2024年6月19日下午14点，计算机与人工智能学院第四十四期研究生学术论坛在崇真楼南楼A4030成功举办。本次论坛由2022级研究生韩枫、盛光健、王帅宾、胡凯康主讲，学院研究生会主办，学院叶璐瑶博士出席了该论坛。
韩枫同学分享的主题是“RASNet:Recurrent aggregation neural network for safe and efficient drug recommendation”，由于长期感染慢性病，患者的病情会出现周期性变化，如何基于电子病历对此类患者建模以精准推荐用药是一个难题。为应对这些挑战，他们提出了一种名为 RASNet 的新型药物推荐模型。RASNet 使用循环聚合网络来识别与患者当前健康状况相似的历史健康记录。当患者的病情呈现周期性模式时，它可以过滤掉多次就诊中的噪声记录，从而有效解决因病情反复引入的数据噪声问题。此外，RASNet 还引入了新颖的 DDI 损失，以确保药物推荐的安全性和准确性。在 MIMIC-III 数据集上进行的大量实验证明，RASNet达到了最先进的性能。
胡凯康同学分享的主题是“Inter-Camera Identity Discrimination for Unsupervised Person Re-Identification”，为了解决相机间视图中个人之间的区别被模糊这一问题，他引入了基于摄像机-身份-差异的无监督人Re-ID对比的学习框架。提出的框架包括两个关键部分，一是不同样本交叉视图近距离惩罚模块，二是相同样本交叉视图远程约束模块。前者的目的是惩罚不同主体在镜头间视图之间的过度相似性，而后者减轻了同一主体在镜头间视图之间的过度不相似性的挑战。为了验证他们方法的性能，他们在三个现有的个人Re-ID数据集(Market-1501, MSMT17和PersonX)上进行了广泛的实验。实验结果证明了跨相机相同样本远距离惩罚和不同样本近距离约束的有效性，并显示出良好的性能。
王帅宾同学分享的主题是“Highlight Mask-Guided Adaptive Residual Network for Single Image Highlight Detection and Removal”， 因为镜面高光检测和去除是一项具有挑战性的任务。尽管已有多种方法用于去除镜面高光,但由于高光通常具有高亮度和非均匀分布特性，这些方法通常无法有效地保留去除高光后物体的颜色和纹理细节。此外，在处理具有复杂高光属性的场景时，现有方法往往会遭遇性能瓶颈，限制了其应用范围。因此，他们提出了一种基于高光掩码引导的自适应残差网络(HMGARN)的方法。HMGARN由三个部分组成：Detection-Net，Adaptive-Removal Network和Reconstruct-Net。具体而言，Detection-Net能够从单个RGB图像中准确预测出高光掩码。随后，预测的高光掩码被输入到Adaptive-Removal-Net中，以自适应地引导模型去除镜面高光，估计出一个粗略的无镜面高光图像。最后，Reconstruct-Net被用来逐步细化这一粗略结果，去除残留的镜面高光，并构建最终的高质量无镜面高光图像。他们在公开数据集（SHIQ）上对该方法进行了评估，并通过对比实验结果验证了该方法的优越性。
盛光健同学分享的主题是“Research on Garment Image Retrieval Method Based on Transformer and Multi-layer Feature Fusion”， 他们针对服装图像检索领域中存在的问题进行了研究。虽然之前的两阶段解决方案已经达到了比较高的准确率,但这种方式需要对图像进行两次排名,限制了性能的进一步提升。为了克服这个限制,他们提出了一种新的多层特征融合网络方法，融合了低层和高层特征的优点,以期待在服装图像检索任务上取得更好的效果。通过在服装图像检索数据集上的实验验证，他们的多层特征融合网络方法显著提高了图像检索的准确率，优于之前的两阶段解决方案。并且他们的研究为图像检索领域提供了一种新的思路和解决方案。
