教學設(shè)備

  近日，以云南大學軟件學院為第一完成單位的5項研究成果獲人工智能領(lǐng)域國際高水平會議/期刊錄用。其中，2項圖神經(jīng)網(wǎng)絡(luò)領(lǐng)域研究成果被A類國際學術(shù)會議AAAI’2025和IJCAI’2025錄用，3項圖像處理領(lǐng)域研究成果被中科院1區(qū)TOP國際期刊Information Fusion、Expert Systems With Applications以及Engineering Applications of Artificial Intelligence錄用，體現(xiàn)了學院在圖神經(jīng)網(wǎng)絡(luò)、圖像處理前沿領(lǐng)域的科研實力和應用潛力。成果簡要情況如下。

一、圖神經(jīng)網(wǎng)絡(luò)領(lǐng)域成果

與卷積神經(jīng)網(wǎng)絡(luò)（CNN）和自注意力網(wǎng)絡(luò)的基礎(chǔ)地位（TRANSFORMER）相似，圖神經(jīng)網(wǎng)絡(luò)（GNN）是當前人工智能領(lǐng)域最重要的基礎(chǔ)網(wǎng)絡(luò)之一，針對處理網(wǎng)絡(luò)結(jié)構(gòu)的數(shù)據(jù)，廣泛應用在知識圖譜、大數(shù)據(jù)分析、社交推薦、藥物預測、蛋白質(zhì)分析、大語言模型等重要下游應用領(lǐng)域中，并取得了諸多里程碑式成果。此次兩項成果NoiseHGNN和GCTAM，針對實現(xiàn)世界圖數(shù)據(jù)中可能存在的噪聲和異常進行了建模研究，提出了新穎的處理識別方法，能夠有效排除圖數(shù)據(jù)中的噪聲和發(fā)現(xiàn)圖節(jié)點的異常，為知識圖譜構(gòu)建、社交推薦、大數(shù)據(jù)分析等下游任務(wù)，提供了很好的基礎(chǔ)模型支持。

NoiseHGNN: Synthesized Similarity Graph-Based Neural Network For Noised Heterogeneous Graph Representation Learning

現(xiàn)實的圖（Graph）網(wǎng)絡(luò)數(shù)據(jù)環(huán)境本質(zhì)上存在噪聲（例如鏈接和結(jié)構(gòu)錯誤），這不可避免地會影響圖表示和下游學習任務(wù)的效果�，F(xiàn)有的噪聲圖神經(jīng)網(wǎng)絡(luò)僅適用于同構(gòu)圖，難以擴展至更為復雜和常見的異構(gòu)圖場景中。為此，本項研究提出了一種新穎的基于相似度合成的圖神經(jīng)網(wǎng)絡(luò)方法，能夠適應含噪的異構(gòu)圖學習任務(wù)。具體而言，利用節(jié)點的原始特征，構(gòu)建了一個基于相似度的高階圖；引入一個相似度感知編碼器進行圖表征；采用同步監(jiān)督學習和結(jié)構(gòu)對比學習來優(yōu)化模型。在多個真實世界數(shù)據(jù)集上的廣泛實驗表明，該方法在含噪異構(gòu)圖學習任務(wù)中達到了最新的先進水平。在多個圖噪聲數(shù)據(jù)集上，相比此前的SOTA方法，本方法提升了5%到6%的準確率。

GCTAM: Global and Contextual Combined Truncated Affinity Maximization Model For Unsupervised Graph Anomaly Detection

現(xiàn)有基于局部親和力的圖異常檢測方法，通過使用固定閾值來截斷可疑節(jié)點，這種方法不可避免地導致正常和異常節(jié)點之間的無效截斷，限制了異常檢測的有效性。針對這一問題，本研究提出了一種結(jié)合上下文親和度與全局親和度的新型截斷模型，用于更精準地識別異常節(jié)點。其核心思想是利用上下文截斷來降低異常節(jié)點的親和力，而全局截斷則增加正常節(jié)點的親和力。在真實數(shù)據(jù)集上的大量實驗表明，該方法在大多數(shù)圖異常檢測任務(wù)中優(yōu)于同類方法。尤其是在兩個著名的真實數(shù)據(jù)集（Amazon 和 YelpChi）中，相比之前最先進的方法，本方法在AUROC上提高了15%到20%。

二、圖像處理領(lǐng)域成果

計算機視覺作為人工智能的重要分支，在安防監(jiān)控、自動駕駛、醫(yī)療影像分析、工業(yè)檢測、遙感測繪等眾多下游應用領(lǐng)域發(fā)揮著關(guān)鍵作用，并取得了令人矚目的成績。云南大學軟件學院的3項圖像處理研究成果，分別針對遙感圖像的融合、超分及彩色化任務(wù)，以及全切片病理圖像分類任務(wù)中的關(guān)鍵問題提出了創(chuàng)新方法，為相關(guān)應用的發(fā)展提供了有力支持。

A pan-sharpening model using dual-branch attention-guided diffusion networks

盡管大多數(shù)當前的全色銳化方法在提取單一模態(tài)圖像特征方面表現(xiàn)出色，但在捕捉跨模態(tài)圖像的全局聯(lián)合分布方面存在局限性。為了解決這一問題，本研究提出了一種新穎的全色銳化模型——雙分支注意力引導擴散網(wǎng)絡(luò)。該模型引入了擴散模型，能夠有效地重建圖像的潛在分布。擴散分支在去噪過程中捕捉全色（PAN）和多光譜（MS）圖像的全局聯(lián)合特征，構(gòu)建高分辨率多光譜（HRMS）圖像的跨模態(tài)分布。同時，注意力引導分支通過多尺度卷積密集連接模塊和改進的注意力機制，增強PAN和MS圖像的高頻細節(jié)和局部特征。在WorldViewII、QuickBird和Maryland數(shù)據(jù)集上的實驗結(jié)果證實了該研究在性能上優(yōu)于現(xiàn)有的先進方法。

SR_ColorNet: Multi-path attention aggregated and mask enhanced network for the super resolution and colorization of panchromatic image

現(xiàn)有研究中，當僅輸入全色圖像時，獲取高空間分辨率彩色圖像面臨嚴峻挑戰(zhàn)：圖像超分辨率（SR）模型可提升空間分辨率但無法改善光譜分辨率，圖像著色模型可增強光譜分辨率卻無法提升空間分辨率。本研究創(chuàng)新性地將全色圖像的空間分辨率恢復和光譜恢復集成于同一模型中同步完成，提出一種基于Transformer與卷積神經(jīng)網(wǎng)絡(luò)協(xié)同架構(gòu)的多路徑網(wǎng)絡(luò)（SR_ColorNet），用于全色圖像分辨率恢復。采用多路徑特征提取，并設(shè)計超分辨率Transformer模塊專注于空間信息恢復；ECA通道混合模塊（ECMB）實現(xiàn)重要特征信息的保留與傳遞；并在最后的特征重建階段設(shè)計了掩碼特征增強模塊（MFE）強化特征表達能力。實驗表明，SR_ColorNet在遙感圖像的分辨率恢復任務(wù)中均展現(xiàn)出優(yōu)越性能，其客觀指標與視覺質(zhì)量顯著優(yōu)于SOTA方法。

Pseudo-label attention-based multiple instance learning for whole slide image classification

全切片病理圖像（WSI）因其在病理診斷中的重要作用而備受關(guān)注。然而，WSI的超高分辨率和弱監(jiān)督標簽形式讓深度學習模型在處理時面臨諸多難題，包括關(guān)鍵病灶區(qū)域難以聚焦、背景噪聲干擾嚴重以及正負樣本數(shù)量不均衡等問題。盡管多實例學習（MIL）方法已被廣泛應用于這一領(lǐng)域，但現(xiàn)有方法在面對復雜病理圖像時仍存在顯著局限。為了解決這些挑戰(zhàn)，研究團隊提出了一種全新的偽標簽注意力多實例學習方法（Pseudo-label Attention-based Multiple Instance Learning, PAMIL）。PAMIL 通過整合偽標簽生成機制和實例注意力策略，以動態(tài)加權(quán)的方式增強模型對關(guān)鍵病灶區(qū)域的聚焦能力，從而顯著提升圖像分類的整體性能。具體來說，該方法以全視野圖像為輸入，將其切片成多個圖像塊，通過自監(jiān)督預訓練的特征提取模塊生成初始特征，并利用偽標簽生成模塊篩選出具有代表性的正負樣本實例。隨后，實例注意力機制通過構(gòu)建注意力矩陣對樣本進行加權(quán)，突出高權(quán)重區(qū)域并抑制背景噪聲，最終通過微調(diào)策略進一步增強模型的泛化能力。

AAAI和IJCAI是人工智能領(lǐng)域歷史最悠久、內(nèi)容覆蓋最廣、學術(shù)認可度最高的國際頂級會議之一，是中國計算機學會（CCF）推薦的A類國際學術(shù)會議。Information Fusion Expert Systems With Applications以及Engineering Applications of Artificial Intelligence均為中科院1區(qū)TOP期刊。

軟件學院將繼續(xù)深化圖智能技術(shù)和神經(jīng)網(wǎng)絡(luò)架構(gòu)與地方經(jīng)濟社會發(fā)展之間的融合應用，通過加強與科研院所、產(chǎn)業(yè)機構(gòu)的協(xié)同創(chuàng)新機制，努力將圖神經(jīng)網(wǎng)絡(luò)、圖異常檢測、圖像處理等領(lǐng)域關(guān)鍵技術(shù)應用于數(shù)字邊疆治理、綠色能源管理、智慧農(nóng)業(yè)與公共安全等重點場景，助力打造面向東南亞輻射中心的智能計算科研高地，為云南和區(qū)域科技發(fā)展注入持續(xù)動能。

來源：云南大學軟件學院