胡干，男，本科与硕士均就读于安徽理工大学计算机相关专业，现在是上海大学计算机学院2022级博士研究生。性格较为内向，话不多，熟了之后也会很沙雕~ 爱好是乒乓球与跑步~平常有空会跟朋友一起玩玩大乱斗（不过因为没钱买皮肤，经常因为使用换肤器被封）~ 希望在上大这个新的平台有新的收获，认识更多有趣的人，不断的提升自己~最后，顺利毕业！！！
王慧，本科就读于延边大学工学院计算机科学与技术专业，现于上海大学计算机科学与技术专业就读硕士。性格开朗大方、热爱生活、乐于反思和总结。空闲时喜欢放空自己，自由安排闲暇时光。进入上海大学读研后希望能在研究生生活中提升自己的专业能力，不断成长，一步一个脚印走好自己的每步路。
张一琳，女，本科就读于黑龙江科技大学计算机与信息工程学院软件工程专业，现在是上海大学电子信息硕士研究生。性格开朗，积极乐观，待人真诚，有责任心。业余时间喜欢看书、听音乐、看电影等。希望在这段新的旅程里，可以努力成为更好的自己。
赵宸，男，本科就读于南京林业大学软件工程（嵌入式培养）专业，现在是上海大学电子信息专业硕士研究生。性格外向，善于沟通交流，有一定的组织能力。对于事情有一种不服输的精神，觉得困难都会被攻克，只要愿意花费时间精力。平时生活中也不是一个沉闷的人，喜欢在户外散心换换心情，会让生活有不一样的体验。关于兴趣爱好，喜欢看电影，听音乐，旅游。研究生生活是新的征程，我对未来充满希望，也希望与大家一路同行。
阮礼恒，本科就读于上海大学计算机学院计算机科学与技术系，毕业后继续在计算机学院计算机科学与技术专业攻读硕士研究生，师从韩越兴老师。喜欢看书、看电影，会下围棋，早上和下午喜欢能有一杯好喝的咖啡。余生不过两万天，希望能在这每一天过的快乐，不断挑战并提升自我。
包胜奇同学本科毕业于上海大学计算机科学与技术专业，现在继续在上海大学计算机学院进行研究生阶段的学习。他为人和善，性格开朗，善于与人沟通，敢于面对各种挑战，有较强的自我管理能力。希望在新的人生阶段中，持续学习，收获知识，不断向前迈进。
凌晨帆，男，本科毕业于武汉生物工程学院计算机科学与技术专业，现在是上海大学计算机科学与技术专业硕士生。性格开朗活泼、热爱生活，在业余时间喜欢打游戏，跑步，面对问题敢于思考，不轻易放弃。进入上海大学读研后希望能够培养良好的学术素养，提高专业能力，也希望能和大家相处融洽，一起进步！
魏惠姗，本科毕业于安徽理工大学，2019年来到上海大学计算机工程与科学学院攻读学术型硕士研究生，师从韩越兴老师，主要研究方向为材料图像分割。在韩老师三年的指导下，完成以下研究：
-
针对材料图像的小样本和纹理复杂问题，提出了基于图卷积与深度学习的材料图像分割方法。该方法利用残差连接和多尺度融合模块丰富特征图的信息，利用基于图卷积的双重注意力机制增加关键特征的关注，添加反卷积部分的卷积层提高网络的非线性表达能力。
-
针对小样本数据集上卷积层过多容易丢失特征的问题，以 UNet 为骨干网络设计了一种基于跳跃连接的图注意力模块。该方法结合了卷积神经网络的思想将图卷积和图注意力层连接起来，致力从图结构的角度融合多种维度的节点特征，在加深加深网络深度的同时，减少像素级信息和空间信息的损失，以达到提高网络分割性能的目的。
-
实现了图卷积技术跨领域应用于语义分割任务，提出了将特征图转换为图结构的图编码器和图解码器，使卷积过程中的特征图可以结合自身维度转变为相应节点数的图结构，有利于促进图卷积神经网络应用于语义分割任务中。
毕业后魏惠姗同学进入上汽集团零束软件分公司工作。三年的研究生生活让自己开拓了眼界，接触到了极具魅力的计算机视觉领域，见识了深度学习在各个专业尤其是图像处理方面的应用，结识了许多良师益友。希望在未来不断进步，不负此行。
论文链接：基于图卷积神经网络的材料图像分割研究
我们团队在国际期刊《Scientific Report》（IF：4.996）上在线发表论文”Center-environment feature models for materials image segmentation based on machine learning”。该论文上海大学计算机工程与科学学院为第一单位，韩越兴副教授为第一作者及通讯作者。此工作还得到了陈侨川老师、王冰老师和刘轶老师的大力支持，李睿祺、杨珅做了大量工作。
材料的性能不仅取决于它们的成分，而且还取决于它们在各种加工条件下的微观结构。到目前为止，对复杂的微观结构图像的分析主要依靠人类的经验，缺乏自动定量的表征方法。机器学习提供了一个新兴的重要工具，以智能方式识别各种复杂的材料相。在这项工作中，我们提出了一个 “中心环境分割”（CES）特征模型，用于图像分割，该模型基于机器学习方法使用环境特征和领域知识的标注进行分割。CES模型引入了邻域信息作为给定像素的特征，反映了所研究的像素和其周围环境之间的关系。然后，采用迭代的集成机器学习方法来训练和纠正图像分割模型。CES模型被成功地应用于包括钢铁、木材等七种具有复杂纹理的不同材料图像的分割。在对钢铁图像进行分割的研究中，CES方法在确定边界轮廓方面的总体表现优于许多传统方法。这项工作表明，领域知识和环境特征的迭代引入可以提高对各种复杂材料微结构图像分割的准确性。
论文链接：Center-environment feature models for materials image segmentation based on machine learning
张宏坤，本科毕业于内蒙古农业大学，于2019年来到上海大学计算机工程与科学学院攻读学术型硕士研究生，开学之后进入韩越兴研究组进行材料图像处理方面的研究，在韩老师三年的悉心指导下，完成了以下研究：
-
面对不同组织分布不均、重叠交错的复杂材料图像，设计研究了基于复杂网络理论方法对特征信息处理方法。该方法使用复杂网络中的社区结构描述材料中的不同组织，以网络构建过程中的 R 和 T 阈值加速网络拓扑的动态演化过程，提出了 RT-模块度对网络拓扑进行评价，完成图像处理。通过在陶瓷和钢铁等图片上进行分割实验，验证了本方法的有效性。
-
面对具有多种特征的复杂纹理图片，提出了一套基于传统图像处理技术的特征信息处理方法。该方法利用材料图像的特点，设计了相应的特征信息处理算法，利用提取到的形状特征对纹理特征的处理进行加速，大大降低了处理时间。通过在具有不规整形状和复杂纹理的薄膜图案上进行实验，验证了本方法的有效性。
-
为了进一步提升处理速度，降低计算资源消耗，设计并提出了基于深度学习的特征信息处理方法。该方法将轻量级网络模型应用于纹理防伪研究中，通过协调注意力机制的引入和损失函数的设计，使得算法识别准确率得到保证。相比于其他利用深度学习进行纹理防伪的研究工作，该方法不仅降低了资源消耗，并且还在大量具有复杂纹理的材料图像数据库上进行了验证，证明了方法的有效性。
毕业后张宏坤同学进入AMD公司从事软件开发相关工作。张宏坤同学在上海大学三年的研究生生涯中努力学习，不断增强自己的专业知识和研究汇报能力，为人热情结识了许多良师益友。希望张宏坤同学在未来的道路上能够不忘初心，牢记使命，披荆斩棘，砥砺前行。
论文链接：面向复杂材料图像的特征信息处理方法研究
杨珅，本科毕业于安徽中医药大学，2019级计算机应用技术硕士。师从韩越兴老师，主要研究材料图像分割课题。经过三年的努力，杨珅同学提出了面向复杂纹理的材料微观结构分割与识别的分割方法，为解决材料图像中小样本、数据分布不平衡和纹理复杂的纹理做出一些贡献，为材料基因数据库的构建添砖加瓦。毕业后杨珅同学将进入中兴通讯股份有限公司从事无线产品开发工作。此外，杨珅同学课外爱读书和写作，积极参加社团活动，结识一群有趣且优秀老师和同学。三年的研究生生活就像爬山，哭过、笑过、累过，但最终登上顶峰，看到属于自己的那份独特风景，希望在未来的人生中永远热忱，勇敢无畏的奔向前方！
研究生期间工作
为了解决材料图像中存在的小样本、数据分布不平衡和纹理复杂的问题，结合多种深度学习技术自动化地分割材料图像中的微观结构，为材料基因数据库的构建提供数据基础。
-
针对材料图像分割中存在的小样本问题，提出基于深度学习和超像素的材料图像分割方法，抓住材料图像同相的像素高度相似的特性，利用超像素算法获取矩形块，解决了材料图像的小样本问题提出的改进的 DenseNet 通过施加特征增强模块保留纹理特征，去除冗余特征的干扰，设计的过渡层上采样方法，较好的恢复特征图信息。
-
针对材料图像中数据分布不平衡的问题，使用并改进两种损失函数，针对分类任务中数据分布不平衡问题，基于 Focal 损失提出 Precison Foca 损失，将置信度替换为精度，更准确的反映样本分类的难度，并反馈给网络，优化训练过程；针对分割任务中的数据分布不平衡的问题，基于 Dice 损失提出 CE-Dice 损失，CE-Dice 损失结合交叉熵损失和 Dice 损失，训练过程更平滑，优化分割结果。
-
实现了具有复杂纹理的材料图像的精确分割，第三章提出的改进的DenseNe,保留关键纹理特征，去除冗余特征对矩形块识别的干扰；第四章提出改进的 FCN，实现纹理相似的材料图像精确分割，级联的特征融合模块融合高层与低层语义特征，多尺度学习模块深度挖掘细粒度信息和全局上下文信息，采用注意力机制模块关注重要的特征图，优化资源配置，三种模块互为补充。
王驭涛同学性格活泼开朗，思维活跃，具有很好的亲和力，善于与人沟通交流，而且面对困难，自强不息，勇于直面，业余爱好书法和旅游。在上海大学学习的四年中，不仅拓宽了知识的广度和深度，也给王驭涛同学留下了很多美好回忆，也希望王驭涛同学砥砺前行，开创辉煌。
孙家瑞同学充满好奇心，愿意积极了解新知识，并动手实践。通过学院组织的宣讲活动了解到韩老师的研究方向，主动加入到老师的本科生团队，从中收获良多，对日后的学习工作都有着长久的帮助。
阮礼恒同学待人友善，稳重沉着，遇到困难时敢于克服。业余时间里喜欢游泳，爱好咖啡，乐于阅读。他将继续在上海大学计算机科学与技术专业攻读硕士研究生，师从韩越兴老师，希望阮礼恒同学在接下来的研究生生活中百尺竿头更进一步。
陈思文，女，本科就读于上海大学计算机科学与技术专业。在毕业设计期间，得到了韩越兴老师的许多帮助，和材料学院合作进行软件开发。我在团队中，能够积极配合团队成员，进行及时有效的沟通，有团队精神；在项目中，思维清晰，抗压能力较强，愿意学习新事物，注重理论和实践的结合；在生活中，有责任心与自我管理意识，待人真诚。关于兴趣爱好，我喜欢看电影、打游戏、拼模型。大学四年，虽然突如其来的疫情让我将近一半的校园生活在家中度过，但我依旧很珍惜大学时光。在本科期间的校园生活中，不仅收获了知识，还与同学们结下了深厚的情谊。在最后的毕业设计期间，能够加入韩老师的小组，在韩老师和材料学院的帮助下，进行自我学习和提升，让我感到十分荣幸。
孙懿祺同学做事认真负责，兴趣爱好广泛，喜爱阅读和音乐剧。在上海大学四年的学习生涯中，不仅获得了许多专业方面的知识，还积极参与学生组织活动，收获了许多挚友。希望孙懿祺同学能在未来能够继续努力，不断提升自己的专业素养，超越自我！
我们团队在中文核心期刊《计算机应用研究》上在线发表论文“应用于材料图像分割的UNet”。该论文上海大学计算机工程与科学学院为第一单位，魏惠姗为第一作者，韩越兴副教授为通讯作者。此工作还得到了组内陈侨川老师等的指导。
材料图像的微观结构通常有形状各异、纹理复杂和边界模糊等特点，限制了深度学习方法在材料图像处理领域的发展。本研究提出了Graph-UNet，融合UNet和图卷积神经网络来解决小样本材料图像自动分割的挑战，将卷积神经网络的多维特征融合和跳跃连接的思想迁移到图卷积神经网络中实现图卷积和图注意力的有效结合，并且建立了一个通用的模块实现特征图和图结构相互转换。在材料图像数据集上进行了对比和消融实验，证明Graph-UNet的分割结果优于很多先进方法，准确的识别了多种材料结构，推动了探究材料结构和性能关系的发展。
论文链接：应用于材料图像分割的Graph-UNet
我们团队在核心期刊《上海大学学报（自然科学版）》上发表论文“基于轻量级网络的防伪标签检测算法”。该论文以上海大学计算机工程与科学学院为第一单位，硕士生张宏坤为第一作者，韩越兴老师为通讯作者，此工作还得到了陈侨川老师、巫金波老师的大力支持。
近年来，伪造盗版产品带来的经济损失逐年增加，伪造技术不断提升，防伪检测问题受到了研究人员的广泛关注。为了解决现有防伪检测方法的计算量大，资源占用高，检测耗时较长等问题，本工作提出了一种基于轻量级网络的防伪标签识别检测模型。模型采用更为轻量的卷积神经网络（convolutional neural networks, CNN）来进行形状和纹理识别。在形状识别任务中降低池化层大小以增强模型学习能力，在纹理分类任务中使用协调注意力（coordinate attention, CA）模块增强模型的对单一特征图的信息获取，通过设计损失函数增强模型对真伪样本识别能力，最后通过特征向量最大值得到预测结果。实验结果表明，所提方法整体识别检测准确率可达到95.67%，检测时间相较于传统方法有明显提升。
我们团队在国际期刊《Displays》（IF：2.167）上在线发表论文“Facial Expression Recognition in Facial Occlusion Scenarios: A Path Selection Multinetwork”。该论文上海大学计算机工程与科学学院为第一单位，阮礼恒为第一作者，韩越兴副教授为第二作者和通讯作者。
在疫情仍然持续的今天，佩戴口罩出行已成为一种常态，口罩会遮挡面部五官中的鼻子和嘴部。此外，常见的面部遮挡场景包括戴墨镜、戴帽子、物体阴影等。面部的遮挡为表情识别带来一定困难。本文基于三种常见的面部遮挡场景，即上半面部、下半面部和眼部遮挡，提出了一种路径选择式的多网络结构。该方法包含两个部分：第一部分是多网络结构，本文将原数据集以标签为单位分为三份，称为子数据集，每个子数据集继承原数据集中的部分标签，由子数据集分别训练三个子网络；第二部分是一种路径选择式的多网络集成方法，将子数据集中各自包含的图像视为同一标签，放入新的数据集中，用于训练初始网络，根据初始网络所输出的预测结果选择子网络的其中之一输出最终预测结果。本文将Fer2013、Jaffe、KDEF和RAF-DB四个常用的公开表情数据集合并为一个更大的数据集，增加训练样本数量，进行模拟遮挡处理。实验结果表明，本文方法可以有效识别出有遮挡的面部表情，并且适用于大多数可能存在的面部遮挡场景，这使得表情识别的可以更准确、可靠地应用于更多场景。
论文链接：https://doi.org/10.1016/j.displa.2022.102245
项目链接：https://github.com/han-yuexing/A-Path-Selection-Multinetwork
我们团队在核心期刊《上海大学学报（自然科学版）》上发表论文“基于数字图像处理技术的热障涂层形貌特征识别方法”。该论文以上海大学计算机工程与科学学院为第一单位，硕士生刘宇虹为第一作者，韩越兴老师为通讯作者，此工作还得到了曾毅老师、汪语嫣的大力支持。
针对人工检测热障涂层形貌特征所具有的繁复性、误差大等缺点, 提出一种利用机器视觉自动化识别热障涂层形貌特征并计算形貌特征参数的方法。完成了基于数学形态学的片层轮廓自动提取及铺展形貌参数的计算, 用最大类间方差法求取二值分割阈值, 运用均值滤波和形态学操作为图片去噪并保证单个片层的连通性, 通过轮廓提取来获得片层边缘信息, 最后根据所提取出的轮廓计算片层的实度参数。 同时, 进一步完成了基于遍历搜索的热障涂层中裂纹的自动识别及长度计算。首先, 识别出图像中的片层并去除, 运用闭运算完成断裂裂纹的修复, 通过图像细化得到裂纹骨架; 然后, 遍历搜索每条裂纹, 完成长度计算。结果表明, 采用所提出方法检测片层轮廓和识别裂纹的效果良好, 具有较好的抗噪声干扰能力, 可以精确计算出形貌特征参数, 对研究热喷涂熔滴在基材表面的沉积行为有重要的推动作用。
论文链接：https://www.journal.shu.edu.cn/CN/10.12066/j.issn.1007-2861.2371
我们团队在国际期刊《Computational Materials Science》（IF：3.3000）上在线发表论文“Recognition and segmentation of complex texture images based on superpixel algorithm and deep learning”。该论文上海大学计算机工程与科学学院为第一单位，韩越兴副教授为第一作者，组内陈侨川老师为通讯作者，杨珅做了大量工作。
材料图像通常缺乏足够数量的训练样本，这阻碍机器学习技术和深度学习技术在材料图像中的应用，本研究抓住材料图像的一个重要特性——同相的像素具有高度的相似性，提出了一种基于超像素和深度学习的材料图像微观结构识别与分割方法，该方法分为三个步骤：首先获取矩形块，即采用经典的超像素算法——SLIC算法获得不同数量的超像素，然后提取每个超像素中最大的内接矩形块。然后识别矩形块，具体是将这些矩形块放入卷积神经网络（CNN）中，本文选择并改进DenseNet作为主干网络对其进行识别，此外，由于材料图像中的相存在分布不均匀与某些相难以区分的问题，本文选择并改进Focal loss以适应材料图像。最后预测输出整张图像每个像素点的类别，在训练结束后，使用一个步长为1大小为l*l(l为奇数)滑动窗口在大小为n*n整张图像上滑动，获取n*n个矩形块，模型预测这些矩形块的类别，表示每个矩形块中间的像素点的类别，连接同类别的像素，即可实现对材料图像微观结构识别与分割的任务。
论文链接：https://doi.org/10.1016/j.commatsci.2022.111398
论文链接：https://www.sciencedirect.com/science/article/pii/S0927025622001690?dgcid=coauthor
我们团队在国际期刊《Journal of Microscopy》(IF:1.758,中科院4区)上在线发表论文“Automatic detection of Kikuchi bands based on Radon transform and PPHT”。该论文上海大学计算机工程与科学学院为第一单位，韩越兴副教授为第一作者和通讯作者，李睿祺、曾毅、刘梦炀做了大量的工作。
晶体的结构和取向信息可以通过分析EBSD（电子背散射衍射）花样来获取，这些图案是通过EBSD设备获得的。所得信息的可靠性和准确性取决于EBSD花样条带和交点的定位。在这项研究中，我们提出了一种方法来自动获得EBSD花样（菊池带）和交点的位置。该方法使用Radon变换和累计概率概率霍夫变换来分别检测菊池带边缘的直线和线段。然后，菊池带可以用线段的端点拟合双曲线获得。这些结果可以量化地描述菊池带的信息。实验结果表明，该方法是鲁棒的，并可以检测出更多准确的菊池带和交点。