2023年深圳大学计算机与软件学院海内外青年科学家云论坛 – 人工智能与图形图像
Time：2023.4.14
源讲座公告微信号：mp.weixin.qq.com/s/75BszYtdl…
① 基于眼底图像的糖尿病视网膜病变计算机辅助诊断分析方法研究
speaker：哈尔滨工业大学 罗笑玲
糖尿病视网膜病变（DR）是劳动年龄人群失明的主要原因。DR是与长期糖尿病相关的眼病，是糖尿病最常见的并发症之一。鉴于糖尿病患者数量的惊人增长，以及全球范围内缺乏受过培训的视网膜专家和DR诊断人员等问题，大多数DR患者并不能及时得到有效的DR筛查和治疗。所以运用计算机辅助诊疗技术可以有助于缓解专家的诊断压力，对减轻公共医疗卫生系统的负担起重要作用。本报告旨在叙述如何从真实采集的眼底图像中学习有价值的特征，进行病变分级并为眼科医生提供一种计算机辅助的自动化诊断分析方法，进而提高病变检测的效率和准确率。
1 多模空间特征抽取的多视图糖网诊断
2 实验
3 多层特征交互的多视图糖网诊断
4 基于复杂弹性形状分析的糖网眼底血管分析
评述：论文主要用注意力机制。对于病状特征提取，是基于Transformer进行学习的。
专家：背景要写到本科。为什么你的方法比对方要好？泛化能力怎么样？鲁棒性怎么样？ 都要简洁地展示出来。
② 迁移学习算法及其应用
speaker：国防科技大学 汪梦竹
讲了4篇论文，我惊呆了，不过后续会议进度要求，加快了部分
大规模带标签的训练数据使深度神经网络能够在各种基准视觉任务中脱颖而出。但获得大量带标签的训练数据成本过高。为应对这一问题，许多人试图用迁移学习的方法来解决。然而，在这个过程中，模型性能会因为域之间的差异而降低。为了克服标注的问题，同时减少域间差异对模型性能的影响，无监督域适应逐渐走进了人们的视野。无监督域适应的目标是减少带标签源数据和未带标签目标数据之间的域差异，并在训练过程中学习跨两个域的域不变表示。现有基于对抗学习的无监督域适应方法通过训练一个判别器，使目标域的分布在像素空间或者特征空间上进行对齐，从而使得模型的性能从源域泛化到目标域上。但这种方法忽略了域本身的特点，在具体任务上，并不能保证足够的判别性。在本次汇报中，汪梦竹将讲解一种可互换批量归一化通道融合的对抗域适应方法。该方法是用目标域中具有较大比例因子的通道的平均值替换源域中具有较小比例因子的通道，通过这样一个简单但有效的通道融合方案可以大大增加域适应能力。大量的实验结果表明，InterBN方法显著优于当前的域适应方法，并在四个视觉基准数据集上有大幅提升
1.1 背景与挑战
1.2 方法
方法来源：a/深度特征插值（给照片加胡子，给🚗换颜色） b/ISDA
1.3 实验
<数据增强是个什么概念？待会去理解一下>
2
通道迁移？
3
源域和目标域
专家评述：
- 简单逻辑描述一下。底层逻辑在哪里？是由于哪一个步骤起到提升的作用。
- 灾难性遗忘往 域泛化 方向发展
- 迁移学习如何去适应未来的大模型（？忘记了）
③ 通用机器人架构及其软件安全的研究
speaker：香港科技大学 何志坚
随着机器人技术的日渐成熟，机器人进入人类生活日常已经成为趋势，当前机器人在极端环境下的感知与定位还处于处级阶段，并且大型的机器人软件架构没有任何的安全保障，本报告将探索这些方面的根本原因，并且提出能应用于工业界的解决方案。
1 动静态分离
噪声很多——AR-SI通过类似马尔科夫链链的方式来进行逼近
稀疏卷积：
找BUG
专家： 最亮点在哪里？
评述：软件漏洞定位；Muti-Source工程已经解决了的
③ Illumination Degradation in Real World
speaker：南洋理工大学 过岚清
现实生活中的亮度相关的退化可以根据区域分为全局亮度退化，典型例子是低光照增强问题，比如在夜间拍摄、夜间自动驾驶，都存在这个问题；但同时也存在一部分局部亮度退化问题，比如说阴影去除问题，在拍摄图像时环境亮度是正常的，只是为某个物体局部遮挡了一部分的亮度，造成阴影。我们关注于全局和局部亮度退化问题，并提出了一系列解决方案。
1、背景和相关研究
关于亮度的退化问题：全局退化和局部退化
全局：类似于曝光度的问题
局部：扫描全能王 🐶 (去除局部遮挡
2、方法
Shadow=image+Shadow Mask
追求亮度一致的illumination
现有方法和工作的不同
Opitimal 的illumination是比较主观的想法
专家：讲的很清晰。参考阴影层分割方法可不可行？泛化能力比较差
评述：Shadow Detector就是类似于阴影分割
④ 基于忆阻的类脑智能计算系统
speaker：南方科技大学 王紫璐
人工智能技术近年来得到了飞速发展，然而随着研究的深入逐渐发现其由于摩尔定律的放缓、冯诺依曼架构的存算分离以及登纳德缩放定律的终结等原因，面临着器件、架构和能耗等三大瓶颈。因此急需基于新器件开发新架构建立高能效新系统，使人工智能继续蓬勃发展造福生产生活。当前研究发现，大脑具有高效节能、高度智能等诸多优势，故而可借鉴大脑体系结构和信息处理方式，针对性地研究类脑计算器件、架构和系统来逐一解决上述三大瓶颈。一种新兴记忆元件忆阻的出现为类脑计算研究带来了新的契机，因此可利用忆阻器件的非易失性、阻值可塑性及内存计算等独特性能，设计相应的功能模块来模拟所需的类脑功能，在此基础上借鉴大脑工作机制，从设计类脑的结构和实现类脑的功能两方面入手，构建基于忆阻的类脑计算架构，以期实现相应的智能系统来高效模拟类脑的高级认知功能。
1、背景和问题
三大瓶颈：器件、架构和能耗
类脑计算系统需要具有演化能力
2、方法思路
大脑🧠高效的原因：1、稀疏 2、近似 （Bruvo！）
3、未来工作
专家：
- 有没有想过和深度学习模型的结合？
- 演化计算对于局部最优没有很好解决？那结合类脑有没有更好的解决思路？
- 编码类脑架构时目标空间是离散的吗？
评述：
- 希望有比较好的结合。演化计算是付出了比较大的代价，类脑计算是对其做的改善，能够稀疏并且能够近似。
- 不能一定跳出局部最优，能够说是缓解
- 目标空间的是离散的，是真实的状态。
