私たちのチームは、上海大学コンピュータ工学・科学学院を第一所属機関として、『Physica B: Condensed Matter』（IF：3.2）に論文「Revealing the structure–property relationships of copper alloys with FAGC」を発表しました。本論文は、少数サンプル条件下におけるCu-Cr-Zr合金の微細組織、電気伝導率、硬度の定量的関係に焦点を当て、深層学習、形状空間理論、特徴拡張、疑似ラベル学習を統合した材料特性予測フレームワークを提案した。

Cu-Cr-Zr合金は、高い電気伝導率、強度、熱安定性を兼ね備えており、集積回路用リードフレーム、抵抗溶接用電極、高速鉄道用トロリ線、核融合炉用ヒートシンク部品などに広く使用されている。しかし、合金の強度と電気伝導率は一般に相互に制約し合い、その性能は組成、熱処理プロセス、結晶粒径、析出相分布などの影響を同時に受ける。従来の材料研究は、試料作製、微細組織観察、性能試験に依存するため、実験期間が長く、コストも高い。また、微細組織画像が少数しか得られない場合、深層学習モデルが過学習しやすく、微細組織と性能の関係を正確にモデル化することが困難となる。

これらの問題に対し、本論文では測地線曲線上の特徴拡張手法FAGC（Feature Augmentation on Geodesic Curve）を導入し、Cu-Cr-Zr合金の電気伝導率と硬度を予測するフレームワークを構築した。まず、EfficientNet-B6を用いて合金の微細組織画像から深層特徴を抽出し、プレシェイプ空間へ射影する。次に、サンプルの特徴分布に測地線曲線を適合させて新たな特徴サンプルを生成し、微調整した回帰モデルによって疑似ラベルを付与する。最後に、元の特徴・ラベル対と生成した特徴・疑似ラベル対を用いて下流の回帰モデルを学習し、多数の実験試料を追加作製することなく学習データを拡張する。

本論文では、電気伝導率と硬度を測定した18組のCu-Cr-Zr合金の微細組織画像を用い、6分割交差検証によってモデルを評価した。各分割では15組を用いて特徴抽出モデルの微調整、測地線構築、特徴生成、疑似ラベル付与、回帰モデル学習を行い、残りの3組はテストのみに使用した。EfficientNetの各モデル、回帰モデル、生成特徴数を比較した結果、EfficientNet-B6が優れた特徴抽出能力を示し、約100個の拡張特徴と決定木回帰モデルを用いた場合に最良の総合性能を達成した。

FAGCの導入により、決定木モデルのR²は、電気伝導率予測では0.609から0.978へ、硬度予測では0.638から0.998へ向上した。また、電気伝導率と硬度予測のRMSEはそれぞれ1.9と2.0に低下し、測地線特徴拡張と疑似ラベル機構が材料データ不足を効果的に緩和できることを示した。t-SNEによる可視化からも、測地線曲線が実サンプルの特徴分布を良好に被覆し、生成特徴の性能変化傾向が実サンプルと一致することが確認された。

さらに、本論文では微細組織画像を16の局所領域に分割し、各領域が硬度と電気伝導率に及ぼす寄与を可視化した。その結果、微細な結晶粒、多数の析出相、または複雑な組織を含む領域は一般に高い硬度と対応し、粒界や相界が少なく均一な領域は高い電気伝導率を示すことが明らかになった。この結果は、Cu-Cr-Zr合金の局所的な微細組織と性能の関係を画像レベルで示し、強度と導電性能のトレードオフを理解するための新たな分析手段を提供する。

本研究は、形状空間理論、深層特徴拡張、機械学習回帰をCu-Cr-Zr合金の性能研究に適用し、限られた実験サンプルから電気伝導率と硬度を高精度に予測するとともに、局所的な結晶粒、析出相、界面特徴が材料特性に及ぼす影響を明らかにした。本成果は、材料科学における少数サンプルモデリングに新たな技術的アプローチを提供し、高硬度・高電気伝導率銅合金の組成・プロセス制御および性能最適化に有用な知見を与える。

論文リンク：Revealing the structure–property relationships of copper alloys with FAGC

胡干

私たちのチームは『Expert Systems With Applications』（IF：9.4、中国科学院ランクI）に論文「NERLLM: Efficient integration of local NER models and large language models for named entity recognition」を発表しました。本論文の第一所属機関は上海大学コンピュータ工学・科学学院です。

ローカル固有表現認識（Named Entity Recognition、NER）モデルは通常、高い推論効率とドメイン内での正確な認識性能を有するが、意味的曖昧性、新出エンティティ、分布外テキストに対して性能が低下しやすい。一方、大規模言語モデル（Large Language Model、LLM）は幅広い知識と優れた文脈推論能力を備えるものの、NERタスクに直接適用すると、エンティティ境界が不安定になり、認識精度が低下する場合がある。既存のハイブリッド手法は主にローカルNERモデルが出力したエンティティの信頼度に基づいてルーティングし、疑わしいエンティティを直接削除する傾向があるため、限られた計算コストの下で真の予測誤りを優先的に処理し、部分的に正しいエンティティを効果的に修正することが難しい。

これらの問題に対し、本論文では認識精度と呼び出しコストを両立するハイブリッドフレームワークNERLLMを提案した。ローカルモデルが出力した信頼度の低いエンティティを選択的に再検証することで、予測結果を効率的に検証・修正する。NERLLMは、信頼度スコアラー（Confidence Scorer）とLLM再検証器（LLM Rechecker）という2つの中核モジュールから構成される。信頼度スコアラーは、ローカルモデルの出力とデータセットの統計的特徴に基づいてスパン単位の信頼性を学習し、誤りの可能性が高い予測を優先的にLLMへルーティングする。LLM再検証器は多段階処理により、候補エンティティのラベル修正、境界調整、競合解消を行う。さらに、二次LLM評価によって大規模言語モデルのハルシネーションの影響を抑制し、修正結果の信頼性を向上させる。

CleanCoNLL、WNUT’16、WNUT’17の3つのデータセットにおける実験結果から、NERLLMはさまざまなローカルモデルとLLMの組み合わせにおいてMicro-F1を効果的に向上させ、曖昧性を持つエンティティや新出エンティティを含むソーシャルメディアテキストで特に顕著な改善を示した。Binder-largeとDeepSeek-R1の組み合わせは、WNUT’16において61.0%のF1値を達成し、ローカルモデルより5.8ポイント向上した。また、本フレームワークは不要なLLM呼び出しを削減し、認識性能と計算コストの良好なバランスを実現することで、効率的かつ高精度な固有表現認識に新たな解決策を提供する。

論文リンク：NERLLM: Efficient integration of local NER models and large language models for named entity recognition

桑晨

私たちのチームは『Journal of Materials Research and Technology』（IF：7.3、中国科学院ランクII）に論文「Prediction of Flexural Strength of Carbon Fiber Reinforced Polymers Based on Literature Mining」を発表しました。本論文の第一所属機関は上海大学コンピュータ工学・科学学院です。

炭素繊維強化ポリマー（Carbon Fiber Reinforced Polymers、CFRPs）は、高強度、軽量性、耐食性などの優れた特性を有することから、航空宇宙、自動車、建築、エネルギーなどの分野で広く利用されている。CFRPsの曲げ強度は、材料組成、製造プロセス、加工パラメータ、試験片寸法など、さまざまな要因の影響を受ける。従来の材料特性最適化は通常、多数の実験に依存するため、長い開発期間と高いコストを要する。一方、複合材料に関する既存文献には、材料組成、プロセスパラメータ、特性に関する大量のデータが蓄積されているが、専門的なエンティティタイプが複雑で、文脈への依存性も高いため、効率的な自動抽出は困難である。これらの問題に対し、本論文では文献マイニングと機械学習を融合したCFRPsの曲げ強度予測手法を提案した。科学文献から重要な材料情報を自動抽出することで、材料特性予測とプロセス最適化のためのデータ基盤を提供する。

具体的には、まず13種類の複合材料エンティティを含む専門文献データセットCompMatLitDSを構築し、異種グラフに基づく意味強化型エンティティ認識モデルSRGN（Semantic-Rich Graph Networks）を提案した。SRGNは、文字レベル、単語レベル、およびMatSciBERTに基づく文脈意味表現を統合し、自己注意機構と異種グラフ構造を組み合わせて、文脈情報とエンティティタイプ間の関係を共同でモデル化することにより、複雑な材料エンティティの認識能力を向上させる。さらに、SRGNを用いて210編の関連文献から材料およびプロセス情報を自動抽出し、整理後に105組の曲げ強度データを取得した。続いて、XGBoost、ランダムフォレスト、GBDT、決定木を用いて特性予測モデルを構築した。CompMatLitDSデータセットにおいて、SRGNは95.83%の適合率、95.07%の再現率、95.45%のF1スコアを達成した。曲げ強度予測では、ランダムフォレストとXGBoostがともにテストセットで0.93のR²を達成し、ランダムフォレストはより低い予測誤差を示した。さらに、特徴重要度とSHAP分析により、硬化温度や硬化時間などの主要なプロセスパラメータがCFRPsの曲げ強度に及ぼす影響を明らかにし、複合材料の特性予測とプロセスパラメータ最適化に向けた新たなデータ駆動型手法を提供した。

論文リンク：Prediction of flexural strength of carbon fiber reinforced polymers based on literature mining

赵寅康

馬唯一さんは山東理工大学を卒業し、2023年から上海大学計算機工程与科学学院で専門職修士課程に進学しました。研究グループに参加後、楊風雷先生、韓越興先生、陳僑川先生の指導のもと、コンピュータビジョン分野を研究しました。先生方の丁寧なご指導のもと、以下の研究を完成させました：

1. 圃場における植物葉片病害検出において、多尺度特徴表現が弱く、階層的融合に伴って意味情報が継続的に減衰するという問題に対し、HRAGNet検出アルゴリズムを提案しました。インタラクティブ強化モジュールを設計して階層間特徴の双方向再帰的強化を実現し、クロススケール意味アライメントモジュールにより特徴空間のずれを修正しました。さらに、グローバルコンテキスト集約融合モジュールを通じて多尺度のグローバル情報を統合し、複雑なシーンにおける異なるサイズの病斑に対する特徴判別能力を効果的に向上させました。

2. HRAGNetのデコード段階における病斑の空間事前情報の不足、および分類タスクと回帰タスクの特徴結合による競合という欠点に対し、改良アルゴリズム HRAGNet+ を提案し、幾何・タスク協調強化デコーダを構築しました。幾何事前強化注意力モジュールを設計して病斑間の空間分布関係を明示的にモデル化し、タスク特徴の分離と融合モジュールを構築して分類専用特徴と回帰専用特徴を適応的に分離しました。これにより、多タスク最適化における干渉を緩和し、微小かつ密集した病斑の位置特定と分類精度を大幅に向上させました。

3. PlantDoc、TLD、FD など複数の公開農業視覚データセットを選定し、比較実験とアブレーション実験を行いました。複数の定量指標、可視化サンプル、極端な照明条件下での頑健性テストを通じて、二つのモデルの総合性能を検証し、葉片病害検出タスクにおける多尺度特徴強化と幾何・タスク協調最適化機構の有効性と汎化能力を十分に示しました。

4. 卒業後、馬唯一さんは北京のByteDanceに入社し、プロダクト運営に従事します。上海大学での大学院生活の間、馬唯一さんは着実に研鑽を積み、絶えず向上し、専門能力と研究能力を継続的に高めてきました。多くの優れた先生方や友人と共に歩み、数多くの収穫を得ました。これからの道でも理想を胸に、地に足をつけ、困難を恐れず、勇敢に前進していくことを願っています。

論文リンク：基于多尺度特征增强与融合的植物叶片病害检测方法研究

コードリンク：https://github.com/han-yuexing/2026-thesis-mwy-code

沈新宇さんは上海師範大学を卒業し、2023年から上海大学計算機工程与科学学院で修士課程に進学しました。研究グループに参加後、孫妍先生、韓越興先生、陳僑川先生の指導のもと、コンピュータビジョンとスマート農業の交差分野を研究し、複雑な農地シーンにおける雑草検出に注力しました。先生方の丁寧なご指導のもと、以下の研究を完成させました：

1. 複雑な農地シーンにおいて、既存の雑草検出手法が特徴表現能力に乏しく、背景干渉を受けやすいという問題に対し、FS-DETRという二領域融合Transformer検出モデルを提案しました。このモデルは、空間領域と周波数領域の二領域注意機構を協調的にモデル化することで、農地画像のきめ細かな特徴表現を効果的に強化し、外観が似た作物と雑草を正確に区別します。さらに、制約誘導型ラベル割り当て戦略を組み合わせてサンプルマッチング機構を最適化し、複雑な圃場シーンにおける検出精度と学習安定性を大幅に向上させました。

2. 既存のTransformer検出アルゴリズムにおける単一的なデコーダモデリングと、密集遮蔽シーンでの不安定な予測という問題に対し、強化版デコーダ FS-DETR-D を提案しました。この手法は、動的クエリ割り当てとハイパーエッジ高次クエリ相互作用機構を導入し、疎密や遮蔽の度合いが異なる複雑な農地シーンに適応しながら、密集した雑草対象の空間構造関係を正確にモデル化します。同時に、適応的知覚損失関数を設計して監督強度を動的に調整し、従来手法における見逃し、誤検出、予測の大きな揺らぎといった課題を効果的に解決し、デコーディング過程の安定性と予測一貫性を大幅に向上させました。

3. 既存の農地視覚検出アルゴリズムのシーン適応性の低さと汎化能力不足という限界に対し、二領域融合とデコード強化を備えた完全な雑草検出システムを構築しました。WeedCrop、LincolnBeet、MH-Weed16 など複数の公開データセットにおける大規模な実験により、このシステムは主流検出手法よりも優れた精度と頑健性を持つことが示されました。また、デコード強化モデルはベースラインモデルと比較して安定した精度向上を実現し、さまざまな実世界の複雑な農地作業シーンに効果的に適応し、スマート農業における視覚検出ソリューションを充実させました。

卒業後、沈新宇さんは栄耀終端有限公司に入社し、ソフトウェア開発と技術研究開発に従事します。上海大学での大学院生活の間、沈新宇さんは着実に研鑽を積み、絶えず向上し、専門能力と研究能力を継続的に高めてきました。多くの優れた先生方や友人と共に歩み、数多くの収穫を得ました。これからの道でも理想を胸に、地に足をつけ、困難を恐れず、勇敢に前進していくことを願っています。

論文リンク：基于Transformer的复杂农田杂草检测方法研究

コードリンク：https://github.com/han-yuexing/2026-thesis-sxy-code

李睿杰さんは上海大学を卒業し、2023年9月から上海大学計算機工程与科学学院で修士課程に進学しました。研究グループに参加後、韓越興先生の指導のもと、形状空間理論や特徴拡張などの関連技術と応用について学びました。韓先生の丁寧なご指導のもと、以下の研究を完成させました：

1. 既存の測地線特徴拡張手法における反復探索型最適化の効果が不十分で効率も低いという課題に対し、形状空間理論に基づく適応的測地線特徴拡張手法を提案しました。この手法は、従来のユークリッド空間における線形補間では特徴の非線形幾何構造を十分に表現できないというボトルネックを克服し、高品質な特徴を生成することを目的としています。主な流れは、まずサンプルの深層特徴をプレシェイプ空間に射影し、適応的測地線をフィッティングして非線形特徴拡張を行います。次に、サンプル類似性損失と分布差異損失を融合した結合損失関数を再設計し、測地線の形状を制約します。最後に、大量の点サンプリングと測地距離計算の代わりに勾配降下法を用いて最適化を行います。実験により、既存手法と比較して、本手法は CIFAR-10@5 などの少数ショットデータセットにおいて拡張サンプルの品質と下流分類精度を大幅に向上させ、実行時間とエネルギー消費を効果的に削減し、データ制限タスクにおける可能性を示しました。

2. 単一サンプルなどの極端な場面において、サンプル不足により測地線のフィッティングが困難になる課題に対し、拡張可能な測地線特徴拡張フレームワークを提案しました。このフレームワークは、適応的測地線特徴拡張手法を単一サンプルから大規模データまでのさまざまな場面に拡張し、計算効率と拡張性能を両立させることを目的としています。具体的には、画像拡張に基づく特徴拡充をプレシェイプ空間の特徴拡張プロセスに導入し、極端な場面における特徴不足を緩和します。また、小バッチ勾配降下法を組み合わせて大規模データを処理し、サンプル由来に基づく重み付け機構を用いて元の特徴と拡充特徴の寄与を調整します。実験により、このフレームワークはバックボーンネットワークを再学習することなくマルチスケール特徴拡張を実現でき、拡張特徴を生成する際に、比較手法よりも元サンプルの分布構造と判別能力をよりよく維持できることが示されました。

卒業後、李睿杰さんは EA CHINA に入社する予定です。上海大学での3年間を振り返ると、彼は熱心に学び、真摯に研究に取り組み、専門能力を継続的に高めるとともに、多くの恩師や友人との深い絆を築きました。李睿杰さんがこの収穫と経験を胸に、これからの道で初心を忘れず、努力を重ね、波に乗って進み、輝かしい未来を切り開くことを願っています。

論文リンク：基于形状空间理论的特征增强方法研究

コードリンク：https://github.com/han-yuexing/2026-thesis-lrj-code

徐天洋さんは常州大学を卒業し、2023年から上海大学計算機工程与科学学院で学術型修士課程に進学しました。研究グループに参加後、韓越興先生、陳僑川先生、孫妍先生の指導のもと、微小物体検出の研究に取り組みました。先生方の丁寧なご指導のもと、以下の研究を完成させました：

1. 隠式特徴融合と混合適応型ラベル割り当てに基づく高精度物体検出手法を提案しました。特徴融合における細部情報の損失という問題に対し、隠式特徴融合は隠式ニューラル表現を用いてマルチスケール特徴を統一解像度へ写像して融合し、微小物体の精細な特徴を効果的に保持します。微小物体の正例サンプルにおいて品質と数量を両立しにくいという課題に対し、混合適応型ラベル割り当て戦略は IoU と受容野距離を組み合わせて混合尺度スコアを構築し、適応機構によって高品質な正例サンプルを正確に抽出します。

2. 選択的スパースエンコーダとスケール認識 Query 選択に基づくリアルタイム物体検出手法を提案しました。Transformer ベースの検出アーキテクチャが高解像度特徴マップを処理する際に計算コストが大きくなる問題に対し、選択的スパースエンコーダは特徴選択機構と線形自己注意を用いることで、メモリ使用量と計算複雑度を大幅に削減します。Query 選別段階において微小物体特徴の信頼度が不利になる問題を解決するため、スケール認識 Query 選択機構は特徴のダウンサンプリングストライドに基づく減衰係数を導入し、モデルの微小物体への注目度を動的に高めます。

上海大学での大学院生活の間、徐天洋さんは着実に研鑽を積み、絶えず向上し、専門能力と研究能力を継続的に高めてきました。多くの優れた先生方や友人と共に歩み、数多くの収穫を得ました。これからの道でも理想を胸に、地に足をつけ、困難を恐れず、勇敢に前進していくことを願っています。

論文リンク：面向微小目标的实时目标检测方法研究

コードリンク：https://github.com/han-yuexing/2026-thesis-xty-code

李子铭さんは山東建築大学を卒業し、2023年から上海大学計算機工程与科学学院で修士課程に進学しました。研究グループに参加後、張瑞先生、韓越興先生、陳僑川先生および孫妍先生の指導のもと、画像処理とコンピュータビジョンの研究に取り組みました。先生方の丁寧なご指導のもと、以下の研究を完成させました：

1. 医用画像の場面において、形状情報の学習不足、局所テクスチャの表現と大域的構造モデリングの協調の難しさ、複雑な境界領域における判別能力の強化といった課題に対し、一貫性制約と対比学習に基づくスクリブル教師あり分割手法を提案しました。この手法は、異なるアーキテクチャから構成される異種双分岐ネットワークを構築し、局所テクスチャ表現と大域的構造モデリングの相補性を高めます。さらに、ネットワーク摂動と入力摂動を組み合わせた一貫性学習機構により、より安定した画素レベルの疑似ラベルを生成します。最後に、前景プロトタイプをアンカーとして画素レベルのプロトタイプ対比校正を行うことで、複雑な境界領域における特徴判別能力を強化します。

2. 材料顕微画像の場面において、極小サンプル条件下での学習安定性、疑似ラベルの信頼性、複雑な相境界付近における境界ノイズ制御といった課題に対し、多履歴投票と境界認識制約に基づくスクリブル教師あり分割手法を提案しました。この手法は、事前学習による初期化、浅層の凍結、深層の微調整からなる転移学習戦略を組み合わせ、極小サンプル条件下での学習安定性を高めます。同時に、サンプルごとに維持される履歴予測キューを通じて、多履歴投票と信頼度推定を統合し、信頼できる疑似ラベルを選別することで、時間的次元から疑似教師あり学習の安定性を向上させます。さらに、ネットワーク最適化の過程で境界平滑化と境界鮮鋭化の制約を同時に導入し、複雑な相境界に対するモデルの表現能力を強化します。

上海大学での大学院生活の間、李子铭さんは着実に研鑽を積み、絶えず向上し、専門能力と研究能力を継続的に高めてきました。多くの優れた先生方や友人と共に歩み、数多くの収穫を得ました。これからの道でも理想を胸に、地に足をつけ、困難を恐れず、勇敢に前進していくことを願っています。

論文リンク：基于涂鸦标注的弱监督复杂纹理图像分割方法研究

コードリンク：https://github.com/han-yuexing/2026-thesis-lzm-code

葛嘉浩さんは上海大学を卒業し、2023年から上海大学計算機工学与科学学院で学術型修士研究生として研究を進めていました。研究グループに参加後、韓越兴先生の指導の下で、小標本画像処理およびマルチタスク学習技術と農業への応用について研究を行いました。韓先生の細やかなご指導のもと、以下の研究を完成させました：

1. 小標本条件下におけるマルチタスク特徴干渉と回帰分類の協調問題に対応するため、マルチタスク学習に基いた果菜多属性連合評価フレームワークを提案しました。この方法には、予分類ルーティング、タスクブランチモデリング、特徴強化とクロスブランチ相互作用、連合損失最適化が含まれます。この方法の学習と評価を支援するため、さらにFruVegSet多属性整合データセットを構築し、重量、曲直度、成熟度の測定結果に等級マッピングルールを組み合わせて、画像、連続属性、等級ラベルの一対一対応を実現しました。現在のデータ規模と実験プロトコルの下では、シングルタスクモデルや他のマルチタスクモデルと比較して、この方法はきんがうりとバナナデータにおいて優れた総合的なパフォーマンスを達成し、特にタスクバランシングと等級判別において安定したパフォーマンスを示しました。

2. 小標本条件下での連続属性における端点サンプル間の遷移状態欠損問題に対応するため、マルチタスク連合評価フレームワークの基礎上に、中間サンプル生成に基いたマルチタスク拡張学習方法をさらに提案しました。この方法はDiffMorpherを用いて中間遷移サンプルを生成し、SAM2セグメンテーションモデル、主体マスクスクリーニング戦略、タスク別疑似ラベル構築を組み合わせて補充監督の品質を向上させました。この戦略の効果により、この方法は重要な表現形態特性回帰と等級分類タスクにおいて安定した改善を達成し、ある程度三つのタスクの全体的なパフォーマンスを向上させました。

上海大学での研究生活の間、葛嘉浩さんは積極的に学習し、専門水準と科学研究能力を向上させ、多くの良い先生や友人と出会いました。葛嘉浩さんが将来の道路で理想を胸に、困難を恐れず勇敢に前進していくことを願っています。

論文リンク：面向农业果蔬多属性联合评估的小样本多任务学习方法研究

コードリンク：https://github.com/han-yuexing/2026-thesis-gjh-code

黄志怡さんは首都師範大学を卒業し、2023年から上海大学計算機工程与科学学院で学術型修士課程に進学しました。研究グループに参加後、韓越興先生、陳僑川先生らの指導のもと、農業物体検出に関する技術と応用について研究し、先生方の丁寧なご指導のもと、以下の研究を完成させました：

1. 複雑な農業シーンにおいて、既存モデルがマルチスケール、遮蔽、密集した果実の位置推定と検出に苦労する問題に対し、協調注意機構と階層的自己蒸留に基づく農業果実物体検出手法を提案しました。この手法は、マルチスケール特徴融合再重み付けモジュール、協調注意デコーダ、階層的自己蒸留戦略により、複雑なシーンにおけるマルチスケール、遮蔽、重なり合った対象の位置推定ロバスト性を効果的に向上させます。実験結果により、この手法は複雑な環境下で既存手法よりも検出精度と安定性の両面で優れており、果実の自動生産と収穫に有効な解決策を提供することが示されました。

2. 農業果実の成熟度検出における特徴多様性とモデル適応能力の不足という問題に対し、動的スパース混合エキスパート機構に基づく農業果実物体検出手法を設計しました。高周波詳細強調モジュール、動的スパース混合エキスパートデコーダ、負荷分散およびエキスパート多様性損失関数を導入することで、エキスパートの多様性を確保しながら、複雑な照明条件や環境変化に対するモデルの適応能力を高めました。実験結果により、この手法は異なる成熟状態の果実を高精度に識別する能力を効果的に向上させることが示されました。

卒業後、黄志怡さんは中芯国際に入社します。上海大学での3年間の修士課程において、黄志怡さんは熱心に学び、積極的に研究活動に取り組みました。困難に直面しても常に楽観的な姿勢と強い意志を保ち、確かな独立研究能力と鋭い革新的思考を示しました。黄志怡さんがこれからの道のりで初心を保ち、荒波を恐れず、着実に遠くへ進んでいくことを願っています。

論文リンク：基于自蒸馏与混合专家机制的农业果实目标检测方法研究

コードリンク：https://github.com/han-yuexing/2026-thesis-hzy-code

私たちのチームは、『Materials』（中国科学院三区、JCR Q2）に論文「Automatic Segmentation and Recognition of the Microstructure of High-Strength Low-Alloy Steel」を発表しました。本論文は、高強度低合金鋼の微細組織における自動セグメンテーションと認識に関する研究を扱っています。

金属組織の微細構造解析は、熱処理および機械加工過程における鋼の組織進化の規則を明らかにするうえで重要な意味を持つ。しかし、光学顕微鏡画像には、結晶粒界の不明瞭さ、結晶粒内部の濃淡の不均一性、結晶粒形状の不規則性といった問題が広く存在しており、微細組織の高精度な解析に課題をもたらしている。これらの問題に対処するため、本論文では、超画素に基づく自動金属組織画像処理手法であるDPSS（Dual-Phase Steel Segmentation）を提案し、微細組織の高品質なセグメンテーションとその後の認識を重点的に実現した。

具体的には、DPSSはまずエッジ検出と画像シャープ化によって画像コントラストと結晶粒界の可視性を高める。続いて、超画素セグメンテーションと抽出されたエッジ情報を組み合わせることで、境界定位の精度を向上させるとともに、不規則な結晶粒形状を保持し、光学顕微鏡画像中の結晶粒または粒子領域をより完全に抽出する。本論文では、Mn-Si低合金鋼の光学顕微鏡画像を用いて検証を行い、実験結果により、従来のImageJ（Version 1.54f）に基づく処理手法と比較して、DPSSはより正確で完全な微細組織セグメンテーション結果を得られることが示された。さらに本論文では、軽量ニューラルネットワークを導入して相組織認識を行い、最終的な分類認識精度は99.91%に達した。この結果は、改良されたセグメンテーション手法が後続の微細組織認識に対して、より信頼性の高い入力を提供できることを示している。総じて、本論文で提案した手法は、金属組織画像セグメンテーションに効率的かつ自動化された解決策を提供し、下流の相組織解析を強力に支援するものである。

論文リンク：Automatic Segmentation and Recognition of the Microstructure of High-Strength Low-Alloy Steel

王璐

私たちのチームは『Knowledge-Based Systems』（インパクトファクター：7.6、中国科学院ランクI TOP）に論文「Tiny object detection via implicit feature fusion and hybrid metric adaptive label assignment」を発表しました。本論文は上海大学コンピュータ工学・科学学院を筆頭機関とし。

微小物体検出（Tiny Object Detection, TOD）は、農業シーンにおいて幅広い応用がある。微小物体は画素数が極めて限られているため、特徴抽出と特徴融合が制約され、さらに主流の検出手法で用いられるラベル割り当て戦略にも課題をもたらす。これらの問題に対処するため、本論文では、暗黙的特徴融合（Implicit Feature Fusion, IFF）とハイブリッド適応型ラベル割り当て（Hybrid Adaptive Label Assignment, HALA）に基づく微小物体検出ネットワークIHANetを提案し、高精度な微小物体検出の実現を目指した。

具体的には、IFFは暗黙的ニューラル表現を利用し、異なるピラミッド階層から得られる特徴マップを統一されたサイズに写像して融合することで、マルチスケール融合における特徴の不整合問題を緩和する。特徴マップを連続表現としてモデル化することにより、IFFは任意の解像度で効果的な融合を実現し、微小物体の詳細を保持しながら情報損失を低減する。HALAは、Intersection over Union（IoU）と、微小物体検出においてより優れた性能を示すReceptive Field Distance（RFD）を組み合わせ、さらに適応的選択戦略によって高品質な訓練サンプルを掘り起こすことで、ラベル割り当て過程を最適化し、モデルの学習性能と検出性能を向上させる。AI-TOD、SODA-D、VisDrone、AgriPestデータセットにおける広範な実験により、IHANetは複数のTODシーンで先進的な性能を達成し、AI-TODデータセットではAP値29.1を達成した。

論文リンク：Tiny object detection via implicit feature fusion and hybrid metric adaptive label assignment

コードリンク：https://github.com/han-yuexing/IHANet

徐天洋

私たちのチームは『Journal of Magnesium and Alloys』（中国科学院ランクI、JCR Q1）に論文「Deep learning-driven microstructure characterization and Vickers-hardness prediction of Mg-Gd alloys」を発表しました。本論文は高強度Mg-Gd合金を研究対象とし、合金の「プロセス - 微細組織 - 性能」間の定量的関連モデリング問題に焦点を当て、画像認識と深層学習に基づくマルチモーダル融合フレームワークを提案し、Mg-Gd合金のビッカース硬度の自動予測を実現した。

高強度Mg-希土類（Mg-RE）合金では、固溶処理と時効処理が合金の微細組織および機械的性質に大きな影響を与える。しかし、従来の実験手法や物理モデリング手法では、加工パラメータ、微細組織特徴、性能応答の間の定量的写像関係を効果的に構築することは依然として困難である。この問題に対処するため、本論文では高強度Mg-Gd合金を事例として、「プロセス（固溶と時効） - 微細組織 - 性能」に向けた定量分析フレームワークを構築した。具体的には、固溶状態のMg-Gd合金の機械的性質は主にGd含有量、粒界特徴、第二相の存在に影響される。一方、時効状態の合金の性能は、Gd含有量、時効パラメータ、析出相特徴の共同作用によってさらに影響を受ける。

上述の写像関係を構築するため、本論文では、元素組成、プロセスパラメータ、および合金顕微画像から抽出した微細組織特徴を組み合わせて合金硬度を予測する二段階マルチモーダル融合フレームワークを提案した。このフレームワークはまず、深層学習手法を用いて、異なる状態の合金画像から結晶粒サイズ、第二相、析出相などの重要な微細組織特徴を自動的に抽出する。その後、これらの画像特徴を組成および加工パラメータと融合し、固溶状態データセットと時効状態データセットをそれぞれ構築する。固溶状態データセットは固溶状態硬度の予測に用いられ、時効状態データセットは時効処理によって生じる硬度増分の予測に用いられる。実験結果により、2つの予測モデルはそれぞれ0.90および0.89のR²値を達成し、高い予測精度を示した。

手作業による分析結果との比較検証により、本論文で提案した二段階フレームワークは、Mg-Gd合金の最終的な室温硬度を自動的に予測でき、手作業による微細組織分析コストを効果的に削減できることが示された。

論文リンク：Deep learning-driven microstructure characterization and Vickers-hardness prediction of Mg-Gd alloys

コードリンク：https://github.com/han-yuexing/MCVHPA

王璐

私たちのチームは『Neurocomputing』（インパクトファクター：6.5、中国科学院ランクII）に論文「Scribble consistency match and pixel-level prototype contrastive calibration for weakly supervised medical segmentation」を発表しました。本論文は上海大学コンピュータ工学・科学学院を筆頭機関とし、医学画像のピクセルレベルアノテーションに高いコストがかかること、および落書きアノテーションによる教師情報が不十分であることに着目し、弱教師あり医学画像分割フレームワークFW2SSを提案した。

医学画像分割は医学画像解析における重要なタスクであり、主にCTやMRIなどの画像から臓器、組織、病変領域を正確に分離するために用いられ、疾患診断、定量分析、臨床治療に補助的な支援を提供できる。近年、深層学習は分割性能を大幅に向上させたが、通常は大量の精密なピクセルレベルアノテーションに依存している。一方で、医学画像のアノテーションはコストが高く、高度な専門性を必要とするため、弱教師あり医学画像分割が徐々に研究の注目分野となっている。

FW2SSはCNN-Transformerハイブリッド構造に基づき、CNNの局所的な詳細モデリング能力とTransformerの大域的な構造認識能力を組み合わせている。本論文ではScribble Consistency Match技術を提案し、ネットワーク摂動と入力摂動の一貫性学習を通じて、より信頼性の高い密な疑似ラベルを生成し、疎な落書きアノテーションから完全な形状情報を学習できるようにした。同時に、Pixel-level Prototype Contrastive Calibration技術を提案し、高信頼度ピクセルを用いてカテゴリプロトタイプを構築し、対照学習によってクラス内一貫性とクラス間識別性を高めることで、境界領域および細部領域の分割効果を向上させた。

ACDCおよびMSCMRsegデータセットにおける実験により、FW2SSは落書き教師条件下で先進的な性能を達成し、平均Diceはそれぞれ90.0%および88.2%に達し、複数の既存の弱教師あり医学画像分割手法を大きく上回った。本研究は医学画像アノテーションのコストを削減すると同時に分割精度を向上させ、弱教師あり医学画像解析と臨床知能支援に有効な技術的解決策を提供した。

論文リンク：Scribble consistency match and pixel-level prototype contrastive calibration for weakly supervised medical segmentation

コードリンク：https://github.com/han-yuexing/FW2SS

李子铭

私たちのチームは『Information Sciences』（インパクトファクター：6.8、中国科学院ランクII）に論文「A multi-task learning framework for integrated assessment in agricultural applications」を発表しました。本論文は上海大学コンピュータ工学・科学学院を筆頭機関とし。

果物と野菜の自動評価は、スマート農業、品質管理、サプライチェーン管理における重要なタスクである。従来の手作業による計量や目視検査には、時間がかかる、労働コストが高い、主観性が強いといった問題がある。また、既存の自動化手法の多くは単一タスクを対象としており、同一のフレームワーク内で多属性の統合評価を行うことは困難である。さらに、果物と野菜の多属性アノテーションを備えたデータセットも限られている。この問題を解決するため、本論文では農業応用に向けたマルチタスク深層学習フレームワークを提案し、単一のRGB画像から重量予測、主要表現型特徴分析、品質等級分類を同時に実行できるようにした。

具体的には、本論文では果物と野菜の統合評価データセットFruVegSet（FVS）を構築した。このデータセットはキュウリとバナナの2種類の農産物を含み、画像、重量、主要表現型特徴、品質等級などの多属性アノテーションを提供する。モデル設計では、ResNet18に基づく事前分類モジュールを用いて農産物のカテゴリを識別し、入力画像を対応するカテゴリ専用サブネットワークへルーティングする。その後、重量分岐と主要表現型分岐を通じてそれぞれタスク関連特徴を抽出し、特徴ピラミッドネットワークを導入して形態特徴表現を強化する。さらに、大カーネル注意融合モジュールとクロスアテンション機構を組み合わせることで、タスク間の情報相互作用を実現する。最終的に、重量予測、主要表現型特徴分析、品質等級分類を同時に行い、統合評価を完了する。実験結果により、提案フレームワークはキュウリとバナナのデータにおいて良好な統合評価性能を達成し、単一タスクモデルおよび代表的な農業品質分類モデルを上回ることが示された。

論文リンク：A multi-task learning framework for integrated assessment in agricultural applications

葛嘉浩

私たちのチームは『Information Sciences』（インパクトファクター：6.8、中国科学院QSCIランクII TOP）に論文「A Dual-Domain Detection Transformer for Fine-Grained Weed Detection in Complex Agricultural Scenes」を発表しました。本論文は上海大学コンピュータ工学・科学学院を筆頭機関とし。

雑草検出は、精密農業、スマート除草、スマート農地管理における重要な技術である。しかし、複雑な農業環境では、作物と雑草の外観が非常に類似していること、対象物の遮蔽が深刻であること、背景干渉が複雑であること、さらにスケール変化が大きいことなどの要因により、既存の検出手法では誤検出や見逃しが発生しやすく、実用上のニーズを満たすことが難しい。この問題を解決するため、本論文では、空間ドメインと周波数ドメインの情報を協調的にモデリングする二重ドメイン融合検出TransformerフレームワークFS-DETR（Frequency-Spatial Detection Transformer）を提案し、複雑な農業シーンにおける細粒度雑草対象の高精度検出を実現した。

具体的には、本論文では、マルチスケール空間特徴と周波数ドメインの高周波情報を融合する混合特徴融合モジュール（Hybrid Feature Fusion, HFF）を提案し、細粒度テクスチャ特徴とエッジ情報の表現能力を強化することで、雑草と作物の重なりや複雑な背景干渉による検出困難を効果的に緩和した。同時に、二重ドメイン注意機構（Dual Domain Attention Mechanism, DDAM）を設計し、周波数ドメイン注意と変形可能注意を適応的に融合することで、エンコード段階において空間構造情報と周波数ドメインのテクスチャ情報を十分に活用し、複雑な農業環境における特徴抽出能力と対象識別能力を向上させた。さらに、ガウス分布に基づく制約誘導型ラベル割り当てモジュール（Gaussian Distribution-based and Constraint-guided Label Assignment, GCLA）を構築し、雑草と作物対象のラベルマッチング過程を最適化することで、学習段階における教師信号の品質と検出精度を向上させた。

WeedCrop、LincolnBeet、MH-Weed16の3つの公開農業雑草データセットにおける実験結果により、FS-DETRは優れた性能を達成した。具体的には、WeedCrop、LincolnBeet、MH-Weed16データセットにおいて、それぞれ47.2%、60.4%、32.5%のAPを達成し、ベースラインモデルと比較してそれぞれ1.4%、1.0%、0.6%向上した。さらに、小型雑草対象の検出タスクにおいて、FS-DETRは現在の次善手法をそれぞれ1.2%および0.2%上回り、優れた細粒度対象検出能力と複雑シーンに対する頑健性を示した。これにより、スマート農業における精密雑草管理に新たな技術的解決策を提供した。

論文リンク：A Dual-Domain Detection Transformer for Fine-Grained Weed Detection in Complex Agricultural Scenes

コードリンク：https://github.com/YanSun-github/FS-DETR

沈新宇

私たちのチームは『Expert Systems with Applications』（インパクトファクター：7.5、中国科学院ランクI）に論文「PDDNet: An End-to-End Object Detection Framework for Real-World Plant Leaf Disease Diagnosis」を発表しました。本論文は上海大学コンピュータ工学・科学学院を筆頭機関とし。

植物葉の病害検出は、スマート農業、精密植物保護、作物健康管理における重要なタスクである。しかし、実際の農業シーンでは、葉の病斑は複雑な自然背景、多尺度の病害領域、照明変化、さらに異なる病害カテゴリ間の微細な視覚的差異などの影響を受けることが多い。そのため、既存の検出手法は、位置特定精度、分類の頑健性、シーン間の汎化能力において依然として課題に直面している。この問題を解決するため、本論文では、エンドツーエンドの植物葉病害検出フレームワークPDDNetを提案した。PDDNetは、カスケード型エンコーダ・デコーダ構造を通じて局所的な病斑の詳細情報と大域的なコンテキスト情報を融合し、実環境における病害検出性能を向上させる。

具体的には、空間注意とチャネル注意の協調的モデリングにより、異なるスケールの病斑領域に対する特徴表現能力を強化する、強化注意に基づくマルチスケール集約モジュール（Enhanced Attention-based Multi-scale Aggregation, EAMA）を提案した。同時に、事前知識に基づく自己注意機構（Prior-guided Self-Attention, PGSA）を導入し、位置事前情報とIoUの幾何関係を注意計算に組み込むことで、モデルが病斑の境界と形態構造により効果的に注目できるようにした。さらに、本論文ではマルチタスク特徴分離モジュール（Multi-task Feature Decoupling Module, MFDM）を設計し、タスク固有の動的マスクによって分類特徴と位置特定特徴を分離することで、分類タスクと回帰タスク間の競合を緩和した。PlantDocやTomato Leaf Diseaseなどの実環境データセットにおける実験結果により、PDDNetは複雑背景、多尺度病斑、細粒度カテゴリ認識タスクにおいて良好な検出性能を達成し、精密農業における自動病害診断に信頼性の高い技術的支援を提供することが示された。

論文リンク：PDDNet: An End-to-End Object Detection Framework for Real-World Plant Leaf Disease Diagnosis

马唯一