2026年4月3日晚19:00，威廉希尔,英国威廉希尔公司,WilliamHill官网第七十一期研究生学术论坛在阳光校区崇真南楼A4030成功举办。本次论坛由2023级研究生李荣威、何志奇、胡贝、魏俊杰、谈华丰、余恒宇主讲，威廉希尔,英国威廉希尔公司,WilliamHill官网研究生会学术部主办，学院颜小运老师出席了该论坛。
李荣威同学分享的主题为“Enhancing multi-illuminant color constancy through multi-scale estimation and high-frequency preservation”。以往关于多光源白平衡的研究通常在像素级别预测光照，而没有充分把握场景的实际光照条件，包括光源的数量和颜色。这往往会导致图像不自然，缺乏整体一致性。为了解决这个问题，本文提出了一种深度白平衡模型，该模型利用槽注意力机制，其中每个槽负责表示一个单独的光源。这种设计使得模型能够为每个光源生成色度图和权重图，然后将这些图融合以生成最终的光照图。此外，本文提出了质心匹配损失，它根据颜色范围调节每个槽的激活程度，从而增强模型对不同光源的区分能力。本文的方法在单光源和多光源白平衡基准测试中均取得了目前最先进的性能。
何志奇同学分享的主题为“A motion planning guide method based on NavRL”。本文提出一种基于NavRL的端到端导盲运动规划方法。算法核心采用近端策略优化（PPO），通过改进多模态特征提取网络，高效融合静态地图、动态障碍物及机器人本体状态，形成完整策略输入。引入对数参数化与不对称初始化的Beta策略，增强连续动作空间中强化学习的稳定性与收敛速度。设计综合速度、安全距离与控制平滑性的复合奖励函数，并在PPO-Clip方法中解耦重要性采样率的上下裁剪范围，拓展低概率探索空间。实验结果表明，该方法在目标到达率、累积回报等指标上优于基线算法，并通过多平台仿真验证了其在四足机器人导盲任务中的可行性与有效性。
胡贝同学分享的主题为“A Dynamic Multi-Expert Fusion Framework for Few-Shot Video Action Recognition”。现有视觉语言模型常采用单一固化的时序建模范式，难以自适应地处理视频中变化多样的动态模式，制约了视频分析深度与泛化能力。为此，提出一种动态多专家融合框架（DynamicMulti-Expert Fusion Framework，DMEF)。该框架设计了一个自适应专家调度器，能根据输入视频的内容特性动态选择并融合三种不同粒度的时序建模专家：全局静态专家用于维持静态语义泛化能力，短程动态专家专注于捕捉局部帧间变化，长程上下文专家则建模全局时序依赖关系。实验结果表明，在少样本学习及跨域泛化任务上，DMEF方法在HMDB51、UCF101和SSv2数据集上均取得最优性能。
魏俊杰同学分享的主题为“Joint CNN and Vision Transformer for Indoor Scene Recognition”。室内场景识别在智能家居、机器人导航等领域潜力显著，但精度提升仍面临瓶颈。卷积神经网络（CNN)擅于提取局部特征却难以建模长距离依赖，视觉变换器（ViT）则擅长捕捉长距离依赖，两者具有互补优势。为此，提出一种CNN与ViT融合的室内场景识别方法：设计局部增强视觉变换器模块增强Agent-CsWin Transformer的局部建模能力；构建语义增强卷积神经网络模块，以删除分类层的ResNet50为编码器、卷积层为解码器挖掘语义信息；将上述模块与原始ResNet50融合，生成综合特征表示。在MIT67、SUN116和Place120数据集上，识别准确率分别达87.84%、81.22%和63.77%。对比与消融实验验证了方法的有效性与各模块的必要性。
谈华丰同学分享的主题为“High-fidelity Digital Humans Based on Attention Mechanism and Mixture of Experts Network”。针对单目视频中视角受限、遮挡严重等非刚性形变建模难题，本文提出了两种创新方案：一是引入三维通道注意力与混合专家网络，提升模型对复杂运动的表达能力；二是结合伪阴影预测与自适应混合专家网络，实现光照与外观解耦，增强高频纹理与结构细节重建。实验表明，该方法在保证重建质量的基础上兼顾了渲染效率，具有较高的实用价值。
余恒宇同学分享的主题为“Gauging the Airflow of Air Conditioning Using mmWave Signal”。针对暖通空调（HVAC）末端气流监测面临的维护成本高、隐私泄露及环境噪声干扰等挑战，本研究提出一种基于毫米波雷达的非接触式监测系统—mmVibFlow。该系统通过捕捉风扇叶片的细微机械振动，实现风速档位分类与连续速度回归预测。为解决机箱强干扰下微弱信号提取难题，设计了物理特征引导的定位策略与结合MVDR波束成形的多级噪声消除算法。核心模型TimeFreqNet利用物理先验引导的周期重塑与频域多尺度卷积，有效捕捉细粒度时频特征。实验表明，该方法风速分类准确率达99.6%，回归均方误差仅0.05，并具备设备健康诊断潜力。
