2024年11月1日下午19点，计算机与人工智能学院第四十九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级研究生李赵勇、史盛源、赵国强、李金灿、方晨安主讲，学院研究生会主办，学院刘莉老师出席了该论坛。
李赵勇同学分享的主题为“GNNctd: A graph neural network based on complicated temporal dependencies modeling for fashion trend prediction”。在时尚趋势预测这一研究课题中，他们构造了一个新的时尚趋势数据集来解决在时尚趋势预测领域数据集稀缺的问题，同时他们提出了一种名为GNNctd的模型，用来对不同时尚元素之间存在的空间依赖关系以及时间序列存在复杂的时间依赖关系进行建模。该模型通过交互学习以及全局时间注意力模块来对复杂的时间依赖关系进行精细地提取，同时在交互学习中利用扩张卷积对不同尺度的时间依赖关系进行提取。此外，该模型利用图神经网络的特性，对不同时尚元素之间的空间依赖关系进行建模，从而增强模型的预测准确性。
史盛源同学分享的主题为“Private, Efficient, and Flexible: Protecting Names Based on Message-derived Encryption in Named Data Networking”。命名数据网络被认为是下一代互联网的一种新架构，它通过名称传递内容。然而，人类可读的名称可能会泄露用户的隐私。现有的解决方案侧重于加密以保护隐私，但它们在一个发布者和多个订阅者的情况下既无效，也不成功地支持前缀匹配。为了能够在哦一对多场景下支持前缀匹配，我们提出了一种高效灵活的具有隐私保护的名称方案，该方案将消息驱动加密与Bloom Filter相结合。首先，利用消息驱动加密保护姓名隐私，从而支持高效、安全的加密姓名匹配。其次，将每个名称分成多个组件，然后分别对每个组件进行加密，以支持灵活的前缀匹配。最后，为了提高名称匹配的效率和准确性，提出了带有随机数的布隆过滤器技术。安全性和性能分析表明，该方案在保护姓名隐私的同时，有效地提高了数据匹配的效率和准确性。
赵国强同学分享的主题为“TSTR: A Real-Time RGB-Thermal Semantic Segmentation Model with Multimodal Fusion Transformers”。传统语义分割方法主要依赖于单模态RGB图像，只有在白天良好的照明条件下才能表现良好，而在夜间等具有挑战性的照明条件下表现不佳。最近的研究已经开始将热像仪生成的热图像作为一种额外的模式集成到深度神经网络中，称为RGB-T语义分割。然而，现有的方法受到CNNs有限感受野限制，往往依赖于复杂的融合模块来提高精度，忽略了模型的计算时间。为了解决这些问题，他们提出了一种实时多模态融合网络（TSTR）用于RGB-T语义分割。具体而言，利用Transformer的全局自注意力机制和远程依赖建模，设计了一种基于Transformer的双分支编码器，分别提取RGB和热特征。为了确保实时性能，他们引入了更有效的自注意力块，并采用轻量级MLP解码器来聚合来自不同级别的信息以进行密集预测。此外，他们采用简单的加性融合操作进行多模态特征融合。大量的定量和定性实验表明，他们方法的分割速度明显快于现有的网络，同时获得了更好的分割精度。
李金灿同学分享的主题为“SWMA-UNet: Multi-Path Attention Network for Improved Medical Image Segmentation”。近年来，深度学习在医学图像分割方面取得了重大进展。研究发现，将 Transformers 与 CNN 结合起来可以有效解决 CNN 在管理长距离依赖关系和理解全局信息方面的局限性。然而，现有模型通常采用串行方式结合 Transformers 与 CNN，这使得同时处理全局和局部信息变得复杂。为了解决这个问题，他们的研究提出了一种集成 Transformers 与 CNN 的并行多路径注意架构 SWMA-UNET。该架构通过并行策略深度挖掘特征，同时捕获局部细节和全局上下文信息，从而提高医学图像分割的准确性。实验结果表明，他们的方法在 Synapse、ACDC 和 ISIC 2018 数据集上超越了文献中先前报道的方法。
方晨安同学分享的主题为“Quali-knee: Evaluating the Quality of Execution in Jump Exercises with a Wearable Sports Kneelet”。虽然运动活动识别在移动、可穿戴和泛在计算领域得到了广泛探索，但现有研究主要集中在识别和统计特定运动类型上。相反，质量评估是一个更具挑战性的问题，已发表的研究成果明显较少。在该课题研究中，他们介绍了Quali-knee，这是一种使用可穿戴运动膝关节传感器评估运动执行质量(QoE)的方法，该传感器可测量跳跃运动时下肢膝关节的屈曲角度。具体来说，Quali-knee利用放置在大腿外侧的单个惯性测量单元(IMU)来测量用户膝盖的加速度和角速度信号。为了测量下肢膝关节屈曲角度，Quali-knee采用了一种新颖的跳跃活动分割方法，通过IMU传感器确定跳跃活动的边界。为了提高Quali-knee的性能，他们利用多通道传感器模式和特定活动之间的潜在关系来学习丰富的活动表示。他们的贡献在练习识别方面取得了良好的性能，对每次练习的膝关节屈曲角度进行了预测。实验结果表明，该系统在跳跃分类方面的平均F分数为0.92，在角度预测方面的平均绝对误差为2.41°。
