近日，由软件学院硕士研究生宁超（导师：干红平）以第一作者，完成的2篇高水平研究论文“Trap Attention: Monocular Depth Estimation With Manual Traps”和“Learning-based Padding: From Connectivity on Data Borders to Data Padding”分别被国际顶级学术会议CVPR（2023）和人工智能领域权威期刊EAAI在线发表。

CVPR（IEEE / CVF Computer Vision and Pattern Recognition Conference），即“国际计算机视觉与模式识别会议”，是由IEEE举办的计算机视觉和模式识别领域的顶级会议，在世界范围内每年召开一次，并被中国计算机学会（CCF）推荐为计算机学科领域A类国际会议。本届会议录用率为25.78%。

Engineering Applications of Artificial Intelligence (EAAI) 是由 Elsevier 出版，它的目标是促进人工智能在各种工程领域的应用和发展。该期刊涵盖了各种人工智能相关的主题，如机器学习、模式识别、优化算法、数据挖掘和专家系统等，以解决实际工程问题。EAAI 现为JCR分区Q1，中科院二区TOP期刊。

在“Trap Attention: Monocular Depth Estimation With Manual Traps”文章（CVPR）中，作者提出了一种基于陷阱注意力机制（TrapAttention, TA）的单目深度估计模型。在陷阱注意力机制中，TA通过筛选感受野中的像素的重要性从而控制像素的存活比例，并通过四种人工设计的陷阱对不重要的像素进行抹除。最终，在TA的基础上，作者建立了一个端到端的单目深度估计模型。实验结果表明，与其他最先进的方法相比，所提出的基于TA的网络模型不仅能达到最先进的效果，而且仅使用了35%的参数量。

论文链接：https://openaccess.thecvf.com/content/CVPR2023/html/Ning_Trap_Attention_Monocular_Depth_Estimation_With_Manual_Traps_CVPR_2023_paper.html

图1. 提出的单目深度估计模型主体架构

在“Learning-based padding: From connectivity on data borders to data padding”文章（EAAI）中，作者提出了两种基于学习的填充（Padding）方法Learning-based Padding byConvolution（LPC）和Learning-based Padding byAttention（LPA）。该方法以学习的方式将学习先验信息作为填充像素。该方法摆脱了固有的填充方法的单一性和局限性。

论文链接：https://www.sciencedirect.com/science/article/pii/S0952197623002324

图2.LPC框架

图3. LPA框架

宁超同学系我院教师干红平副教授指导的20级研究生。近年来，干红平老师主要力于智能信息处理方面的研究，主要研究方向包括：图像处理、计算机视觉、数据安全、无人机防控安全等方面。在相关领域以第一作者/通信作者在顶级期刊（如TIP、TGRS、TCYB、TCI）和顶级会议（如CVPR）取得了一系列创新性研究成果。

（审核：李晗 张龙）