研途青年说第67讲-广州大学电子与通信工程学院

主题一：智能城市环境监测的两阶段噪声源跟踪与定量分析

主讲：李钦诚

（导师：陈庆春）

主题二：基于特征关联分析和局部动态调制的少样本图像分类算法研究

主讲：曹任龙

（导师：杨钊）

主题三：基于权重增广和节点同质性启发的图对比学习节点分类方法

主讲：丰帅龙

（导师：杨钊）

主办机构

广州大学电子与通信工程学院

时间安排

2024年4月29日14:30-15:45

地点

B4–213

为拓宽研究生学术视野，促进研究生学术交流，营造良好的学术氛围，广州大学电子与通信工程学院主办的“研途青年说”第67讲于4月9日14:30-15:45在B4-213举行。本次主讲人为21级研究生李钦诚、曹任龙和丰帅龙。

李钦诚同学汇报的主题是智能城市环境监测的两阶段噪声源跟踪与定量分析，他的讲解主要包含以下4个部分：选题背景及意义、现状与研究目标、研究方法及过程、研究结果与应用。李钦诚同学讲述了面向城市环境智能监测的噪声分离解析技术研究，以及噪声源跟踪与量化解析，噪声源分离与量化解析。在面对复杂的城市噪声环境时，进行有效的噪声分离、源追踪及其定量分析的实例和成果仍然较为罕见，主流的分离模型不能直接基于上下文对语音序列进行建模，传统的编解码器架构往往依赖于较为浅层的线性算子进行特征提取，采用的SISNR损失函数可能误导模型陷入局部最优，缺乏一种量化方法。

提出了一种两阶段方法，用于复杂城市噪声环境中的噪声分离和分离后目标声纹修复和杂质抑制。使用改进的Transformer架构来直接对上下文建模，并结合双路径的方案使得其能对极长的序列建模，采纳了一种深度编解码器的架构更好地转换复杂声音信号。通过引入SOSISNR避免了SISNR在特定角度下可能引起的误导，并联合时域损失进一步全面损失函数。提出使用A计权声压级作为量化指标，同时作为分离性能指标。

曹任龙同学汇报的主题是基于特征关联分析和局部动态调制的少样本图像分类算法研究，他的讲解主要包含以下四个部分：研究背景、理论基础、研究内容、工作总结。曹任龙同学讲述了深度学习模型的训练需求，以及特殊领域样本获取的困难。分析了如何利用少量样本进行高校学习，以及目前常见少样本图像分类方法。同时讲述了其研究课题的研究动机，并对基于特征关联分析的少样本局部动态调制图像分类算法进行了总结。

丰帅龙同学汇报的主题是基于权重增广和节点同质性启发的图对比学习节点分类方法，他的讲解包括以下四个部分：选题背景及意义、理论基础、研究内容、结果总结。丰帅龙同学讲述了基于图神经网络的方法，通过在节点上进行信息传递和聚合，从目标导向的端到端学习范式中直接学习节点和图的表示向量；基于随机游走图嵌入的方法，通过模拟随机游走来捕捉节点之间的结构，为在相同随机游走中访问的节点输出类似的节点嵌入表示；基于生成对抗网络的方法，通过生成器和判别器之间的对抗训练，使生成器能够生成具有逼真的图结构的表示；基于对比学习的方法，学习一个表示空间，使得相似的样本在该空间中被映射到相近位置，不相似样本映射到远离位置。以及讲述了图表示学习和图对比学习。