时间：2021年12月2日(本周四) 09: 30
地点：望江校区基础教学楼B座318实验室
研读成员：陈富秋 郭睿明
Part1
研读成员：陈富秋
分享内容：
[1]Guo S, Jin Z, Chen Q, et al. "Visual anomaly detection in event sequence data." 2019 IEEE International Conference on Big Data (Big Data). IEEE, 2019.
[2]Guo, Shunan, et al. "Interpretable Anomaly Detection in Event Sequences via Sequence Matching and Visual Comparison." IEEE Transactions on Visualization and Computer Graphics (2021).
论文简介：
[1]异常检测是一项常见的分析任务，其目的是识别数据集中偏离正常情况的罕见案例。当进行事件序列数据的分析时，异常检测的任务可能变得更加复杂，因为这类数据的顺序性和时序性导致异常的定义多样、形式灵活，这在一定程度上也增加了解释异常检测结果的难度。本文提出了一种基于变分自动编码器(VAE)的无监督异常检测算法，通过计算事件沿序列进程的发生概率来评判序列的异常程度。本文开发了一个可视分析系统EventThread3，借助一对多的序列比较，用于交互式地探索并分析异常检测结果的正确性与可信性。最后，本文定量地评估了提出的异常检测算法的性能，并通过电子健康记录数据验证了系统的有效性。
[2]本文是针对上述文章的延续性工作，研究场景仍然是事件序列数据的异常检测。相较于此前的工作，有3点补充与完善：（1）改进了序列的异常检测算法，使用Kuhn-Munkres配对算法，以实现更加灵活的序列比对，并新增了异常事件的类型定义；（2）优化了系统的视图设计：基于聚类的事件序列聚合和基于矩阵的事件序列可视化，进一步提高了正常序列与异常序列的比较结果；（3）通过电子健康记录数据验证了系统的有效性，并收集了专家访谈结果；新增职业发展路径数据测试系统，证明研究成果的可迁移性。
Part2
研读成员：郭睿明
分享内容：
[1]Liu Z , Lin Y , Cao Y , et al. Swin Transformer: Hierarchical Vision Transformer using Shifted Windows[J]. 2021.
[2]Gao S , Cheng M M , Zhao K , et al. Res2Net: A New Multi-scale Backbone Architecture[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2019.
论文简介：
[1]Transformer是在自然语言处理领域大获成功的RNN模型，并且在计算机视觉任务中也表现出优异的成绩。但是，相较于文本，视觉实体的尺度变化更大、分辨率更高等特点，都给Transformer的在计算机视觉上的应用带来了挑战。为了解决此问题，作者提出了一种层级化的Transformer网络，并使用Shifted Windows（简称Swin）方法进行representation的计算。模型中的Windows将自注意力的计算限制在不重叠的局部窗口中，而Shifted Windows能实现跨窗口信息连接。网络的层级特征提取使得网络能够适应多种尺度的视觉目标，并且Swin的计算相对输入图像大小只有线性时间复杂度。以Swin Transformer作为骨干网络的模型在多个计算机视觉任务中取得了SOTA的成绩。
[2]图像中往往存在着多尺度的物体，准确表述多尺度物体的特征对多种计算机视觉任务有着重要的意义。现有方法对多尺度信息的处理仅停留在神经网络的层级之间，而本文设计了残差网络中的残差网络，通过层内的跨越连接，在粒度级表征多尺度图像特征，增大了神经网络中每一层的感受野，提升了每一层提取多尺度信息的能力。Res2Net骨干网络可以用来替换现有的SOTA骨干网络，以在计算机视觉各大任务中取得超过基线水平的效果。
