2024年9月27日下午19点，计算机与人工智能学院第四十七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级研究生艾梦涵、黄伟凯、王毅，2023级研究生梁京榜、何志奇主讲，学院研究生会主办，学院李琦老师出席了该论坛。
梁京榜同学分享的主题为“PDET:Progressive Diversity Expansion Transformer for Cross-Modality Visible-Infrared Person Re-identification”。可见-红外行人重识别旨在解决传统可见光行人重识别在弱光和夜间场景中的识别不足，是模式识别的重要研究方向。现有方法通常侧重于减少不同模态之间的图像差异，以提取更可靠的特征，但往往忽视了区分同一身份的不同特征表示能力。为解决这一问题，他们提出了“渐进多样性扩展Transformer”框架，包括一个多样性区分ViT模块和一个跨模态相似性匹配模块。多样性区分ViT模块旨在为单一输入生成多个嵌入输出向量，从而学习单个行人的不同细粒度特征表示；而跨模态相似性匹配模块则通过提高可见光与红外图像间的特征相似性，动态调整两种模态的图像序列权重，以优化网络的训练效率。他们在两个公共数据集上进行了广泛实验，结果表明该算法取得了显著成效。
艾梦涵同学分享的主题为“Seat belt wearing detection based on EfffcientDet_Ad”。对于电力场景领域现有的安全带目标检测算法，它面临着识别小目标精度低、目标特征与背景容易混淆、智能监控平台计算资源有限等挑战。她提出了一种基于EfficientDet的安全带检测算法EfficientDet_Ad。首先，设计了一个增强的特征提取模块，用于多尺度特征融合，提高了检测小目标的能力。其次，一个特征融合注意力模块FFAM的构建是为了增强对不太突出目标的关注。最后，该算法通过引入Ghost Conv和Channel Shuffle操作来重建EfficientNet骨干中的MBConv模块，从而实现了网络参数的减少。对比实验和烧蚀研究的结果分析表明，所提出的EfficientDet-Ad算法的平均精度为90.12%，比EfficientDet算法高出6.64%，优于其他先进的目标检测算法。同时，检测速度达到每秒55.7帧。综合实验结果证明了该算法在准确性和实时性方面的显著有效性。
黄伟凯同学分享的主题为“半参数理论与神经网络方法在卫星钟差预报中的应用”。卫星钟差预报是影响卫星导航精度的重要因素，直接关系到定位和导航服务的准确性与可靠性。钟差变化可能导致定位误差，因此，准确的钟差预报对提升卫星导航系统性能至关重要。有效的预报模型能够及时反映钟差变化，从而为用户提供更精准的导航信息。针对北斗卫星钟差预测问题，他们研究提出了一种改进的双向长短期记忆网络（BiLSTM）模型，结合粒子群搜索（PSO）、麻雀搜索（SSA）和贝叶斯搜索（BOA）三种自适应超参数优化算法，显著提高了短期预报精度。优化后的BiLSTM模型在预测精度上相比传统模型分别提升了86.21%、83.32%、69.99%和55.17%。
何志奇同学分享的主题为“Road Object Detection Algorithm for Outdoor Blind Navigation Scenarios”。针对户外导盲场景中道路目标检测存在的复杂背景干扰及关键语义信息需求，当前目标检测算法在道路目标检测中表现出较低的准确性以及容易出现漏检的问题，为此他们提出了一种目标检测算法OD-YOLO。使用FasterNet以增强特征提取能力，在SPPF模块中引入可分离大核注意力机制。通过使用结构重参数化思想和卷积门控线性单元改进LarK中的大核卷积等优化C2f。提出一种轻量级非对称检测头PADH，并使用PIoUv2改进原有的损失函数，通过基于层自适应稀疏度的量级剪枝操作进一步优化算法模型。实验结果表明，在WOTR数据集上，OD-YOLO与YOLOv8n相比，经过剪枝后模型参数量同为3M，但mAP@0.5、mAP@0.5:0.95分别提升3.4%和4.1%。
王毅同学分享的主题为“Automatic collaborative learning for drug repositioning”。药物重定位旨在为现有药物寻找新的治疗用途，加速药物开发并降低成本。尽管传统的湿实验室实验费用高昂，计算方法则提供了一种低成本且高效的替代方案。在他们的文章中，提出了一种新的用于药物重定位的自动协同学习框架。首先，他们提出了一个度量标准，用于衡量邻居之间的交互水平，并将其与GNN的内在消息传递机制相结合。此外，他还引入了一种先进的对比学习技术，利用不同特征维度之间的固有规律，最小化特征冗余。在三个基准数据集上进行的大量实验表明，该模型在多种最新方法上取得了显著的改进。
