近期，我校计算机学院联合培养研究生在著名学术期刊《Expert Systems with Applications》《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》《MicroMachines》和计算机顶级会议（ICASSP）上发表多篇高水平研究论文。
由应文豪教授指导的苏州大学硕士研究生孙中强在《Expert Systems with Applications》期刊（中国科学院一区，Top, IF=8.5）上发表了题为“A Novel Undersampling Method for Imbalanced Classification Incorporating Density Distribution Information”的研究论文。该研究致力于解决数据挖掘中类别样本数量不平衡问题，提出了一种新颖的数据处理方法。该方法通过核密度估计学习了少数类样本的概率密度分布，并利用滤波器删除位于少数类高密度带内的多数类样本。此外，该研究还引入了采样适应度指标，用于评估每个多数类样本的价值，以选择具有丰富信息的样本。通过在多个公开数据集上的实验验证，算法表现出较强的优势，为解决类别不平衡问题提供了一种有效的新途径。
原文地址：https://doi.org/10.1016/j.eswa.2024.123328
由龚声蓉教授和钟珊博士指导的苏州科技大学硕士研究生杜鑫在计算机顶级会议 International Conference on Acoustics, Speech and Signal Processing （ICASSP，CCF-B）上发表了题为“CDA-MBPO:CORRECTED DATA AGGREGATION FOR MODEL-BASED POLICY OPTIMIZATION”的研究论文。该研究致力于解决基于模型的强化学习中利用模型生成的模型样本具有较大的累积误差的问题，因此提出了一种新的轨迹自纠正的方法。该方法包含两个步骤，一是利用真实样本与模拟样本对齐组合成对齐样本再训练环境动态性模型；二是利用R-Q鉴别器，过滤对齐样本中具有较大偏差的模拟样本，以免对环境动态性学习带来严重的误导学习。在Mujoco的基准实验中，该方法在对比最新的基于模型的强化学习方法都处于领先水平，且其渐进性可以到达无模型的强化学习算法的水平。该方法为基于模型的强化学习方法在动态性模型的准确度上和缓解多步预测带来的累积误差的问题上提供了一个新的有效途径。
由龚声蓉教授和周立凡博士指导的东北石油大学硕士研究生周轩宇在《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》期刊（中国科学院二区，Top, IF=5.5）上发表了题为“Swin Transformer Embedding Dual-Stream for Semantic Segmentation of Remote Sensing Imagery”的研究论文。该研究致力于解决遥感图像语义分割中，由相似特征和阴影遮挡而导致的大规模区域物体分类错误问题，以及小目标的遗漏问题，提出了一种编码器-双解码器架构的深度学习网络模型。该模型采用Swin Transformer作为网络的编码器，以缓解卷积神经网络在全局建模和编码形状特征方面的局限性。双解码器包含两个并行的信息流，即全局流和形状流。全局流利用全局上下文融合模块来解决在采样过程中全局上下文的损失问题，从而改善由相似特征或阴影遮挡而导致的分割错误。形状流则用于专门处理形状信息，通过引入门控卷积模块来过滤特征图中冗余的特征信息，从而提高对小目标及其边缘的语义分割效果。通过在多个公开数据集上的实验验证，该模型表现出较强的优势，为解决提高遥感图像的语义分割性和准确性提供了一种新的方法。
原文地址：https://doi.org/10.1109/JSTARS.2023.3326967
由张涛教授指导的苏州大学硕士研究生郑杰兵在《MicroMachines》期刊（中国科学院三区，IF=3.4）上发表了题为"Wafer Surface Defect Detection Based on Background Subtraction and Faster R-CNN”的研究论文。针对晶圆表面缺陷容易与背景混淆且难以检测的问题，提出了一种基于背景减法和改进的快速R-CNN的晶圆表面缺陷检测新方法。首先，提出了一种改进的光谱分析方法测量图像的周期，在此基础上可以获得子结构图像；然后采用局部模板匹配方法对子结构图像进行定位，从而重建背景图像，进而通过图像差操作消除背景的干涉；最后，将差异图像输入到改进的快速R-CNN 网络进行检测。所提方法已在自主构建的晶圆数据集上与其他检测方法进行了比较。实验结果表明，与原有的Faster R-CNN相比，所提方法有效提高了5.2%的mAP，可以满足实际要求。
原文地址：https://www.mdpi.com/2072-666X/14/5/905
