2024年9月27日下午19點，k8凯发国际與人工智能學院第四十七期研究生學術論壇在崇真樓南樓A4030成功舉辦。本次論壇由2022級研究生艾夢涵、黃偉凱、王毅，2023級研究生梁京榜、何志奇主講，學院研究生會主辦，學院李琦老師出席了該論壇。

梁京榜同學分享的主題為「PDET:Progressive Diversity Expansion Transformer for Cross-Modality Visible-Infrared Person Re-identification」。可見-紅外行人重識別旨在解決傳統可見光行人重識別在弱光和夜間場景中的識別不足，是模式識別的重要研究方向。現有方法通常側重於減少不同模態之間的圖像差異，以提取更可靠的特徵，但往往忽視了區分同一身份的不同特徵表示能力。為解決這一問題，他們提出了「漸進多樣性擴展Transformer」框架，包括一個多樣性區分ViT模塊和一個跨模態相似性匹配模塊。多樣性區分ViT模塊旨在為單一輸入生成多個嵌入輸出向量，從而學習單個行人的不同細粒度特徵表示；而跨模態相似性匹配模塊則通過提高可見光與紅外圖像間的特徵相似性，動態調整兩種模態的圖像序列權重，以優化網絡的訓練效率。他們在兩個公共數據集上進行了廣泛實驗，結果表明該算法取得了顯著成效。

艾夢涵同學分享的主題為「Seat belt wearing detection based on EfffcientDet_Ad」。對於電力場景領域現有的安全帶目標檢測算法，它面臨着識別小目標精度低、目標特徵與背景容易混淆、智能監控平台計算資源有限等挑戰。她提出了一種基於EfficientDet的安全帶檢測算法EfficientDet_Ad。首先，設計了一個增強的特徵提取模塊，用於多尺度特徵融合，提高了檢測小目標的能力。其次，一個特徵融合注意力模塊FFAM的構建是為了增強對不太突出目標的關注。最後，該算法通過引入Ghost Conv和Channel Shuffle操作來重建EfficientNet骨幹中的MBConv模塊，從而實現了網絡參數的減少。對比實驗和燒蝕研究的結果分析表明，所提出的EfficientDet-Ad算法的平均精度為90.12%，比EfficientDet算法高出6.64%，優於其他先進的目標檢測算法。同時，檢測速度達到每秒55.7幀。綜合實驗結果證明了該算法在準確性和實時性方面的顯著有效性。

黃偉凱同學分享的主題為「半參數理論與神經網絡方法在衛星鐘差預報中的應用」。衛星鐘差預報是影響衛星導航精度的重要因素，直接關係到定位和導航服務的準確性與可靠性。鐘差變化可能導致定位誤差，因此，準確的鐘差預報對提升衛星導航系統性能至關重要。有效的預報模型能夠及時反映鐘差變化，從而為用戶提供更精準的導航信息。針對北斗衛星鐘差預測問題，他們研究提出了一種改進的雙向長短期記憶網絡（BiLSTM）模型，結合粒子群搜索（PSO）、麻雀搜索（SSA）和貝葉斯搜索（BOA）三種自適應超參數優化算法，顯著提高了短期預報精度。優化後的BiLSTM模型在預測精度上相比傳統模型分別提升了86.21%、83.32%、69.99%和55.17%。

何志奇同學分享的主題為「Road Object Detection Algorithm for Outdoor Blind Navigation Scenarios」。針對戶外導盲場景中道路目標檢測存在的複雜背景干擾及關鍵語義信息需求，當前目標檢測算法在道路目標檢測中表現出較低的準確性以及容易出現漏檢的問題，為此他們提出了一種目標檢測算法OD-YOLO。使用FasterNet以增強特徵提取能力，在SPPF模塊中引入可分離大核注意力機制。通過使用結構重參數化思想和卷積門控線性單元改進LarK中的大核卷積等優化C2f。提出一種輕量級非對稱檢測頭PADH，並使用PIoUv2改進原有的損失函數，通過基於層自適應稀疏度的量級剪枝操作進一步優化算法模型。實驗結果表明，在WOTR數據集上，OD-YOLO與YOLOv8n相比，經過剪枝後模型參數量同為3M，但mAP@0.5、mAP@0.5:0.95分別提升3.4%和4.1%。

王毅同學分享的主題為「Automatic collaborative learning for drug repositioning」。藥物重定位旨在為現有藥物尋找新的治療用途，加速藥物開發並降低成本。儘管傳統的濕實驗室實驗費用高昂，計算方法則提供了一種低成本且高效的替代方案。在他們的文章中，提出了一種新的用於藥物重定位的自動協同學習框架。首先，他們提出了一個度量標準，用於衡量鄰居之間的交互水平，並將其與GNN的內在消息傳遞機制相結合。此外，他還引入了一種先進的對比學習技術，利用不同特徵維度之間的固有規律，最小化特徵冗餘。在三個基準數據集上進行的大量實驗表明，該模型在多種最新方法上取得了顯著的改進。