バオ・シェンチー、卒業おめでとう！

バオ・シェンチーは、上海大学で学士号を取得し、2022年から上海大学のコンピュータ工学と科学学院で学術型修士課程を開始しました。バオ・シェンチーは学部4年生の時から韓越興研究室に参加し、画像処理に関連する技術と応用を研究してきました。韓先生の丁寧な指導の下、以下の研究を継続し、発展させました：

1. 機能性材料画像に含まれる多階層特徴の複雑性に鑑みて、方解石PUF偽造防止ラベルの真贋を予測する課題を解決するために、単峰性特徴デカップリングに基づく軽量深層学習法を提案する。特徴デカップリング戦略は、巨視的特徴と微視的特徴の学習を独立した段階に分離し、特徴の異なる層間の干渉を低減する。高効率と低遅延の要求を満たすために、軽量な発散畳み込みネットワークが設計され、そのコアとなる発散畳み込みメカニズムが計算複雑度を大幅に低減する。同時に、クラス間距離を増加させ、クラス内差を減少させることで、特徴量の識別能力を高めるために、余分な角度境界損失関数を用いる。未知サンプルの効果的な棄却を達成するために、高次元多様体空間における測地線距離に基づいてサンプルの真偽を予測する測地線メトリックを提案する。

2. 機能性材料のマルチモーダルな異種データ特徴の融合が困難であるという問題に着目し、アルギン酸カルシウム/グラフェン複合材料の特性を予測するという課題を解決するために、マルチモーダル特徴融合に基づく軽量なディープラーニング手法を提案する。テーブル駆動型の特徴融合ネットワークを設計することにより、画像とテーブルという2つの異種データソースが効果的に統合される。このネットワークには2つのコアモジュールが含まれる：フォーム誘導型視覚的意味強調モジュールとゲート型特徴融合モジュールである。テーブル誘導型視覚的意味強調モジュールは、テーブル情報を用いて、深いクロスモーダルアライメントと強調のための視覚的特徴学習を誘導し、ゲーテッド特徴融合モジュールは、クロスアテンションとゲーティングメカニズムにより、効果的なモーダル間相互作用、アライメント、適応的重み付け融合を実行する。一方、計算効率を確保するために、ネットワークはシャント畳み込みやマンバなどの軽量設計を採用している。

バオ・シェンチーは、上海大学での3年間の大学院生活の中で、努力して学び、真剣に研究を行い、専門知識を高め、多くの良き友人やメンターに恵まれました。バオ・シェンチーが今後の道のりで初心を忘れず、使命を胸に刻み、困難を乗り越え、前進し続けることを願っています。

論文リンク：機能材料データの特徴処理と予測方法に関する研究