2026年4月17日晚19时，williamhill英国第七十二期研究生学术论坛在崇真楼南楼A4030成功举办。本次论坛由2023级研究生魏俊杰、万佼龙、叶壮、胡子晗、郭子浩以及殷创主讲，williamhill英国研究生会学术部主办，学院杨华利老师出席了该论坛。
魏俊杰同学分享的主题为“RCAGFusion: Recursive cross-attention guided deep feature fusion for indoor scene recognition”。近年来，基于卷积神经网络（CNN）与视觉变换器（ViT）的特征融合在视觉识别中表现优异，但多数方法缺乏对特征交互关系的显式建模，限制了室内场景识别性能。为此，提出了递归交叉注意力（RCAG）融合框架。首先，引入输入自适应加权（IAW）机制，在融合前动态调节特征重要性；其次，设计递归参数共享（RPS）模块，增强CNN与ViT特征间的依赖建模；最后，通过注意力蒸馏模块（ADM）过滤冗余信息，提升特征判别性。在多个基准数据集上的实验表明，该方法优于现有方法，具有良好的鲁棒性与可扩展性。
万佼龙同学分享的主题为“Frequency Domain Feature Enhancement Network for Clothing Semantic Segmentation”。现有的服装语义分割方法在复杂背景、衣物遮挡场景下分割精度不足，对细小服饰部件分割效果较差。为此，本文提出一种基于频域特征增强的网络，包含两个核心模块：频域特征增强模块将图像分解为不同频率子带，去除高频噪声与无关细节，有效突出图像中的关键信息；多尺度特征注意力模块捕捉不同尺度目标的关键信息，并通过特征聚合增强全局上下文感知能力。在 CFPD、LIP、DeepFashion2、ATR、CIHP 等多个衣物数据集，以及 Leaf、Aeroscapes 等公开分割数据集上开展的大量实验，验证了所提方法在服装语义分割任务中的有效性，并证明其在其他分割任务中具备较强的泛化能力。
叶壮同学分享的主题为“Quality Assessment of Dorsiflexion Rehabilitation Movements with IMU Sensor”。本研究针对居家康复过程中缺乏客观量化手段的问题，以踝关节背屈这一典型康复动作为研究对象，提出了一种基于单惯性测量单元（IMU）数据的角度预测方法。首先，对采集的IMU信号进行滤波与分割处理，提取完整的背屈动作片段，并通过归一化等方式提升数据质量。在此基础上，构建融合卷积特征提取与时序建模的深度学习模型，实现对背屈最大角度的回归预测。同时，引入改进的Huber损失函数，提高模型对关键角度区域的拟合能力。实验结果表明，该方法在单传感器条件下能够实现较为稳定且准确的角度估计，具有良好的应用潜力。
胡子晗同学分享的主题为“Research on Time-sensitive financial Transaction Protocol based on blockchain”。传统区块链系统因采用依赖区块高度来确定交易截止时间的方式，致使时间敏感性交易的处理效率较为低下。为此，提出一种基于动态时间约束的共识机制以及整合自适应交易打包算法ATPA的区块链交易协议。该协议以构建交易的精确截止时间为核心，结合ATPA的动态优先级调整机制，实现对时间敏感性交易的优先处理。实验结果显示，当交易频率足够大时，该方案处理时间敏感性交易的成功率达到98.3%，有效吞吐量比传统BH链提高了2.19倍。所提方案优化了高并发场景下的交易处理效率与资源利用率，能有效满足时效性金融交易场景的需求。
郭子浩同学分享的主题为“Research on a noise-robust handwriting recognition system based on multi-modal fusion”。针对小屏设备手写交互受限及现有单一模态方法在噪声与书写幅度受限下性能下降的问题，提出一种融合声学与超声信号的多模态抗噪声手写识别系统。首先，采集书写过程中的声学与超声信号并进行预处理；其次，设计基于多模态信息融合的自适应阈值分割算法，实现有效书写片段的精准提取；最后，构建引入交叉注意力机制的多模态融合网络，深度协同建模双模态特征以挖掘互补信息。实验结果表明，该方法在复杂噪声环境下稳定性好，字符识别准确率达99.08%，单词识别准确率达99%，整体性能优于现有方法，有效提升了小屏设备手写识别的鲁棒性与整体性能。
殷创同学分享的主题为“Hierarchical Graph Neural Networks for Cloth Simulation via Scheduled Pruning and Heterogeneous Distillation”。基于图神经网络的高保真3D服装模拟，依赖密集深层的消息传递迭代，计算开销大、推理效率低，难以满足实时交互需求。针对该架构瓶颈，本文从信息传递简化与图结构稀疏化双维度出发，提出轻量化GNN框架。引入层次异构特征对齐蒸馏，借助教师模型的物理中间表征优化学生网络，规避深度迭代；设计分阶段剪枝策略，按固定保留率剔除冗余交互边，在维持拓扑完整与模拟效果的同时精简推理流程。实验结果表明，两种策略协同优化后，方法可有效平衡计算效率与模拟精度，推理速度由14.9帧/秒提升至21.6帧/秒，实现高效逼真的3D布料动态模拟。
