机与人工智能学院第二十五期研究生学术论坛在崇真楼南楼A4030举办，本次论坛由2021级研究生张可怡、樊旺伟、田张源、俞晨雨主讲，学院研究生会主办。学院柳正利博士出席了报告会。
俞晨雨的报告主题是“基于多源信息融合的可穿戴系统研究”，他将多模态传感器、人工智能技术与数字孪生技术相结合，设计并实现了一套基于多源信息融合的可穿戴系统。该系统采用了改进的人体动作识别算法以及多源信息融合轨迹预测算法。他将多个一维信号拼接为二维信息，使用CNN网络提取信号空间特征，Bi-LSTM网络提取时序特征，并使用了空间注意力残差模块，对信号进行全局最大池化以及全局平均池化，将二者与原模块输入相乘，以增强网络对传感器信号因峰值频繁变换而产生的空间特征的敏感度。他还搭建了三维数字孪生展示平台，完成了一套完整的可穿戴硬件、软件系统的研究。
田张源的报告主题是“基于可穿戴设备的人类活动识别”，田张源在报告中指出智能服装广泛用于社会安全、健康监测和运动监测。对于现有的智能服装系统，最大的关注点是信息处理算法，基于穿戴式传感器的用户日常活动预测任务，称为“人类活动识别（HAR）”任务。针对HAR任务，已经诞生各种各样的深度学习网络，这些网络朝着更高的准确率和更少的参数量发展。而第三代神经网络SNN允许进行时空特征提取，并且使用二进制脉冲进行低功耗计算，他通过利用SNN与卷积层相结合处理HAR中的时间序列数据能够取得相较于现有方法更好的效果。田张源报告结束之后，师生们进行了现场提问，田张源对老师的问题进行解答。
张可怡的报告主题是“工业园区场景下风险行为识别方法与应用”，目前基于深度学习的计算机视觉摔倒检测算法仍存在以下问题：多数方法使用两个网络对目标进行分类和摔倒判定，会导致特征被重复提取，造成算法的冗余；现有的摔倒检测数据集中包含的小目标样本过少、网络模型的深度不够，造成小目标检测的准确率低；网络模型仅是对状态的检测，对于类似摔倒行为会造成误判。针对以上问题，她提出了一种具有更强的人类特征提取能力的网络模型。她在YOLOv5骨干网中采用非对称卷积块(ACB)卷积模块来代替现有的基本卷积，不仅可以提取基本特征，还可以提取横向和纵向特征，以及人体的位置和旋转特征。因此，改进后的骨干网具有更强的人类特征提取能力。并将空间注意力模块引入到YOLOv5骨干网的残差结构中，可以提取更详细的信息，提高网络的整体性能。最后提出摔倒判别器，利用不同阈值对不同状态进行判定，减少“假摔倒”造成误判的可能。
樊旺伟的报告题目是“Research on Clothing Classification Algorithm Based on Light-Weighted Hybrid Model”。 樊旺伟讲到实现轻量的服装识别网络，在便利性和隐私性上拥有显著优势，这对线上服装零售业具有重大意义。该方法提出了一个基于CNN和Transformer的混合模型CA-FashionNet以胜任轻量级服装分类任务，他进一步探讨了混合模型中CNN和Transformer结构对网络性能的影响。此外，他还提供了一个包含9种风格超过1.2万张图像的时尚风格数据集FashionStyle9，用来评估模型的性能。
最后学院研究生会对所有的参会人表达感谢，希望该次论坛能够为同学们提供好的学习机会，了解实用、前沿的学术指导。