計通學院研究生學術交流報告會（第十二場）
發布時間: 2021-05-06 11:03:36 瀏覽量:
時間：2021.5,7 下午 2.30
地點：理科樓B311
標題：《基于多核相關濾波器的判別可靠性學習跟蹤研究》
匯報人：馮文俊
摘要：
在視頻序列中做目標跟蹤研究一直是計算機視覺中基本研究之一，為了能推廣至實際應用中，它的一系列研究有著不可或缺的價值。最近幾年的研究實時更新，各有各的創新性，都取得了一定的研究成果。但是隨著跟蹤目標場景的變化也在與時俱進，越來越復雜。如何在多種復雜場景中脫穎而出，設計出一種跟蹤算法在滿足一定的跟蹤精度的前提下，提升跟蹤的魯棒性成了眾多研究學者的首要問題。本項目研究就在傳統相關濾波器的基礎上，加入極具創新的方法思路，對前者有一定的改進！
標題：《面向邊緣IOT的智能算法研究與應用》
匯報人：謝志紅
摘要：
為了深度學習智能算法更好地適用在邊緣IOT上適用，我們對深度學習智能算法進行研究和改進。面對神經網絡龐大的參數和計算需求，研究者通常適用模型剪枝的方式降低模型的大小，而我們針對神經網絡的結構約束進行研究，提出了基于拓展分組懲罰的過濾器剪枝。它利用拓展分組構造的Lasso在反向傳播中全局地約束過濾器大小，實現模型地平滑剪枝。此外，分析過濾器在模型中值的變化過程，使用了基于噪聲過濾器識別機制，通過提前識別冗余過濾器從而提高模型精度。
標題：《基于區塊鏈技術的高效存儲及共識機制研究》
匯報人：魏博洋
摘要：
目前區塊鏈技術中的Merkle Tree主要被用來進行交易信息與數據的完整性驗證處理上。在對分布式環境下的數據完整性的驗證過程中，Merkle Tree會大大減少數據的傳輸量以及計算的復雜度。在區塊鏈中，輕節點對某一筆具體交易進行驗證時，通過已知的交易數據以及所在分組利用哈希算法求出該組數據的哈希值。我們提出一種高效的Merkle Tree存儲結構，在數據的存儲過程中，將交易數據Data1進行哈希運算的到的哈希值放入節點A，再將剩余的交易數據通過哈希運算后依次放入葉子節點。按照結構計算出對應的哈希值，得到根哈希值Merkle Root。輕節點驗證某筆交易時，找出該交易存放在Merkle Tree中的位置，計算出哈希值。全節點按照Merkle Tree的結構發送驗證所需的所有哈希值。輕節點按照Merkle Tree的結構對所發送的對應位置的哈希值進行哈希運算得到上一層的哈希值。重復哈希運算，最后算出根哈希值。輕節點比較驗證得出的根哈希值與全節點發送過來的根哈希值，如果相同，則驗證的該筆交易正確無誤，如果不相同，則該筆交易產生了錯誤。在現有的Merkle Tree存儲結構中，輕節點驗證某筆交易必須從Merkle Tree底端的葉子節點逐一往上計算哈希值，全節點需要發送相應的驗證所需的哈希值。在改進的Merkle Tree存儲結構中，由于是三組哈希值進行哈希運算求出一個哈希值，所以在相同數量的交易數據下，對Merkle Tree結構的層數進行了縮減，使得在驗證較上層的交易時全節點發送哈希值的數量減少，減少了發送數據的大小，降低了網絡的傳輸負載，提高了交易驗證效率。
標題：《基于深度學習的MIMO信道狀態估計技術研究》
匯報人：陳穩
摘要：
信道估計作為無線通信的關鍵，近年來成為相關領域的研究熱點。針對無線系統下傳統信道估計算法性能難以滿足復雜場景的通信需求、受噪聲影響大等問題，提出了一種基于反卷積網絡及擴張卷積網絡信道估計的深度學習方法。該方法利用信道的相關性構建了一個輕量級的反卷積網絡，利用少數幾層反卷積操作來逐步實現信道插值與估計，在較低的復雜度下較好地實現了信道估計。為改善估計性能，進一步構建了一個擴張卷積網絡來抑制信道噪聲，提高信道估計的準確度。仿真結果表明，在不同信噪比條件下，本文提出的基于反卷積及擴張卷積的深度學習方法比傳統方法具有更低的估計誤差，且復雜度較低。
標題：《基于非局部的自適應半耦合字典學習的圖像重建》
匯報人：熊閩
摘要：
基于錨定鄰域的超分辨率（SR）重建算法利用圖像中的非局部相似性，能夠有效的從單個低分辨率（LR）圖像中重建出高分辨率（HR）圖像。在本文中，我們提出了一種相似性閾值調整的錨定鄰域重建算法，以提高映射矩陣的重建效果。在提出的方法中，引入了相似度調整矩陣來提高鄰域中偏差度較大的圖像塊的相似度。此外，應用閾值函數確定圖像塊的權重系數。遵循此功能，較大的權重被分配給具有低偏差的樣本，較低的權重系數將分配給相似度較低的圖像塊。實驗結果表明，算法能以較低的計算量提高圖像的重建質量。