首页-->校园动态-->新闻动态

我院两篇论文被CCF A类会议IJCAI 2024录用

时间:2024-06-04 08:42:21 文章来源 :学科办 浏览量:56

国际人工智能联合会议(International Joint Conference on Artificial Intelligence,IJCAI)是人工智能领域顶级的国际学术会议之一,是中国计算机学会(CCF)推荐的A类会议。第一届IJCAI会议于1969年举办,33届IJCAI会议将于2024年8月3-9日在韩国济州岛举行。

IJCAI 2024论文录用结果于4月17日揭晓,2021级研究生刘舸昕在丁丹丹副教授的指导下,其研究成果《Encoding Auxiliary Information to Restore Compressed Point Cloud Geometry》被录用,2022级研究生张成龙在江兵兵副教授的指导下,其研究成果《Efficient Multi-view Unsupervised Feature Selection with Adaptive Structure Learning and Inference》被录用。

1

3

论文简介:

MPEG提出的基于几何的点云压缩方法(G-PCC)存在编码性能有限和重建质量低的问题。因此,旨在解决上述问题,本文提出了AuxGR用于点云几何重建。AuxGR利用辅助比特流来增强G-PCC压缩点云的几何质量,其中辅助比特流包含了点云时间和空间域的信息。具体地,对于静态编码,我们通过使用目标卷积在G-PCC解码帧上进行空间信息嵌入(PIE),从而产生包含丰富原始信息的辅助比特流。对于动态编码,使用时间信息嵌入(TIE)来捕获参考帧的和G-PCC解码帧之间的运动信息,TIE使用基于领域的注意力机制,为每个点捕获运动信息,准确构建了时间邻域。实验结果表明,AuxGR在静态和动态编码场景下明显优于现有方法,相比于静态G-PCC,在D1(D2)上获得了90.76%(83.62%)的增益,相比动态G-PCC获得了92.27%(88.80%)的增益,同时,AuxGR拥有最低的复杂度,符合点云领域的实际应用。

2

4

论文简介:

随着多视图数据的涌现,多视图无监督特征选择已成为一个重要的学习范式。然而,现有方法通常面临以下挑战:(i)传统方法要么将不同视图简单拼接,要么引入额外参数进行加权,影响了性能和适用性;(ii) 现有方法侧重于构建图来挖掘近邻信息,忽略了数据的聚类信息;(iii)从原始特征中学习所有样本的近邻结构容易收到噪声特征的干扰且极其耗时。针对上述问题,本文提出了一种高效的多视图无监督特征选择方法(EMUFS),设计了一种无需额外参数的方式来协同融合隶属度矩阵和近邻图,以学习跨视图的兼容结构信息,利用特征子空间中的近邻信息动态更新图结构。因此,锚点的聚类信息能够通过图结构准确传播到训练样本,并进一步指导特征选择,从而提高所选特征的质量并降低求解过程中的计算成本。(图/文 洪东招)