2025年3月20日至22日，第17届计算机与自动化工程国际会议（ICCAE 2025）在澳大利亚珀斯举行。本次会议由IEEE、IEEE机器人与自动化学会和默多克大学共同主办。ICCAE 2025是计算机与自动化工程前沿研究的首要论坛，以人工智能、机器学习、机器人和智能自动化为特色，架起学术界和工业界的桥梁。会议吸引了来自世界各地的研究人员和专家，讨论计算机和自动化工程的最新进展。电子与电气工程学院教师A.A.M.Muzahid (安东尼) 出席了会议，并汇报了该校人工智能（国际班）学生在计算机视觉和网络安全领域撰写的三篇研究论文。
论文一：“DormGuardNet: A LightweightDeep Learning Model for Detecting Prohibited Items in Student DormitoryEnvironments”，解决了检测宿舍中违禁物品以确保安全和合规性的挑战。它引入了DormGuardNet，这是一种新颖的深度学习模型，它使用Ghost卷积来提高性能，同时降低计算复杂度。由于没有可用于此任务的现有数据集，本文还引入了一个新的数据集PISD（学生宿舍中的违禁物品）。大量实验表明，与多个YOLO版本相比，DormGuardNet在保持最低计算开销的同时取得了有竞争力的结果。
论文二：Hybrid Feature Extraction for 12-Lead ECG Classification byIntegrating Handcrafted and Deep Learning Techniques，研究了用于分类12导联心电图信号的手工和基于深度学习（DL）的特征提取技术。该研究涉及提取QRSTP峰值并计算各种时域特征，如：心率、心率变异性（HRV）、RR间期和中位数R-R间期。实验结果表明，与单独使用深度学习相比，手工制作和深度学习特征的组合可以带来更优的分类性能。这项研究有助于心电图信号分析的进步，有可能增强心血管疾病的自动化检测和诊断。
论文三：Intelligent Intrusion Detection in IoT: Integrating Machine Learningand Feature Automation研究引入了一种混合特征选择方法，通过自动识别重要特征来提高机器学习（ML）模型的效率。该方法结合了过滤和包装技术，利用互信息（MI）算法作为过滤方法，递归特征消除（RFE）作为包装方法。与现有方法的比较分析表明，该方法在准确性和训练时间方面优于最先进的（SOTA）技术。这一进步有助于开发更可扩展、更高效的入侵检测系统，加强物联网安全。
