本网消息（图/文 冉珂睿）6月11日，计算机学院开展了“启明星”讲坛第十三期的讲座，于十教10305顺利召开，由张洪，张丁天，郑爽，周昊天和朱彤五位同学主讲。
朱家彤同学分享了高光谱图像分类与分割的最新应用研究。他介绍了2015年Hu等人首次将一维卷积神经网络（1D-CNN）应用于高光谱图像分类，超越了传统机器学习方法。随后，Makantasis等人采用二维卷积神经网络（2D-CNN）进行分类，将高光谱数据的光谱维度视作二维卷积操作的特征图。Chen等人系统比较了1D-CNN、2D-CNN和三维卷积神经网络（3D-CNN）的特点，并提出了关于CNN结构设计的建议。此外，Zhong等人提出了空谱残差网络，提高了分类精度。朱家彤指出，传统CNN模型难以充分捕捉高光谱图像中的丰富信息，需设计更适合的网络结构引入空间信息和上下文建模，以提升分割效果。还介绍了图神经网络（GCN）在高光谱图像分类中的应用。2017年，Bruna等人将卷积操作引入图神经网络领域，Kipf等人提出了GCN，成为该领域的里程碑。之后，Velickovic等人将注意力机制引入，提出了图注意力网络（GAT）。2022年，Zhang将超像素分割技术与图注意力网络结合，应用于高光谱遥感图像分类，取得了显著提升。
周浩天同学探讨了异常检测的无监督TinyML方法，介绍了自编码器、LSTM在时间序列异常检测中的应用，以及去噪自动编码器和注意力机制的创新应用。这些方法在保留有效信息的同时，有效抑制噪声，提高了异常检测的准确性和鲁棒性。
张丁天同学讲解了图论的基本概念、集控制和罗马控制的定义与应用。图论在控制和优化问题中的重要性通过这些内容得以展示，为相关领域提供了坚实的理论基础。
张洪同学介绍了基于键合图和卷积神经网络的混合故障诊断方法。键合图结合了不同物理领域的系统，以能量守恒为基础，解决了复杂系统的建模挑战。通过结合线性分式变换（LFT）和卷积神经网络，该方法能够早期检测和隔离系统故障。
郑爽同学探讨了在嵌入式系统上实现CNN的方法，分析了《Methodology for CNN Implementation in FPGA-Based Embedded Systems》中的内容。该方法旨在提高设计的可重用性和资源利用率，同时保持高性能和灵活性，为CNN在FPGA上的实现提供了有效路径。
同学们在讲座后踊跃提问，进行了深入的交流和讨论。整个活动气氛热烈，为学术交流提供了宝贵的平台。
（编辑 饶涛 责编 王进 ）
