2024年12月27日下午19点，计算机与人工智能学院第五十三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级研究生韩文昊、王纯、徐洋主讲，学院研究生会主办了该论坛，学院罗紫葳老师出席了该论坛。
韩文昊同学分享的主题为“Robotic Arm Robust Grasping and Region Smoothing for Fabric Manipulation & CNCC参会报告”。对织物进行操纵并与之进行交互是一个动态的过程，但在机器人技术中对织物进行操作却面临着重大挑战，因为要精确地对三维空间中的柔性物体进行建模十分复杂。他们的研究重点在于构建全面的织物数据集和标签，同时通过数据增强技术尽量减少模拟数据与真实数据之间的差异。此外，还采用了深度学习方法来检测织物关键区域内的抓取点和抓取方向。随后利用关键点识别网络（KRN）来确定夹爪的最佳抓取点和抓取方向。该成果成功地在多自由度机械臂（ROS）上得以应用，表明该算法相较于基准方法具有更优越的性能。同时他参加了两次CNCC大会，并在专家报告中探索出使用强化学习（RL）来改进现有深度学习方法的机械臂织物操纵流程。
王纯同学分享的主题为“Research on the algorithm of helmet-wearing detection based on the optimized Mobilevit and Centernet”。该研究提出基于 Mobilevit 和 Centernet 的安全帽佩戴检测算法。特征提取阶段用 MobileViT 替代 Resnet50，引入轻量化 CARAFE 上采样算子与反卷积，提高模型的检测速度，针对原始模型小目标检测差和易误检问题，采用 ASFF - FPN 特征融合结构，并引入 ECA 机制。实验表明，该算法比 Centernet 在 mAP@0.5 提升 6.24%，FPS 提升 17.8 帧 /s，兼顾准确率与效率。
徐洋同学分享的主题为“Deep Metric Learning with Feature Aggregation for Generalizable Person Re-Identification”。基于度量学习的行人重识别（ReID）方法能在小规模数据集上自适应地学习度量矩阵，提高检索精度。然而，现有方法通常依赖于单尺度判别特征，难以适应多变的姿态和尺度。为解决这一问题，他们提出了一种基于深度聚合特征表示的度量学习方法。该方法设计了分层特征提取模块（HFE），利用大核卷积增强特征判别能力，并引入自适应特征聚合模块（AFA），更有效地利用不同层特征的互补信息。实验结果表明，该方法在四个公共数据集上显著提升了模型的泛化性能。
