2024年10月18日19點，k8凯发国际與人工智能學院第四十八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級研究生趙高榮、李思維、鬍子奇，2023級研究生張思瑩主講，學院研究生會主辦，學院鍾賽尚老師出席了該論壇。

趙高榮同學分享的主題為「HearDrinking: Drunkenness Detection and BACs Predictions Based on Acoustic Signal」。酒精中毒是一種因過量飲酒引發的嚴重健康問題，需要有效監測。傳統檢測系統通常依賴額外硬件或複雜操作，實用性較低。為此，他們提出了HearDrinking，一個基於智能手機的免設備、抗噪聲醉酒檢測系統。該系統通過手機咪高峰記錄語音活動，提取醉酒相關特徵，實現準確檢測。語音易受環境噪聲干擾，為提升抗噪聲能力，HearDrinking採用多模態融合方法進行語音活動檢測，並通過計算對數梅爾頻譜圖獲取時間和頻譜信息。他們結合動態卷積ODConv與ShuffleNetV2，創建OD-ShuffleNetV2網絡，增強對數梅爾譜圖特徵提取。實驗結果顯示，該系統醉酒檢測平均準確率達96.08%，血液酒精濃度預測平均誤差為5mg/dl。

李思維同學分享的主題為「QualiFit: A Quality of Fitness Execution System with Wearable Sports Kneelet」。自新冠疫情以來，居家鍛煉逐漸受到歡迎。然而，缺乏專業健身教練的指導，參與者可能會面臨更高的受傷風險以及不理想的鍛煉表現。現有的健身活動指導系統往往缺乏更直觀和全面的指標來幫助用戶更好地理解和評估他們的鍛煉效果。此外，這些系統依賴於集中的數據收集和集中訓練模型的方法，可能違反數據私隱法規和限制系統對新用戶的泛化性能。在本文中，他們提出了QualiFit，一個健身輔助系統，其利用集成慣性測量單元（IMU）的可穿戴運動護膝為基於彎曲角度和基於抬腿高度的運動提供全面的健身質量評估和更直觀的表現反饋。此外，QualiFit不僅實現了私隱保護，還實現了系統對新用戶可觀的泛化性能。具體來說，QualiFit將每個用戶視為不同的任務，並以聯邦方式對全局中心網絡進行元訓練，以學習共享特徵表示，而無需直接共享用戶數據，從而保護用戶私隱。這些學習到的特徵標示可以有效地推廣到任何單個用戶。隨後，在中心網絡學習的特徵表示的基礎上通過自適應過程獲得個性化的本地模型。他們從局部和全局的角度對健身質量進行了評估，以幫助用戶提高運動表現。最後，本文在10名參與者6種健身動作共近24000次重複的健身數據上進行了廣泛實驗，QualiFit在動作類型分類方面達到了100%的平均準確率，在用戶表現水平識別方面達到了95.73%的平均準確率。此外，在基於彎曲角度和基於抬腿高度的完成度回歸任務中達到平均絕對誤差（MAE）分別為0.3775和0.8079。

鬍子奇同學分享的主題為「Highlight removal of single image based on diffusion model」。檢測和去除鏡面高光是一項複雜的任務，可以增強現實環境中的各種視覺任務。儘管以前的工作取得了很大的進展，但它們往往會忽略鏡面高光區域或產生不理想的效果，例如顏色失真等視覺偽影。針對這些問題，他們提出了一種基於擴散模型的高光去除框架。每次採樣疊代過程包括動態掩模感知擴散模型和數據一致性模塊。 DMDM的主體是一個U-Net，用於在預測噪聲圖像的同時逐漸細化mask，經過t次疊代後得到最終的無高光圖像和細化後的高光mask。他們在公開的SHIQ數據集上對所提出的方法進行了評估，並通過對實驗結果的對比分析證明了其優越性。

張思瑩同學分享的主題為「綜合半參數變係數和GRNN神經網絡的對流層天頂延遲模型」。本研究將對流層分析與半參數核估計的理論相結合，提出了一種融合半參數變係數與神經網絡技術的新型對流層模型。將頻譜分析中提取的主要周期信號作為參數部分，並將半參數核估計中的非參數概念應用於處理剩餘周期信號和其他隨機誤差，從而建立了一個基於半參數核估計的對流層天頂延遲模型。為了減少核函數選擇和窗寬參數對模型精度的影響，他們運用泰勒級數展開對參數部分進行簡化，並將窗寬參數與周期項的解算統一考慮，從而將標準的半參數核估計模型變為半參數變係數模型。最後引入廣義回歸神經網絡來對模型的擬合殘差進行補償，並通過貝葉斯優化算法來優化超參數。