2024年11月1日下午19點，k8凯发国际與人工智能學院第四十九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級研究生李趙勇、史盛源、趙國強、李金燦、方晨安主講，學院研究生會主辦，學院劉莉老師出席了該論壇。

李趙勇同學分享的主題為「GNNctd: A graph neural network based on complicated temporal dependencies modeling for fashion trend prediction」。在時尚趨勢預測這一研究課題中，他們構造了一個新的時尚趨勢數據集來解決在時尚趨勢預測領域數據集稀缺的問題，同時他們提出了一種名為GNNctd的模型，用來對不同時尚元素之間存在的空間依賴關係以及時間序列存在複雜的時間依賴關係進行建模。該模型通過交互學習以及全局時間注意力模塊來對複雜的時間依賴關係進行精細地提取，同時在交互學習中利用擴張卷積對不同尺度的時間依賴關係進行提取。此外，該模型利用圖神經網絡的特性，對不同時尚元素之間的空間依賴關係進行建模，從而增強模型的預測準確性。

史盛源同學分享的主題為「Private, Efficient, and Flexible: Protecting Names Based on Message-derived Encryption in Named Data Networking」。命名數據網絡被認為是下一代互聯網的一種新架構，它通過名稱傳遞內容。然而，人類可讀的名稱可能會泄露用戶的私隱。現有的解決方案側重於加密以保護私隱，但它們在一個發佈者和多個訂閱者的情況下既無效，也不成功地支持前綴匹配。為了能夠在哦一對多場景下支持前綴匹配，我們提出了一種高效靈活的具有私隱保護的名稱方案，該方案將消息驅動加密與Bloom Filter相結合。首先，利用消息驅動加密保護姓名私隱，從而支持高效、安全的加密姓名匹配。其次，將每個名稱分成多個組件，然後分別對每個組件進行加密，以支持靈活的前綴匹配。最後，為了提高名稱匹配的效率和準確性，提出了帶有隨機數的布隆過濾器技術。安全性和性能分析表明，該方案在保護姓名私隱的同時，有效地提高了數據匹配的效率和準確性。

趙國強同學分享的主題為「TSTR: A Real-Time RGB-Thermal Semantic Segmentation Model with Multimodal Fusion Transformers」。傳統語義分割方法主要依賴於單模態RGB圖像，只有在白天良好的照明條件下才能表現良好，而在夜間等具有挑戰性的照明條件下表現不佳。最近的研究已經開始將熱像儀生成的熱圖像作為一種額外的模式集成到深度神經網絡中，稱為RGB-T語義分割。然而，現有的方法受到CNNs有限感受野限制，往往依賴於複雜的融合模塊來提高精度，忽略了模型的計算時間。為了解決這些問題，他們提出了一種實時多模態融合網絡（TSTR）用於RGB-T語義分割。具體而言，利用Transformer的全局自注意力機制和遠程依賴建模，設計了一種基於Transformer的雙分支編碼器，分別提取RGB和熱特徵。為了確保實時性能，他們引入了更有效的自注意力塊，並採用輕量級MLP解碼器來聚合來自不同級別的信息以進行密集預測。此外，他們採用簡單的加性融合操作進行多模態特徵融合。大量的定量和定性實驗表明，他們方法的分割速度明顯快於現有的網絡，同時獲得了更好的分割精度。

李金燦同學分享的主題為「SWMA-UNet: Multi-Path Attention Network for Improved Medical Image Segmentation」。近年來，深度學習在醫學圖像分割方面取得了重大進展。研究發現，將 Transformers 與 CNN 結合起來可以有效解決 CNN 在管理長距離依賴關係和理解全局信息方面的局限性。然而，現有模型通常採用串行方式結合 Transformers 與 CNN，這使得同時處理全局和局部信息變得複雜。為了解決這個問題，他們的研究提出了一種集成 Transformers 與 CNN 的並行多路徑注意架構 SWMA-UNET。該架構通過並行策略深度挖掘特徵，同時捕獲局部細節和全局上下文信息，從而提高醫學圖像分割的準確性。實驗結果表明，他們的方法在 Synapse、ACDC 和 ISIC 2018 數據集上超越了文獻中先前報道的方法。

方晨安同學分享的主題為「Quali-knee: Evaluating the Quality of Execution in Jump Exercises with a Wearable Sports Kneelet」。雖然運動活動識別在移動、可穿戴和泛在計算領域得到了廣泛探索，但現有研究主要集中在識別和統計特定運動類型上。相反，質量評估是一個更具挑戰性的問題，已發表的研究成果明顯較少。在該課題研究中，他們介紹了Quali-knee，這是一種使用可穿戴運動膝關節傳感器評估運動執行質量(QoE)的方法，該傳感器可測量跳躍運動時下肢膝關節的屈曲角度。具體來說，Quali-knee利用放置在大腿外側的單個慣性測量單元(IMU)來測量用戶膝蓋的加速度和角速度信號。為了測量下肢膝關節屈曲角度，Quali-knee採用了一種新穎的跳躍活動分割方法，通過IMU傳感器確定跳躍活動的邊界。為了提高Quali-knee的性能，他們利用多通道傳感器模式和特定活動之間的潛在關係來學習豐富的活動表示。他們的貢獻在練習識別方面取得了良好的性能，對每次練習的膝關節屈曲角度進行了預測。實驗結果表明，該系統在跳躍分類方面的平均F分數為0.92，在角度預測方面的平均絕對誤差為2.41°。