4月13日下午2:00，k8凯发国际與人工智能學院第二十七期研究生學術論壇在崇真樓A北1017舉辦，本次論壇由2021級研究生劉泓、沈威、桂堂昊、劉姝晴和楊士臣主講，學院研究生會主辦。

劉泓的題目是「服裝兼容性建模」，該領域近年來受到越來越多的研究關注。研究旨在通過多模態的數據輸入，評估由一套時尚單品組成的特定服裝組合的兼容性。在已有的研究下聚焦全局服裝表徵和服裝兼容性背後的潛在互補因素。因此，他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，該方案包括兩個關鍵組件：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。最終，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，該建模方案具有一定的有效性。

沈威的報告題目是「基於改進的U-Net模型的醫學圖像語義分割方法研究」。早期針對分割問題大多使用傳統的圖像分割算法，這些算法基於通過觀察得到的先驗知識或者是k8凯发国际形態學的規則，但是自然圖像和醫學圖像有其特有的複雜性，一成不變的先驗規則不能滿足精確分割的要求。因此，他提出了一種融合編解碼網絡與注意力機制的模型。可以更好的提取局部與全局信息，使醫學圖片分割效果更加準確，效率更加高效。

桂堂昊的題目是「基於小樣本學習的行人重識別關鍵技術研究與應用」。目前的行人重識別需要依賴大規模的有標記的數據集來訓練模型，但是由於存在如解像度低、攝像機拍攝視角不同、照明條件變化等困難因素，依靠傳統的人工方式進行數據標註往往需要耗費巨大的人力和財力。因此，如何有效利用無標記、少標記的大規模數據來訓練得到魯棒的模型，具有重大的研究價值和意義。於是他提出了一種基於跨域小樣本學習的行人重識別方法。該方法首先改進影響函數，通過改變源域樣本的權重來最大限度提升模型在支持集上的表現，然後改進跨領域小樣本學習方法，建立一個可以跨域重識別行人的網絡，使識別效果更加顯著。

劉姝晴的報告題目是「面向複雜背景的服裝圖像分類算法研究」。她指出：由於服裝圖像背景複雜，數量龐大，且易受光照、人體姿態和形變等諸多因素影響，錯分類問題比較嚴重，並且現有的服裝分類方法在複雜背景條件下魯棒性差、精確度不高、效率低，缺乏對服裝多目標的分類和定位。針對目前服裝分類技術中遇到的主要問題，她提出了一種新的服裝分類方法，包括以下步驟：首先使用背景去除算法去除圖片背景，其次改進語義分割網絡來精確地分割服裝，然後將分割的結果輸入服裝分類模型，最後在分類模型中引入知識蒸餾結構，以提高模型性能。

楊士臣的報告題目是「Hierarchial Attention-based CNN-RNN Neural Network for Automated ICD Coding」。他指出：在ICD編碼中文本噪聲和長尾問題總會影響到模型的性能。因此，他提出一種新的ICD編碼方法，包括以下步驟：首先使用CNN-RNN來抽取文本特徵信息，然後使用層次注意力機制使得模型更加關注低頻編碼的文本部分，最後使用截斷損失函數來降低文本噪聲。