时间：2025 年 10 月 12 日 星期天

地点：成都大学 2 教 2116 教室

报告人：谢远伦（老师）、陈凯文（同学）

谢远伦老师聚焦面部表情识别（FER）在恶劣视觉条件下的性能瓶颈，分享《A joint learning method for low-light facial expression recognition》与《A Joint Learning Method with Consistency-Aware for Low-Resolution Facial Expression Recognition》两篇研究，提出针对性联合学习框架，突破低光模糊与低分辨率细节丢失的技术难题。

针对低光与低分辨率场景下面部表情识别（FER）的性能瓶颈，分别提出 LL-FER 与 SR-FER 两个联合学习框架：针对低光场景，LL-FER 框架设计低光增强网络（LLENet），通过 ResNet 与 ConvNeXt 融合架构恢复图像细节，构建含颜色空间、频率域等多维度损失的联合优化目标，让 FER 网络引导 LLENet 优先修复表情判别性特征，在低光 RAF-DB 数据集上准确率达 87.48%，较传统增强方法提升超 3%；针对低分辨率场景，SR-FER 框架级联超分辨率（SR）与 FER 网络，引入多阶段注意力一致性损失（MSAC）与预测一致性损失（PC），使 SR 网络在恢复分辨率的同时保留表情关键特征，在 16 倍分辨率退化的 FERPlus 数据集上准确率达 63.53%，较双三次插值基线提升 1.32%，且在多分辨率退化场景下保持鲁棒性，为远程监控、低带宽人机交互等 FER 应用提供技术支撑。

随后，来自成都大学的陈凯文同学解读《Dual-Correlation-Guided Anchor Learning for Scalable Incomplete Multi-View Clustering》，针对不完全多视图聚类（IMC）中锚点生成不稳定、跨视图信息利用不充分的问题，提出双关联引导锚点学习（DCGA）方法。

该方法核心创新在于：一是基于信息瓶颈（IB）理论设计 “锚点作为瓶颈（A3B）” 策略，将视图特定锚点作为信息压缩瓶颈，在剔除冗余的同时保留数据判别性；二是提出信息锚点约束（IAC），通过融合视图不变与视图特定知识，平衡多视图数据的一致性与多样性。实验验证显示，DCGA 在 BBCSport、MSRC 等 7 个数据集上表现优异，如 BBCSport 数据集 ACC 达 91.83%，较现有锚点方法提升超 5%，且时间复杂度降至线性级，成功适配大规模不完全多视图数据场景，为医疗影像多模态分析、智能康复多源传感数据聚类提供新范式。

本次分享围绕 “恶劣条件下的特征识别” 与 “不完整数据的聚类分析” 两大核心议题，展现机器学习与计算机视觉的交叉创新价值。谢远伦老师的 FER 方案为智能康复中的情感监测（如抑郁症患者表情分析）提供鲁棒技术路径，陈凯文同学的 DCGA 方法则解决多模态康复数据（如脑电 + 视觉）的高效聚类难题。与会师生围绕 “跨任务联合学习”“锚点设计通用性” 展开深入讨论，为后续智能康复领域的多场景数据处理提供重要思路。

一  审  周   楠

二  审  罗浚溢

三  审  施开波