时间:  2024年5月14日  下午2:00-5:20

地点：广州大学 (大学城校区) 理科南314#

报告 1: 

报告人：赵逸剑（硕士生）

指导老师：谭恒良 

报告题目：基于全局响应向量归一化的多尺度子流形深度网络

在本次组会上，赵逸剑同学汇报了他的研究进度，主要研究方向为黎曼流形。该研究包含三个部分：特征降维、特征值校正层、子流形提取，以及全局响应向量归一化。首先，赵逸剑同学介绍了什么是黎曼流形以及黎曼流形的应用。 接着，他详细阐述了三种黎曼流形的原理，并对比分析了它们的优缺点。在特征降维部分，赵逸剑同学首先介绍了双线性映射层和特征值校正层。在特征值校正层，设计了一种特征值校正方法，克服黎曼网络中由于网络层叠加导致SPD矩阵中学习到的特征数量减少而导致的信息退化问题。在全局响应向量归一化层设计了一种解决同一尺度下子流形之间相互干扰问题的方法，可以更好地恢复图像的几何信息，从而增强深度学习黎曼矩阵的表示能力。黎曼子流形深度网络的全局响应向量归一化通过对比各通道子流形的差异可以有效减轻子流形之间相互干扰的问题的同时加速网络的收敛。

报告 2: 

报告人：聂金庭（硕士生）

指导老师：王艳 

报告题目：Homogeneous Graph Aggregation Comparative Learning for Collaborative Filtering 

在本次组会上，聂金庭同学汇报了他的研究进度，主要研究方向为推荐系统协同过滤。该研究包含同质邻居图的创建，图卷积和图之间信息的会聚。聂金庭同学首先介绍了高阶邻居对常规图卷积的不利影响，然后讲解了用同质邻居图的构建，通过每个节点与其的二阶邻居节点相连去获取高阶邻居的信息，然后用不同的相似度作为同质邻居图边的权重，然后在用户-项目交互图和同质邻居图上分别做图卷积，每做一层图卷积都交换各自的节点信息，把交换后的节点信息作为下一层GCN的输入进行3层图卷积操作，最后再去计算损失函数。

报告 3: 

报告人：范禹轩（硕士生）

指导老师：李福芳

报告题目：论文分享

在本次组会上，范禹轩同学分享了一篇近期调研的论文，题目为Unknown Sniffer for Object Detection: Don’t Turn a Blind Eye to Unknown Objects，该论文发表于cvpr2023。该文章包含三个部分：泛化物体置信度GOC、基于图的包围盒确定策略，以及负能量抑制机制。首先，范禹轩同学介绍了传统目标检测的不足之处和开放集目标检测的研究背景以及当前的解决方案。 接着，他详细阐述了泛化物体置信度GOC的实现，并分析了它的优点。通过将包围盒分为四类，让包围的更好的框得到高分，同时抑制背景得分，提高物体得分。接着针对未知物体高分框过多的情况，他介绍了基于图的包围盒确定策略，将包围盒看作节点，两两包围盒之间的iou作为边的权重。对其使用自适应的迭代划分子图的策略，将包围框分簇，并在不同的簇中取高分框。范禹轩同学还介绍了VOS的能量值学习来区分已知与未知物体。但是，由于训练不充分，非物体的包围盒可能会得到较高的负能量得分，这导致非物体和物体得分之间存在较大的相交。因此文章采样了负能量值最低的T个包围盒，进一步抑制这些包围盒的负能量值。以此拓宽非物体和物体在负能量得分上的间隔。并且由于非物体本身特征也有相似性，所以针对其的抑制会在内部传播。最后，范禹轩同学展示了实验对比效果，和在图像上的预测效果，他表示，将继续研究针对未知物体检测的包围框方法，并将其不断优化。