6月7日下午，信息科学与工程学院在墨子楼二楼会议室举办2023年第十一期青年学者学术论坛，学院科研团队教师和科教融合优秀本科生“三进”提升计划学生代表参加学术论坛，模式识别与智能信息处理科研创新团队负责人孙晓飞博士主持学术论坛。 

院智能感知科研创新团队的王芳副教授作了题为《基于可变增益的机器人自适应迭代学习控制方法研究》的学术报告。报告针对带未知参数机器人的轨迹跟踪问题，提出了三种自适应变增益迭代学习控制方法。这三种控制策略均是以PD反馈控制结构为基础，以迭代学习项处理机器人系统的不确定性及干扰部分。提出的三种自适应迭代学习控制策略使系统的迭代学习参数逐步减少，从而减少参数存储空间、加快计算速度，提高实时控制效果，优化了算法性能。为了使系统跟踪收敛更快速、高效，在每一次迭代过程中（即在迭代域），PD反馈控制器增益自适应调节。以上提出的控制方法在结构上较简单，从而在工程实践中易于实现。与传统的学习控制方法相比，新方法具有收敛速度快、迭代学习参数少、节约存储空间、便于实时控制等特点。理论分析及仿真结果验证了算法的可行性和有效性。

院计算机视觉与数据挖掘科研创新团队的刘梦琳副教授作了题为《基于优化YOLOv5的道路小目标检测研究》的学术报告。针对小目标检测精度低、检测过程中易出现目标漏检和误检等问题，提出一种优化的YOLOv5道路小目标检测算法。通过设计一个新颖的ConvFocus模块，并引入CBAM注意力机制进行特征融合，改善改善主干网络特征提取能力和有用信息聚焦能力。研究基于KITTI数据集，对数据集进行预处理并合理划分。实验结果表明，改进的算法与原YOLOv5算法相比有显著的性能提高，特别是对小目标检测效果明显。

院计算机视觉与数据挖掘创新团队的刘三荣副教授做了题为《异构图注意力网络》的学术报告。报告对图神经网络、注意力机制面临的现状做了分析，指出包含不同类型节点和链接的异构图是图神经网络的难点，从而针对性地提出一种基于层次注意的新型异构图神经网络，包括节点级和语义级注意力。节点级注意力关注节点与邻居之间的重要性，语义级注意力关注不同元路径的重要性，分层聚合则基于元路径的邻居的特征来生成节点嵌入。通过实验证明该模型具有良好性能和可解释性。

（文图/信息科学与工程学院     编辑/邵清清     审核/徐海波）