讲座名称：SLAM技术在自动驾驶中的应用（1）、对抗领域自适应方法及应用研究（2）
日期：2024年3月15日
地点：三亚学院书新4号楼4层会议室
主讲人：刘诚维（1）、陈祥龙（2）
为了促进老师同学们之间的学术交流，营造良好的学习氛围，信息与智能工程学院于2024年3月15日下午在书新4号楼4层会议室开展了学术交流分享会。
第一场分享会由刘诚维同学带来“SLAM技术在自动驾驶中的应用”为主题的学术学术报告。在这个数字化和智能化时代，自动驾驶技术日益成为人们关注的焦点，而在自动驾驶中实现精准的定位和建图是自动驾驶技术的关键，本次分享帮助大家更好地理解SLAM技术及其应用。
会议伊始，刘诚维同学同与会师生一同走进神奇的SLAM世界。他指出SLAM是一个过程，即在未知环境中同时估计自身位置和构建环境地图，是自动驾驶系统实现导航和感知的关键步骤之一。在自动驾驶中，SLAM技术扮演着重要的角色，它通过使用车载传感器如激光雷达、摄像头和惯性测量单元等来感知周围环境，并根据感知数据进行同时定位和建图。这样，自动驾驶车辆可以实时了解自身位置，并更新周围环境地图，从而做出准确的决策和路径规划。
接下来，刘诚维同学指出SLAM在自动驾驶领域的应用具体优势。首先，它可以实现车辆的精确定位，提供高精度的定位信息。这对于自动驾驶系统在复杂环境下的安全导航至关重要。其次，SLAM可以构建详细的环境地图，包括道路、交通标志、障碍物等。这有助于系统更好地理解周围环境，并做出适应性更强的决策。此外，SLAM技术还可以应对传感器误差和动态环境的变化，保持系统的稳定性。
随后，刘诚维同学重点介绍了目前SLAM在自动驾驶中的应用取得的显著的进展与挑战。首先，一些商业化的自动驾驶汽车已经采用了SLAM技术，实现了准确定位和环境感知。同时，研究人员也在不断改进SLAM算法，以提高定位精度和环境建图的质量。然而，SLAM在自动驾驶中的应用仍然面临一些挑战和问题。实时性是一个重要的因素，自动驾驶系统需要及时的感知和响应环境变化。因此，SLAM算法需要具备高效的计算能力和实时性能。此外，复杂的环境条件和大规模地图的处理也是挑战之一。
最后，刘诚维同学指出，随着技术的不断发展和研究的深入，SLAM在自动驾驶中的应用将会进一步提升自动驾驶系统的安全性和性能。未来的研究方向包括改进SLAM算法的实时性能，应对复杂的环境条件和大规模地图处理。同时，深度学习和机器学习等领域的进展也将为SLAM技术提供更多的创新和改进的机会。
第二场分享会由陈祥龙同学带来，主题为“基于非特定类别图像前景主体分割的深度学习算法研究”。在图像处理领域，设计了一种新型的图像前景主体分割算法，通过对Mobile-Unet网络架构进行创新性改造，结合SENet通道注意力机制，有效解决了传统方法在复杂场景、暗光条件及移动端应用中面临的诸多挑战。并在PASCAL VOC2012数据集上的实验证明了其在分割精度和处理速度方面的优越性，有望推动视频处理、自动驾驶和医学图像分析等行业的发展。针对传统基于规则的图像分割方法在复杂多样场景下性能欠佳，以及模型庞大、预测耗时长、不适应移动端应用的问题，模型采用了轻量级的Mobile-Unet网络。Mobile-Unet以MobileNet作为编码器部分的基础特征提取网络，通过深度可分离卷积大幅削减模型参数量，同时保留了高效率与良好的分割性能。为了应对暗光环境下前景分割边缘锯齿化现象，不仅在Mobile-Unet中融入了SENet通道注意力机制，还引入了图像锐化预处理步骤，强化主体特征，显著提升了分割准确度。
为方便实际应用，已将此算法成功工程化，采用Python语言开发，并利用PyInstaller工具将其打包为离线可执行文件。设计的个性化GUI界面支持用户进行单张或多张图像的快速分割操作，整个模型大小控制在100MB以内，占用内存小，操作便捷。未来计划利用更大规模的数据集进行深度训练，优化网络权重，以期进一步提升分割准确性和速度。同时，将继续改进特征提取算法，以精准分割更细微的前景对象。
设计的网络模型为图像前景主体分割开辟了新路径，其高效、精准的特点使之成为视频处理、自动驾驶、医学影像分析等领域的理想解决方案。随着算法在更多应用场景中的部署，有望加速相关行业的智能化进程，为实现更高精度、更快速度的图像理解与分析提供强有力的技术支撑。
这两场分享会不仅为信智学院的师生们提供了宝贵的学习机会，也促进了学术交流和合作。我们期待未来能有更多类似的学术活动，让我们共同探索计算机科学和人工智能领域的未来发展。