人工智能与大数据安全研究所第六次研讨会
时间:2023年5月16日 下午14:00-17:00
地点:广州大学 (大学城校区) 理科南214
报告1:
报告人: 周泉全(硕士生) 指导老师: 谭伟强
报告题目:智能反射面辅助的无线通信系统性能分析
在本次报告中,周泉全同学分享了无线通信中智能反射面的相关研究,首先介绍了大规模MIMO技术与智能反射面技术的研究背景和在无线通信中的现实意义。研究了基站端配置矩形天线阵列的大规模MIMO系统的性能,以及智能反射面辅助的端到端无线通信系统的性能。最后,周泉全同学分享了双智能反射面的反射相位联合优化的方法,并分析了不同情况下的系统性能。范立生教授对该生的研究工作表示肯定,并深入探讨了智能反射面的相关技术,以及未来的实际应用场景。汤茂斌副教授表示了对现在无线通信技术发展的特别关注,智能反射面技术与传统无线通信的异同,讨论了智能反射面技术给无线通信带了的革新。高崇志教授讨论了在智能反射面应用中所使用的相位优化算法,如何联合优化多个智能反射面的反射系数。
报告2:
报告人: 叶翼诚 指导老师:汤茂斌,汪洋涛
题目: HSALC: Hard Sample Aware Label Correction for Medical Image Classification
本次高报告, 叶翼诚同学指出,医学图像自动分类一直是研究热点,但现有方法存在标签噪声问题,要么丢弃带有噪声标签的样本,要么产生错误的标签校正,严重阻碍了医学图像分类性能的提高。为了解决上述问题,本文提出了一种用于医学图像分类的硬样本感知标签校正(称为HSALC)方法。HSALC主要由样本划分模块、噪声(称为CHN)检测模块和标签噪声校正模块组成。首先,在样本划分模块中,我们根据训练难度和训练损失设计了一个样本划分准则,将所有样本划分为三个子集:干净样本、硬样本和噪声样本。其次,在CHN检测模块中,我们在上述干净样本中添加噪声,并重复采用样本划分准则来有效地检测所有数据,这有助于获得高度可靠的干净样本、硬样本和噪声样本。最后,在标签噪声校正模块中,为了充分利用每个可用样本,我们训练了一个校正模型来尽可能地净化和校正噪声样本的错误标签,这带来了一个高度净化的数据集。我们对五个图像数据集进行了广泛的实验,包括三个医学图像数据集和两个自然图像数据集。实验结果表明,HSALC可以极大地提高噪声标记数据集的分类性能,尤其是在高噪声比的情况下。汤茂斌老师对其实用性提出了相关的建议,,谭恒良老师对网络的构建提出的疑问,报告同学对问题进行了一一回答。