12月2日下午2:00，k8凯发国际與人工智能學院第二十二期研究生論壇在崇真樓南樓A4030舉辦。本次論壇由2020級研究生付科巽，2021級研究生史衍康、王譽霖和劉泓主講。k8凯发国际與人工智能學院研究生會學術部主辦。

付科巽的報告題目是「基於區塊鏈與ipfs的醫療數據共享模型」，主要針對於目前雲存儲的數據安全與醫療數據在不同醫院進行共享時的滯後問題。報告提出，使用區塊鏈來存儲用戶的基本信息，並通過ipfs來存儲醫療文件，之後利用本地數據庫存儲hash，使用聯盟鏈的方式進行數據的共享，由此設計框架模型。通過大量實驗已驗證模型的可行性。

史衍康的報告題目是「Fine-Grained Image Analysis with Deep Learning」，他提到，細粒度圖像分析旨在分析下屬類別的視覺對象，具備類內變化小和類間變化大的特點，主要方法包括：通過本地化分類子網絡進行識別、通過端到端特徵編碼進行識別、對外部信息的融合等，報告概述了這些方法與普通圖像分析方法的不同之處，使同學們對圖像領域有了更深刻的見解。

王譽霖的報告題目是「Improved YOLOv5 Based on Transformer Prediction Head for Object Detection on Drone-captured Scenarios」，報告提到目標檢測是近年來的一個熱門課題，而無人機檢測任務區別於傳統的檢測任務，隨之帶來的是新的問題與挑戰。本次分享針對無人機在不同高度作業時目標尺度變化劇烈的問題，以及無人機在低空高速作業時密集目標的運動模糊問題。為解決上述問題，他提出了一種改進的基於YOLOv5的目標檢測模型，並對此模型進行介紹，實驗在DET-test-challenge數據集上達到SOTA水平。

劉泓的報告題目是「基於圖神經網絡的服裝推薦」，他提到個性化服裝兼容性建模得到了越來越多的研究關注，它旨在憑藉多模態的數據輸入，以此評估由一套時尚單品組成的特定服裝組合的兼容性。雖然已有的研究取得了顯著進展，但大多忽視了最基本的全局服裝表徵，以及服裝兼容性背後潛在的互補因素。為此，他們提出了一種基於圖神經網絡的個性化服裝兼容性建模方案。該方案由兩個關鍵組件組成：基於上下文感知的服裝表徵建模和隱藏的互補因素建模。前者利用圖卷積網絡自適應學習服裝潛在表徵，充分挖掘時尚單品的上下文；後者通過並行圖神經網絡來揭示潛在的互補因素，得到多組具有潛在互補因素導向的兼容性分數。最後，將這些分數相加得到服裝整體的兼容性得分，每個得分都來自特定服裝組合與對應的互補因子的潛在表徵。實驗結果表明，提出的建模方案具有一定的有效性。