4月13日下午2:00，英国正版365官方网站第二十七期研究生学术论坛在崇真楼A北1017举办，本次论坛由2021级研究生刘泓、沈威、桂堂昊、刘姝晴和杨士臣主讲，学院研究生会主办。
刘泓的题目是“服装兼容性建模”，该领域近年来受到越来越多的研究关注。研究旨在通过多模态的数据输入，评估由一套时尚单品组成的特定服装组合的兼容性。在已有的研究下聚焦全局服装表征和服装兼容性背后的潜在互补因素。因此，他提出了一种基于图神经网络的个性化服装兼容性建模方案，该方案包括两个关键组件：基于上下文感知的服装表征建模和隐藏的互补因素建模。前者利用图卷积网络自适应学习服装潜在表征，充分挖掘时尚单品的上下文。后者通过并行图神经网络来揭示潜在的互补因素，得到多组具有潜在互补因素导向的兼容性分数。最终，将这些分数相加得到服装整体的兼容性得分，每个得分都来自特定服装组合与对应的互补因子的潜在表征。实验结果表明，该建模方案具有一定的有效性。
沈威的报告题目是“基于改进的U-Net模型的医学图像语义分割方法研究”。早期针对分割问题大多使用传统的图像分割算法，这些算法基于通过观察得到的先验知识或者是计算机形态学的规则，但是自然图像和医学图像有其特有的复杂性，一成不变的先验规则不能满足精确分割的要求。因此，他提出了一种融合编解码网络与注意力机制的模型。可以更好的提取局部与全局信息，使医学图片分割效果更加准确，效率更加高效。
桂堂昊的题目是“基于小样本学习的行人重识别关键技术研究与应用”。目前的行人重识别需要依赖大规模的有标记的数据集来训练模型，但是由于存在如分辨率低、摄像机拍摄视角不同、照明条件变化等困难因素，依靠传统的人工方式进行数据标注往往需要耗费巨大的人力和财力。因此，如何有效利用无标记、少标记的大规模数据来训练得到鲁棒的模型，具有重大的研究价值和意义。于是他提出了一种基于跨域小样本学习的行人重识别方法。该方法首先改进影响函数，通过改变源域样本的权重来最大限度提升模型在支持集上的表现，然后改进跨领域小样本学习方法，建立一个可以跨域重识别行人的网络，使识别效果更加显著。
刘姝晴的报告题目是“面向复杂背景的服装图像分类算法研究”。她指出：由于服装图像背景复杂，数量庞大，且易受光照、人体姿态和形变等诸多因素影响，错分类问题比较严重，并且现有的服装分类方法在复杂背景条件下鲁棒性差、精确度不高、效率低，缺乏对服装多目标的分类和定位。针对目前服装分类技术中遇到的主要问题，她提出了一种新的服装分类方法，包括以下步骤：首先使用背景去除算法去除图片背景，其次改进语义分割网络来精确地分割服装，然后将分割的结果输入服装分类模型，最后在分类模型中引入知识蒸馏结构，以提高模型性能。
杨士臣的报告题目是“Hierarchial Attention-based CNN-RNN Neural Network for Automated ICD Coding”。他指出：在ICD编码中文本噪声和长尾问题总会影响到模型的性能。因此，他提出一种新的ICD编码方法，包括以下步骤：首先使用CNN-RNN来抽取文本特征信息，然后使用层次注意力机制使得模型更加关注低频编码的文本部分，最后使用截断损失函数来降低文本噪声。
