【学术论坛】二四六玄机文字图成功举办第四十一期研究生学术论坛暨第十六届研究生知行分论坛

来源: 作者:宣传部编辑人:罗园发稿时间:2024-04-11浏览次数:

2024年4月10日下午14点,二四六玄机文字图第四十一期研究生学术论坛暨第十六届研究生知行分论坛在崇真楼南楼A4030成功举办。本次论坛由2021级研究生洪铖、2022级吴首昊、安治全、苗佳哲、李幸阜、邓洋、王嘉树主讲,学院研究生会主办,学院彭涛、陈永强、朱萍、熊明福、程君、唐奔霄出席了该论坛。

2024_04_10_14_29_IMG_3580

吴首昊同学分享的题目是“TargetSR:Towards Semantic location Real-World Image Super-Resolution with Diffusion Prior”。为了解决在真实世界的超分辨率中,超分辨图像可能出现伪影或纹理不足的问题,他提出了TargetSR。该方法使网络能更好地识别和定位真实世界中退化图像中的物体,从而生成具有合理纹理的高分辨率图像,提高图像的语义和视觉保真度。他提出的 subject-clip 模块能够识别和定位图像中的物体,并将编码后的文本和物体位置信息纳入去噪网络,更有效地利用文本特征的信息。在准备阶段,采用校正-预超分辨处理对退化的图像进行操作。这一操作有助于提高网络对真实世界各类退化的处理能力。实验证明,他的方法能更有效地利用图像的文本特征,生成更合理且丰富的纹理。

2024_04_10_14_05_IMG_3571

安治全同学分享的主题是“Aspect-based Sentiment Analysis with an Ensemble Learning Framework for Requirements Elicitation from App Reviews”。为了解决方面类别检测(ACD)和方面类别极性(ACP)任务中传统的监督学习技术的局限性,如较差的泛化能力、低鲁棒性和对特征工程的高依赖性。他的研究提出了一个集成学习框架。与基线相比,该框架在ACD任务中的提高了22.9%-28.4%,在ACP任务中提高了9.3%-13.2%。这为集成学习方法提供了一种在基于APP评论的需求获取领域的细粒度情感建模中可行的新方向。此外,他还通过设计实证研究,探讨了不同特征工程对基于Stacking的集成学习框架性能的影响,揭示了微调在捕获复杂语义关系和适应特定任务方面的巨大潜力。

2024_04_10_14_29_IMG_3578


苗佳哲同学分享的题目是“SMPHY: GENERATING SMOOTH AND PHYSICALLY PLAUSIBLE 3D GARMENT ANIMATIONS”。现有的动态服装仿真模拟方法面临挑战,包括高计算时间、视频帧抖动和有限的服装风格。因此,他提出了SmPhy,一种以真实视频作为输入的方法。为了减轻视频生成中的帧抖动,采用了时间感知网络进行运动平滑。时序物理服装模块引入时序依赖性,利用当前帧输出的服装信息作为下一帧的输入,提供可靠的物理约束,增强服装变形效果。

2024_04_10_14_51_IMG_3583


洪铖同学分享的题目是“Joint extraction of biomedical overlapping triples through feature partition encoding”。为了解决联合抽取方法子任务之间存在交互缺失和不平衡的问题 ,他提出一种基于特征分区编码的生物医学实体关系联合抽取方法。该方法在编码阶段将特征信息划分为实体、共享和关系三个分区,再通过信息融合完成特征编码,能有效优化顺序编码和并行编码存在的子任务交互问题。其次,该方法提出了一个距离特征生成组件。该组件能利用实体对之间的相对距离提高实体识别的准确度。最后,在四个生物医学语料库上的实验结果表明,该方法能有效提高生物医学文本中实体识别和关系抽取的抽取效果。

2024_04_10_15_19_IMG_3585

李幸阜同学分享的题目是“MLTracer: An Approach Based on Multi-Layered Gradient Boosting Decision Trees for Requirements Traceability Recovery”。近年来,越来越多的机器学习技术被应用于需求跟踪链接恢复领域中。然而,大多数方法在恢复特定制品之间的跟踪链接方面表现良好,但在其他场景中无法保持一致的性能。为了缓解这个问题,他提出了一种基于多层梯度提升决策树的需求跟踪链接恢复的新方法(MLTracer)。MLTracer通过构建多层GBDT并学习制品链接特征的层次表示。通过逐层训练,适应不同场景下的特征分布,提高泛化能力。MLTracer在五个软件项目上进行了评估。结果表明,MLTracer的平均F1得分为0.6153,在所有数据集中都优于六种基线方法。


2024_04_10_15_34_IMG_3589


邓洋同学分享的题目是“MTLink: Adaptive multi-task learning based pre-trained language model for traceability link recovery between issues and commits”。软件跟踪在代码变更影响分析等实际应用场景中占有重要地位。然而,相似制品之间对应的不同跟踪链接会对模型造成混淆。为了缓解上述问题,她提出基于自适应多任务的问题到提交跟踪链接生成方法。利用多教师知识蒸馏方法对模型进行压缩,减少了跟踪链接生成过程中资源、 时间的消耗问题。通过多任务学习中的对比学习方法提升了模型辨析相似制品的能力。使用动态加权方法通过损失函数动态的学习并调整各个任务的权重,防止模型在训练过程中被更加容易的任务所牵引。

2024_04_10_15_54_IMG_3593


王嘉树同学分享的题目是“PMDI:Combining Parametric-Model And Depth-Aware Implicit Function For Single-View Human Reconstruction”。 针对三维人体重建技术肢体动作异常,重建精度不高,背部细节缺失等问题,他提出了PMDI。他通过优化的参数化人体模型监督全局几何特征提取,并将改进的参数化模型,前视法线图,深度先验作为参数来训练深度隐式函数。最终,他将后视法线图转换为详细但不完整的D-BiNI表面,以修复粗糙结果,从而有效地解决了上述问题。

2024_04_10_16_05_IMG_3596

在学术报告的过程中,同学们展现出极佳的学术素养和专业品质。在每位同学报告后,老师就同学们所分享的内容与同学们展开讨论并进行相应的指导。报告结束后,评委教师与分享报告的同学们进行合影。

2024_04_10_16_29_IMG_3603