2024年12月27日下午19點，k8凯发国际與人工智能學院第五十三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級研究生韓文昊、王純、徐洋主講，學院研究生會主辦了該論壇，學院羅紫葳老師出席了該論壇。

韓文昊同學分享的主題為「Robotic Arm Robust Grasping and Region Smoothing for Fabric Manipulation & CNCC參會報告」。對織物進行操縱並與之進行交互是一個動態的過程，但在機械人技術中對織物進行操作卻面臨着重大挑戰，因為要精確地對三維空間中的柔性物體進行建模十分複雜。他們的研究重點在於構建全面的織物數據集和標籤，同時通過數據增強技術儘量減少模擬數據與真實數據之間的差異。此外，還採用了深度學習方法來檢測織物關鍵區域內的抓取點和抓取方向。隨後利用關鍵點識別網絡（KRN）來確定夾爪的最佳抓取點和抓取方向。該成果成功地在多自由度機械臂（ROS）上得以應用，表明該算法相較於基準方法具有更優越的性能。同時他參加了兩次CNCC大會，並在專家報告中探索出使用強化學習（RL）來改進現有深度學習方法的機械臂織物操縱流程。

王純同學分享的主題為「Research on the algorithm of helmet-wearing detection based on the optimized Mobilevit and Centernet」。該研究提出基於 Mobilevit 和 Centernet 的安全帽佩戴檢測算法。特徵提取階段用 MobileViT 替代 Resnet50，引入輕量化 CARAFE 上採樣算子與反卷積，提高模型的檢測速度，針對原始模型小目標檢測差和易誤檢問題，採用 ASFF - FPN 特徵融合結構，並引入 ECA 機制。實驗表明，該算法比 Centernet 在 mAP@0.5 提升 6.24%，FPS 提升 17.8 幀 /s，兼顧準確率與效率。

徐洋同學分享的主題為「Deep Metric Learning with Feature Aggregation for Generalizable Person Re-Identification」。基於度量學習的行人重識別（ReID）方法能在小規模數據集上自適應地學習度量矩陣，提高檢索精度。然而，現有方法通常依賴於單尺度判別特徵，難以適應多變的姿態和尺度。為解決這一問題，他們提出了一種基於深度聚合特徵表示的度量學習方法。該方法設計了分層特徵提取模塊（HFE），利用大核卷積增強特徵判別能力，並引入自適應特徵聚合模塊（AFA），更有效地利用不同層特徵的互補信息。實驗結果表明，該方法在四個公共數據集上顯著提升了模型的泛化性能。