时间：2025 年 9 月 27 日 星期六

地点：成都大学 2 教 2113 教室

报告人：周楠（老师）、师明山（同学）

周楠老师针对不平衡部分标签学习（IPLL）难题，分享《GBRIP: Granular Ball Representation for Imbalanced Partial Label Learning》。针对传统方法仅关注类间特征、忽视类内不平衡的问题，提出颗粒球表示框架（GBRIP）。GBRIP 融合粗粒度颗粒球表示（CGR）与多中心损失（MCL）：利用无监督 2NN 聚类划分特征空间，构建颗粒球图表征捕捉类间与类内不平衡信息；设计多中心损失函数增强样本与中心关联。实验表明，GBRIP 在 CIFAR10-LT、CIFAR100-LT 等数据集上表现出色，如 CIFAR10-LT（ψ=0.5、γ=200）场景下准确率达 83.97%，超 HTC 方法 6.26%；在真实数据集上也有 3%-5% 的准确率优势，为智能康复领域处理带噪声高维数据提供新思路。

师明山同学针对面部表情识别（FER）中遮挡干扰与数据集不平衡问题，解读论文《Rethinking Occlusion in FER: A Semantic-Aware Perspective and Go Beyond》，介绍语义感知抗遮挡网络（ORSANet）及首个遮挡专用数据集 Occlu-FER。ORSANet 通过多模态语义引导与特征融合实现技术突破：以语义分割图为密集语义先验、人脸关键点为稀疏几何先验，用空间语义引导模块（SSGM）修复遮挡特征，借多尺度交叉交互模块（MCM）融合双先验与图像特征，并通过动态对抗排斥增强损失（DARELoss）扩大相似表情决策边界。实验显示，该网络在 RAF-DB 数据集准确率达 92.28%，较 POSTER V2 提升 0.07%；30% 遮挡场景下仍保持 84.02% 准确率，性能下降幅度比基线少 2-3 个百分点。Occlu-FER 数据集涵盖 8 类表情，为遮挡 FER 研究提供重要基准，助力智能交互、心理评估等场景应用。

本次沙龙聚焦机器学习在不平衡标签与视觉遮挡场景的前沿突破，周楠老师分享的 GBRIP 为带噪声数据建模提供新视角，师明山同学分享的 ORSANet 则攻克 FER 实用化中的遮挡难题。二者均通过 “问题靶向设计 — 模块创新 — 实验验证” 的研究逻辑，为智能康复领域的多模态数据处理、人机交互情感感知等方向提供技术参考，激发了参会师生对跨学科融合研究的深入思考。

一审：  周   楠

二审： 罗浚溢

三审： 施开波