2023年bv伟德官方网站

信息技术研究生论坛（十四）

场次一、

时间：2023年6月20日（星期二）10:00-11:30

地点：bv伟德官方网站807b教室

报告题目一：基于深度学习的语义分割方法研究

报告人：罗杨洋

报告简介：在深度学习未发展起来之前，图像分割算法处于数字处理时代，主要是根据灰度、颜色、纹理、和形状等特征将图像进行划分区域，让区域间显差异性，区域内呈相似性。但该类方法计算量大且效率低下，适用性场景有限。而深度学习已经是机器学习领域中最为火热的一个研究方向，各种架构的深度神经网路在计算机视觉领域有着非常广泛的应用。依托于大数据时代，可用于训练的图片数据大幅度增加，卷积神经网络超强的学习能力得以充分发挥，在图像分割任务中不仅没有传统图像分割技术的受限性和缺点，还有着更高的精度与效率。本文报告主要对全卷积神经网络FCN、UNet、DeepLabV3等经典语义分割方法进行分析比较。

报告题目二：基于深度学习的遥感图像超分辨率重建研究

报告人：刘长新

报告简介：遥感图像是遥感技术的数据支撑和应用基础，为监视地球表面提供了丰富的信息，在灾害监控、城市经济水平评估、资源勘探等领域具有广泛的应用。目前从卫星获得的遥感图像质量无法满足地物目标识别、土地检测等应用的需求，并且在硬件技术上提升遥感图像成本高、难度大。针对上述问题，提出了一种基于深度学习的遥感图像超分辨率重建网络，从软件角度实现遥感图像的超分辨率重建。通过引入下游图像处理任务中的最新CNN模块来进行网络搭建和组成新的子模块，得到优于大多数现有工作的超分辨率重建模型。

报告题目三：群智能算法在机器人路径规划上的应用

报告人：李继发

报告简介： 近年来随着智能化技术的迅速发展和产业智慧

升级的不断推进, 智能移动机器人在越来越多的领域里得到了广泛应用, 如货物搬运、智慧生产、智能生活、异常环境探测、水下作业、太空探索等。其中, 移动机器人路径规划是机器人研究领域的一项关键技术。本报告主要介绍群智能算法如何求解移动机器人的路径规划问题，并介绍基于路径规划应用的群智能算法的主要改进方向。

报告题目四：基于区块链的异步联邦学习共享方案

报告人：刘承坤

报告简介：近年来，在移动边缘计算、5G等技术的推动下，城市信息学快速发展，产生了大量的数据。为了处理不断增长的数据，人工智能算法被广泛利用。联邦学习是分布式边缘计算的一个很有前途的范例，它使边缘节点能够在本地训练模型，而不需要将数据传输到服务器。然而，联邦学习的安全和隐私问题阻碍了它在城市应用(如车辆网络)的广泛部署。本文提出了一种差分隐私异步联邦学习方案，用于车辆网络中的资源共享。为了构建安全、健壮的联邦学习方案，我们将局部差分隐私纳入到联邦学习中，以保护更新后的局部模型的隐私。我们进一步提出了一种随机分布式更新方案，以消除由集中式管理员带来的安全威胁。此外，我们还通过更新验证和加权聚合来实现算法的收敛性提升。我们在三个真实的数据集上评估我们的方案。仿真结果表明，该方法在保证数据隐私的前提下，具有较高的准确率和效率。

报告题目五：工业大数据下的匿名和隐私保护的联邦学习

报告人：刘洋

报告简介：联邦学习是工业大数据训练模型的一种可行方法，它可能通过共享参数泄露参与者的隐私。在本文中，我们将一种改进的联邦学习算法应用于工业大数据的挖掘中。首先，我们通过共享更少的参数来减少隐私泄漏；每次迭代都更新了部分参与者和部分参数。此外，我们还采用了一个代理服务器来减少联邦学习服务器的通信负担，并防止联邦学习服务器获得参与者的身份。此外，我们利用差分隐私与高斯机制共享参数，提供严格的隐私保护和设置自停止机制。从实验结果来看，我们可以获得与未改进的联邦学习几乎相同的精度，同时通过共享更少的参数，并在共享参数中添加高斯噪声，从而提供严格的隐私保护。此外，该方案比其他比较方案具有更好的鲁棒性，并且没有增加太多的计算成本。

报告题目六：基于深度学习的胸透辅助报告系统

报告人：卢得民
报告简介：近年深度学习大放异彩，尤其在是在图像处理领域、自然语言处理领域均大获成功。深度学习与医学领域的结合近年来也得到越来越多研究者的关注，如通过医学图像来做一些诊断。而医学领域是一个复杂的领域，其不单单仅限于医学图像还有病例等文本信息，甚至包含音频、视频等信息即所谓的多模态信息。随着自注意力机制的提出，其本身具有的特质极其适合应用于多模态领域。本系统就是一个多模态信息系统。胸片是最常见的诊断方法之一临床常规模式。它可以很便宜地完成，需要的很少每一个放射科医生都能诊断出来。然而，每天获得的胸片数量很容易超过现有的临床能力。它能够从胸部x光片中提取图像特征，并生成医学上准确的文本报告，无缝融入临床工作流程。

场次二、

时间：2023年6月20日（星期二）15:00-16:30

地点：bv伟德官方网站807b教室

报告题目一：一种简单、高效的Transformer语义分割方法

报告人：罗杨洋

报告简介：本报告介绍了一个简单、高效且强大的语义分割框架SegFormer，它将Transformer与轻量级多层感知机（MLP）解码器统一起来。SegFormer的编码器为金字塔结构的Transformer，用于输出多尺度特征；此外，它不需要位置编码，从而避免了位置码的插值（若存在位置码的插值，当测试图像的分辨率与训练时不同时，性能会有所下降）。所提出的MLP解码器聚合了来自不同层的信息，从而结合了局部注意和全局注意，呈现出强大的特征表示。实验证明，这种简单和轻量级的设计是Transformer实现高效分割的关键。

报告题目二：轻量化图像超分辨率重建研究

报告人：刘长新

报告简介：基于深度学习的超分辨率模型虽然为遥感图像研究提供了效果更好的超分辨率遥感图像，但是计算资源消耗量大和部署平台硬件要求高等不足限制了模型的实际部署和应用。因此，在已得到深度模型的基础上，在模型性能下降范围允许的条件下，对现有模型进行轻量化将有利于实际应用。本研究在已实现的遥感图像超分辨率模型的基础上进行轻量化改造，通过降低模型通道数、精简模块结构、优化模型配置等操作，得到更有利于实际使用的轻量级模型。

报告题目三：基于强化学习的移动机器人路径规划算法研究

报告人：李继发

报告简介：深度强化学习是目前机器学习领域中重要的研究分支 之一，它可以通过直接与环境进行交互实现端到端的学习，对高 维度和大规模的问题有着很好的解决能力，深度强化学习 已经取得了瞩目的成果。本次报告，聚焦于强化学习算法在移动机器人路径规划问题上的应用，并结合群智能算法改进传统的强化学习算法，提高强化学习算法求解路径规划问题的性能。

报告题目四：工业物联网中基于区块链的个性化联邦学习

报告人：刘承坤

报告简介：随着物联网中不同工业设备产生的数据量快速增长，数据共享中对敏感和隐私数据的保护变得至关重要。目前，针对数据安全的联邦学习方案已经出现，它可以通过互不信任的互联网上的模型共享解决数据共享的安全问题。然而，黑客仍然针对联邦学习中的安全漏洞进行攻击（如模型提取攻击和模型反向攻击）。本文针对上述问题，首先设计了一个区块链支持的联邦学习在工业物联网（IIoT）中的应用模型，并基于上述模型制定了我们的数据保护聚合方案。然后，我们给出了基于差分隐私和同态加密的分布式K-means聚类，以及具有差分隐私的分布式随机森林和具有同态加密的分布式AdaBoost方法，这些方法能够在数据共享和模型共享中实现多重数据保护。最后，我们将这些方法与区块链和联合学习相结合，并提供完整的安全分析。大量的实验结果表明，我们的聚合方案和工作机制在选定的指标上有更好的表现。

报告题目五：基于多密钥同态加密的隐私保护联邦学习

报告人：刘洋

报告简介：随着机器学习和物联网的发展，安全和隐私已经成为移动服务和网络中的关键问题。将数据传输到中央单位侵犯了敏感数据的隐私。联邦学习 通过只共享模型更新缓解了传输本地数据的需要。然而，隐私泄露仍然是一个问题。本文提出了MK-CKKS多密钥同态加密协议的改进版本xMK-CKKS，设计了一种新的隐私保护联邦学习方案。在此方案中，模型更新在与服务器共享进行聚合之前通过聚合的公钥进行加密。对于解密，需要进行所有参与设备之间的协作。我们的方案防止了联邦学习中公开共享的模型更新导致的隐私泄漏，并抵抗了k < N −1参与设备和服务器之间的勾结。

报告题目六：使用“课程伪”标签提升半监督学习
报告人：卢得民
报告简介：本报告介绍了一种针对半监督提出了课程伪标签(Curriculum Pseudo Labeling, CPL) 的方法，其能被简单地应用到多个半监督方法上，且不会引入新的超参数和额外的计算开销。多项实验证明，CPL不仅能提升已有方法的精度，也能大幅提升收敛速度（例如，在一些数据集上比Google的FixMatch快5倍）。特别地，论文中将CPL应用在FixMatch后的新算法命名为FlexMatch，该方法在多个图像分类数据集上取得了state-of-the-art的效果。除此之外，论文中还开源了一个统一的基于Pytorch的半监督方法库TorchSSL，公平地实现了诸多流行的半监督方法，方便相关领域进行进一步研究。