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