日本語 English | 中文 |
网站首页 自我介绍 研究介绍 参与项目 教学介绍 其他内容 联系地图
2024.11 韩越兴老师被评为CCF杰出会员
祝　贺

2024.10.22 欢迎2024届新生曹臻、陈易铭、李杨、桑晨、张昊轩、张文俊、赵寅康入组！
曹臻，男，本科和硕士都就读于上海大学计算机工程与科学学院，目前为电子信息专业。言语风趣，态度积极乐观，喜欢无厘头和抽象的事物，日常爱好是打羽毛球、跑步和探店。希望在研究生的学业期间可以全方面的锻炼自身的能力，结实共同进步的学友，强身健体的同时培养专业的学术能力。
陈易铭，男，本科毕业于江苏大学计算机科学与通信工程学院物联网工程专业，目前是上海大学计算机学院就读硕士研究生，乐观向上，开朗友善，喜欢运动、打游戏等。希望在研究生阶段提高自己的科研水平，以及团队合作能力，和大家一起进去。
李杨，男，本科就读于武汉理工大学，现在是上海大学计算机科学与技术专业硕士研究生。平时喜欢打羽毛球，一个人的时候会跑跑步。乐于跟优秀的同学交往。有洁癖、有点完美主义，想把事情做到最好。希望在新的起点，做好科研的同时能有一个好的身体，跟大家愉快地度过研究生生活。
桑晨，男，本科就读于上海大学计算机学院人工智能专业，现于计算机科学与技术专业就读硕士。性格开朗，积极乐观，待人真诚，有责任心。希望能在研究生生活中提升自己的专业能力与实践能力，在学习探索中不断成长。
张昊轩，本科毕业于江苏大学计算机系，今于上海大学计算机科学与技术专业攻读硕士研究生。性格上，我是一个结合内外向特质的人。既喜欢与人交流，也享受沉浸在自己的世界。兴趣爱好广泛，主要喜欢球类和棋类运动。希望在接下来的日子里，与大家一起探索学术前沿，共同进步。我也会努力学习，积极贡献自己的力量。
张文骏，男，本科就读于武汉理工大学计算机学院软件工程系，现于上海大学计算机科学与技术专业就读硕士研究生。为人真诚，有责任心，有枪械、刀具、弓箭、弹弓、FPV、无限制格斗等相关爱好，对软件开发有着浓厚的兴趣。希望在研究生期间体验别样的生活，探索人生的意义，开开心心活，痛痛快快死！
赵寅康，男，本科毕业于常熟理工学院数据科学与大数据技术专业，现于上海大学计算机科学与技术专业就读硕士研究生。本人积极乐观，喜欢思考。喜欢但不擅长羽毛球篮球等球类运动，喜欢在晚上散步。希望能在研究生期间提高自己的专业能力，认识更多的朋友一起进步。
2024.07 恭喜池洳婷顺利毕业！
池洳婷，本科毕业于上海大学，于2021年开始在上海大学计算机工程与科学学院攻读学术型硕士研究生。池洳婷同学自本科大四开始进入韩越兴研究组学习研究图像处理相关技术与应用，在韩老师的悉心指导下，延续并推进了以下研究：
1. 针对材料图像语义分割中存在的小样本和微观结构特征复杂的问题，提出基于特征金字塔和十字交叉注意力的双分支语义分割网络。该网络分为主分支和辅助分支。主分支使用特征金字塔模型聚合多层级的图像特征来增强细节信息；辅助分支使用骨干网络的低层特征分割图像，辅助网络学习纹理和边界信息。在多任务监督和多尺度特征的协作下，相较于对比模型，该方法在多个小样本材料图像数据集上取得最佳性能。
2. 针对材料图像实例分割中显著的小样本问题，从提高现有数据的利用率出发，提出基于多模态融合和伪标签技术的实例分割方法。该方法通过融合图像和文本的多模态数据，提高网络对物体分类、定位和分割的准确度。本论文将训练分为两阶段：全监督训练和半监督训练。在半监督训练阶段，采用伪标签技术使未标注数据参与监督模型寻优。在多模态信息和两阶段训练的协作下，相较于对比模型，该方法在多种小样本实例分割场景中取得优越的性能。
3.针对2205双相不锈钢显微图像，设计统计分析方法来完成材料图像分割结果和材料性能的内禀关系挖掘。本论文分别基于语义分割结果以及实例分割结果，使用材料经验公式，高效且精确地获得和人工分析结果相近的微观结构的生长速率和材料性能变化情况。
毕业后池洳婷同学进入小米从事相机算法相关工作。池洳婷同学在上海大学三年的研究生生涯中努力学习、认真科研，不断增强自己的专业知识，有幸结识了许多良师益友。希望池洳婷同学在未来的道路上不忘初心，牢记使命，披荆斩棘，砥砺前行。
论文链接：小样本图像分割方法研究及其在材料性能挖掘的的应用

2024.07 恭喜万冠新顺利毕业！
万冠新，本科毕业于桂林理工大学，于2021年9月开始在上海大学计算机工程与科学学院攻读硕士研究生，加入课题组后，跟随韩越兴老师学习形状空间理论和图像特征增强等相关技术与应用。在韩老师的悉心指导下，完成了以下研究：
1. 针对小样本图像场景下可用数据少和多样性不足的特点，提出一种基于预形状空间测地曲线的图像特征增强方法，简称FAGC-PSS（Feature Augmentation on Geodesic Curves in Pre-Shape Space）。首先使用深度学习模型来提取小样本图像的特征；根据形状空间理论提升图像特征的维度并将其投影至预形状空间；分别对每一类别的特征数据构造出对应的测地曲线；最后沿着最优的测地曲线生成特征数据，用于图像处理模型的训练。该方法的创新包括以下三点：第一，实现小样本图像特征增强，有助于模型全面地理解训练样本分布及规律，提高模型的鲁棒性和可靠性；第二，提出的FAGC-PSS特征增强方法可以应用于多个下游任务，比如与机器学习的分类模型结合能获得较好的结果；第三，在小样本图像分类任务的交叉熵损失函数中设计随机概率函数和影响因子，可以平衡生成特征和图像特征对模型的影响。
2. 针对材料图像存在小样本和材料性能预测精度不佳的特点，本论文提出一种基于FAGC-PSS的材料性能预测方法。该方法通过设计FAGC-PSS的下游任务框架结构，结合伪标签机制，实现在小样本材料图像上的材料性能预测任务。具体流程包括四个步骤：材料图像特征的提取，通过FAGC-PSS生成特征，利用伪标签机制为生成特征标注性能值标签，最后利用增强特征对材料性能预测模型进行训练。该方法的创新包括以下：在预测材料性能模型中引入FAGC-PSS模块，以增强特征数据的多样性和复杂性；对生成的特征数据设计伪标签机制进行标注。实验结果表明，对于不同种类的材料性能预测任务，该方法能够展现出良好的有效性和普适性。
毕业后万冠新同学进入华为公司。万冠新同学在上海大学三年的研究生生涯中努力学习，参与科研项目，并展示出出色的编程技能和算法开发能力。对于复杂的技术问题，能够快速分析并提出有效的解决方案，展现了较强的独立研究能力和创新意识。希望万冠新同学在未来的道路上不忘初心，牢记使命，勇往直前，开创更加辉煌的前程。
论文链接：基于形状空间理论的图像特征增强及其在材料性能预测中的应用

2024.07 恭喜韩思凡顺利毕业！
韩思凡，于2021 年 9 月进入上海大学计算机工程与科学学院，开启硕士研究生阶段的学习生涯，加入课题组后，跟随陈侨川和韩越兴两位老师，专注于基于深度学习处理材料图像以预测材料性能的研究工作。在两位老师的指导下，完成了以下研究内容：
1. 构建了一种基于全局-局部特征提取、多特征融合的深度学习预测材料性能网络。此网络采用双分支多尺度的结构设计，借助全局分支网络和局部分支网络，分别对材料微观结构图像进行全局与局部特征的提取，不会破坏各自特征的建模过程。在全局分支网络中融入多头自注意力机制，将特征图划分至多个不同子空间，挖掘出特征之间内在的关联关系。相较于当下已有的方法，该网络成功建立起更为完备且准确的 “结构 - 性能” 映射关系。
2. 针对当前算法在复杂场景下对材料微观结构图像理解不足从而影响预测精度的问题，提出了高效多模态特征融合网络。这个模型包括能谱特征提取模块、局部元素特征提取模块以及提取材料微观结构特征的 GLFS-Net 模块。通过多信息融合，采用材料元素辅助增强网络细节和材料图像微观结构的策略，最终使得网络能够在复杂场景下实现对材料性能的精准预测。
3.申请了《一种材料性能预测方法》专利。该专利基于轻量级网络架构，通过对材料的图像和文本结合的多模态信息进行综合利用，进一步提高了对材料微观结构的分析以及性能预测的准确性。
毕业后，韩思凡同学在中车株洲电力机车有限公司株机研究院从事自动驾驶相关研究工作。在上海大学三年的研究生时光里，努力学习的同时还结识了众多良师益友，走过了上海的诸多角落，难以忘怀，希望以后还能有机会与大家再会。
论文链接：基于于多特征融合的材料性能预测研究

2024.04 团队近期成果--利用深度学习预测掺杂 Al2O3 的四方 YSZ 涂层的导热率
我们团队在国际期刊《Journal of the European Ceramic Society》(IF:5.7，中科院一区)上发表论文“Thermal Conductivity Prediction of Al2O3-Doped Tetragonal YSZ Coatings Using Deep Learning”。该论文上海大学计算机工程与科学学院为第一单位，陈侨川为第一作者，韩思凡为第二作者，宋雪梅为第三作者，韩越兴和曾毅为共同通讯作者。

基于深度学习预测材料图像性能面临着数据稀缺和无法同时提取材料图像的局部特征和全局特征以及发现特征之间的关联性等问题。在材料领域中，由于制造成本、商业保护等因素导致无法像获取自然场景图像一样批量获取数据，这使得因数据量不足难以将深度学习模型直接应用于材料领域。另一方面，与自然场景图像不同，材料图像由于自身特性，往往具有非常精细且复杂的纹理结构，而且宏观性能不仅仅受到局部微观结构的影响，特征与特征之间的关联，结构之间的相互作用即全局特征一样非常重要。现有的大多数深度学习方法往往直接将在自然场景图像上表现优异的CNN模型应用于材料领域，没有做有针对性的优化，而CNN由于固定的卷积核尺寸，导致感受野受限，往往只能提取到图像的局部特征，忽略了全局特征。因此，算法因为数据量稀缺训练不足和无法同时提取局部和全局特征而导致预测精度不够和鲁棒性差的问题。为了解决这些问题，本文提出了一种双结构特征提取与多尺度注意力融合网络（RCFNet）。该模型采用了全局特征提取模块和局部特征提取模块双分支结构，独立地提取材料图像的全局特征和局部特征，不破坏各自特征的原始建模。通过提出的多尺度注意力融合模块（Merge）对每个尺度下提取到的全局特征和局部特征进行融合，且融合模块对上一个融合结果的信息进行积累。最终的融合特征送入FCNN进行处理并得出预测结果。下图是多尺度注意力融合模块结构示意图。

对于每个尺度下的全局特征和局部特征，首先采用SCSE注意力机制，同时激发通道和空间两个维度上的重要信息，以突出最关键的特征并分配显著权重。接着，带有全局语义的全局特征通过通道注意力机制进一步处理，而带有局部语义信息的局部特征则通过空间注意力机制进一步处理。随后进行高维空间映射和非线性变换，得出当前阶段的融合结果。所提出的方法兼顾了材料图像的局部和全局特征提取，其中Merge模块对特征进行了多级融合，多注意力持续聚焦关键特征，抑制噪声信息，减少信息损失，并降低模型对大量训练数据的依赖。在样本稀缺的材料图像领域中，也获得了非常可观的预测结果。
论文链接：Thermal Conductivity Prediction of Al2O3-Doped Tetragonal YSZ Coatings Using Deep Learning
我们的代码和论文都公布在github：https://github.com/han-yuexing/RCFNet_Conv_Resnet50_MHSA/tree/main

2023年 祝贺李睿祺获得2023年度上海市计算机学会优秀硕士学位论文提名奖
描述性文本

姓名：李睿祺

单位：上海大学

论文题目：基于非完全标注的复杂纹理图像分割方法研究

导师姓名：韩越兴
2024年 团队近期成果--基于多模态融合学习的Al-Si合金抗拉强度预测
我们团队在国际材料基因工程领域新刊《Materials Genome Engineering Advances》上在线发表论文“Prediction of ultimate tensile strength of Al-Si alloys based on multimodal fusion learning”。该论文上海大学材料科学与工程学院为第一单位，计算机工程与科学学院为第二单位，朱龙飞为第一作者，陈侨川为第三作者，韩越兴副教授和材料科学与工程学院李谦教授为共同通讯作者。

目前，Al-Si合金的抗拉强度主要是通过拉伸试验获得的，涉及到样品制备、加工和测试，需要专业技能和测试设备，存在测试周期长、成本高和材料浪费的问题。此外，对于形状复杂的构件，制备标准化的拉伸试样进行性能测试是一项挑战。因此，如何高效、准确地获取材料的抗拉强度是目前一个具有挑战性的问题。 针对此问题，创新性地提出一种综合考虑成分和微观组织的多模态融合学习框架来预测Al-Si合金的抗拉强度。本工作聚焦于具有广泛应用的亚共晶Al-Si合金，首先，我们从文献和实验数据中收集不同模态的数据，包括合金成分、添加合金元素、α-Al图像、共晶Si图像、拉伸样品尺寸和拉伸速率。其次，利用图像处理技术提取微结构特征参数，对图像进行分割和定量分析。然后，对来自不同模态的33个特征进行三步特征筛选，得到12个关键特征。最后，将12个关键特征作为输入，使用四种机器学习模型（决策树（DT）、随机森林（RF）、自适应增强（AdaBoost）和极端梯度提升（XGBoost））构建抗拉强度回归预测模型。结果表明，XGBoost模型在所有模型中表现最好，在数据有限且主要来自不同文献的情况下，获得了较高的抗拉强度预测精度（R2=0.94，相对误差小于8.1%，绝对误差小于14.2 MPa）。此外，通过特征重要性分析和SHAP分析确定了显著影响UTS的五个混合特征（Grain size、Ti、Si、ECD、Number density）及其临界值。本工作有望为构建亚共晶Al-Si合金成分、组织与性能之间的映射关系提供启示，并可应用于其他合金。
论文链接：Prediction of ultimate tensile strength of Al-Si alloys based on multimodal fusion learning

2023
2025