31399金沙娱场城

信息技术研究生论坛

时间：2021年12月30日（星期四）8:00-12:00

地点：31399金沙娱场城807B教室

报告题目一：图像配准中的差分演化抽样一致性算法研究

报告人：吴福祥

报告简介：首先介绍图像配准的相关背景和课题来源。在基于点特征的图像配准中，随机抽样一致性（RANdom SAmple Consensus, RANSAC）算法被普遍用于剔除错误匹配及求解变换模型。传统RANSAC算法往往基于样本空间采样。其离散化地估计模型参数会导致难以求解出最大共识的一致集。而基于参数空间采样的RANSAC是一种新颖且有效的方法，但目前研究较少且仍有许多不足。报告详细介绍了一种改进的基于参数空间采样的差分演化抽样一致性算法（Differential Evolution SAmpling Consensus, DESAC）。通过与先进的RANSAC算法在真实图像数据集中的比较，其能稳健地返回极高内点数的一致集。其平均内点误差较低，且变换模型更为精确。

报告题目二：基于多目标粒子群算法的灰度图像增强研究

报告人：朱洪杰

报告简介：介绍图像增强方法的发展过程以及常用的增强算法，对比传统增强算法与基于智能算法增强图像的优劣，针对传统增强算法的缺点提出改进意见，提出一种新的图像增强思路并通过多目标粒子群算法和灰度变换来实现。从多个角度对比所提出的方案与原有方案的优劣，并对基于智能算法增强图像方法的下一步发展进行展望

报告题目三：基于动态图卷积的点云分类研究

报告人：蔡俊民

报告简介：点云深度学习成为研究热点，介绍点云深度学习的发展历程和国内外研究现状。以点云分类任务为主研方向，解析近年的模型方法。为保证尺度不变性，采用方向向量计算余弦相似度；为提取有效局部信息，舍弃传统保留最大相似度的特征函数，设计保留前k=3的最大相似度特征函数；针对近年模型生成参数过多的问题，使用权重估计联合矩阵来评估特征。提出一种全新高效，在尺度不变性和准确性上表现良好的点云分类模型，并展望该模型进一步的改进。

报告题目四：基于注意力特征选择空洞空间卷积池化金字塔的细粒度图像分类算法

报告人：张峰

报告简介：介绍人工智能图像识别中弱监督细粒度分类领域现状，以融合CNN与决策树的二叉卷积神经树作为基本模型，简介算法的组成部分以及我们的在各个方面的改进创新，提出了我们的注意力选择ASPP模块，并且在两个细粒度数据集上的初步结果超越目前世界最优算法。在另外一个数据集上的结果取得与目前世界最优算法相近的准确率。

报告题目五：基于深度学习的火灾图像检测算法研究

报告人：冯剑

报告简介：首先介绍火灾检测的相关背景知识，包括视觉火灾检测算法的关键内容，其次分析现存方法存在的不足之处。针对现有检测模型检测速度过慢和对火灾检测中对于火灾检测中火焰和烟雾的相似物体容易产生误报的问题，以及在极端天气下火灾检测的问题。最后介绍改进的火灾检测算法，改进的检测算法在现有算法的基础上提高检测速度和检测精度。

报告题目六：面向边缘计算中基于强化学习的计算卸载问题的研究

报告人：何奇杰

报告简介：介绍了边缘计算中的计算卸载与资源分配问题研究现状。通过将边缘计算环境建模成马尔可夫决策过程并使用深度强化学习的算法对计算卸载和资源分配问题进行求解。针对该问题的动作维度增加导致的动作空间指数型增长和稀疏奖励的问题，对DQN的网络结构和经验回放机制进行改进，并做相关实验证明算法有效性。并展望该算法进一步的改进。

报告题目七：改进的多目标蚁群算法及其在带时间窗车辆路径问题中的应用

报告人：雷金羡

报告简介：介绍了智能算法求解带时间窗车辆路径问题研究现状。通过改进蚁群算法对多目标带时间窗车辆路径问题进行求解。首先使用MOEA/D框架将多目标问题进行分解，针对蚁群算法容易陷入局部最优、收敛速度慢等问题，加入VNS算法、小生境策略改进蚁群算法的信息素更新方式、状态转移概率以及路径选择的策略，以提高算法效率并展望未来改进方向。

报告题目八：基于多尺度特征聚合和边界诱导的单目图像深度 估计研究

报告人：陈磊

报告简介：单目图像的深度估计，顾名思义，就是利用一张或者唯一视角下的RGB图像，估计图像中每个像素相对拍摄源的距离。深度估计是计算机视觉领域的一个重要研究课题，其可以应用在机器人导航、增强现实、三维重建、自动驾驶等领域。本课题将对如何利用单目RGB图像获取高精度的深度信息进行研究。基于深度学习的中的编码器-解码器的结构和多尺度特征融合策略或额外的标签来提高其网络理解场景内容的能力以及物体边界信息能力，从而获取精准的深度信息。

报告题目九：移动边缘计算中基于深度强化学习的资源配置研究

报告人：彭姿馀

报告简介：引进了移动边缘计算环境中不同类型任务缓存和任务卸载，以及带宽资源分配、计算资源分配问题。为了最小化用户任务执行时延，将问题转换为马尔可夫决策过程，提出利用深度强化学习求解并优化计算、存储以及带宽资源有限的约束条件下研究任务类型缓存和任务卸载，以及带宽资源分配以及计算资源分配问题，来最小化用户任务长期平均执行时延。

报告题目十：移动边缘计算的SAR型无人机网络的性能优化研究

报告人：贾哲松

报告简介：移动边缘计算技术的引入使无人机能够成各种类型的无人机网络。报告介绍了基于搜索与救援思想的SAR型无人机网络，通过分析将该网络性能优化的主要工作指向制定高效的任务调度策略和无人机路径规划策略，并提出采用深度强化学习来改良传统的优先级任务调度算法，以及采用某种Memetic算法来探寻MTSP的近似最优解。

报告题目十一：基于激光雷达的车辆环境识别研究

报告人：陈子奥

报告简介：介绍在基于车载雷达点云深度学习中的领域现状。以lider点云识别为主要研究方向，解析近年的模型方法。对比传统的机器学习和特征符与基于新型点云模型的方法的优劣，提取通过基于图的3d转栅格算法和使用聚类算法主要包括:基于层次的聚类方法、基于划分的聚类方法、基于网格的聚类方法等方法，实现能够更加快速且准确识别多目标道路环境的lider点云模型。

欢迎广大师生踊跃参加！