本研究提出了一种名为 DenseTrack 的新型细胞跟踪算法，它将深度学习与基于数学模型的策略相结合，以在拥挤场景中有效建立连续帧之间的对应关系和检测细胞分裂事件。通过将细胞跟踪问题制定为基于深度学习的时间序列分类任务，然后通过解决约束的一对一匹配优化问题来利用分类器的置信度得分。此外，还提出了一种基于特征分解的细胞分裂检测策略，利用细胞几何知识。该方法在细菌生物膜发展的三维时间序列图像中跟踪密集堆积的细胞，并经过了模拟和实验荧光图像序列的实验证明，与最近的最先进细胞跟踪方法相比，所提出的跟踪方法在定性和定量评估指标上具有更优越的性能。

Jun, 2024

通过引入案例推理和扩展案例库，我们提出了一种用于解决金融文档中的数字推理问题的新方法，该方法在 FinQA 数据集上表现出竞争性能，并显示出了复杂多步骤程序的解决能力。

May, 2024

我们研究了机器对抽象手绘场景草图的理解这一未被充分探索但基本的视觉问题。我们介绍了一种草图编码器，其产生了一个语义感知的特征空间，并通过对语义草图分割任务的性能进行评估。为了训练我们的模型，我们仅依赖于具有简要标题的位图草图的可用性，并且不需要任何像素级的注释。为了实现对大量草图和类别的泛化，我们建立在预先训练的 CLIP 模型上的视觉变换编码器的基础上。我们冻结文本编码器，并通过引入一组关键的修改来执行视觉提示微调视觉编码器分支。我们提供了一个两级分层网络设计，实现了高效的语义解耦：第一级确保了整体场景草图编码，第二级专注于个别类别。然后，在层次结构的第二级中，我们引入了文本和视觉分支之间的交叉注意。我们的方法超越了无标注 CLIP 像素分割结果的 37 个点，达到 FS-COCO 草图数据集上 85.5％的准确率。最后，我们进行了用户研究，以确定我们的方法在调和机器和人类对场景草图的理解方面还需要进一步改进。

Dec, 2023

该研究评估了一种离散动作空间强化学习方法（Q-learning）在机器人倒立摆平衡的连续控制问题中的应用。为了加快学习过程并克服直接在真实机器人系统上进行学习的技术困难，学习阶段在模拟环境中进行。通过对从真实系统获取的数据进行曲线拟合来推导系统动力学的数学模型。该研究验证了该方法的可行性，应用于一个真实世界的机器人学习平衡倒立摆。该研究还强调并证明了在模拟中准确表示物理世界对于实现强化学习算法在真实环境中更有效的重要性，即使使用离散动作空间算法来控制连续动作。

Dec, 2023

通过机械化途径，提出定义、建模和分析认知机制的框架，并介绍了数学模型和可视化方法。

Nov, 2023

机器能否理解自然语言？该研究评估了人工智能生成型大型语言模型 (LLMs) 的最新发展，批评了把机器语言表现仅视为语法操作和模拟理解的传统哲学假设，并强调了将自然语言理解归因于最先进的 LLMs 的关键条件，认为 LLMs 不仅仅使用语法，还使用语义，理解不是模拟而是复制，同时确定了它们如何给予语言表达的意义基础。

Oct, 2023

皮肤菌群在健康肌肤的维护中发挥着重要作用。本研究通过数学模型，研究皮肤菌群的不平衡与一些肌肤条件（包括痤疮和特应性皮炎）之间的相关性，并探讨致病菌与共生菌种之间的竞争机制与平衡态。

Oct, 2023

该研究提出了一种新的基于特征提取的图像分类数学模型，并通过构建分段线性函数以检测特征的方式证明卷积神经网络可以零误差地解决这些图像分类任务。

Jul, 2023

该研究考虑使用生成语言模型分析语义轨迹痕迹并生成合成语义轨迹数据，从而实现在人类、动物、物品等运动轨迹方面进行未来走向预测，增强机器对行动的理解，从而进一步提高人机交互能力，并增强城市规划、个性化推荐引擎和商业战略等领域的应用。

Jun, 2023

本篇文章详细调研了针对云、边缘和端设备中的深度神经网络划分方法的最近进展和挑战，并提出了一个基于五维分类框架的统一数学模型，以及一组用于比较和评估这些方法的度量标准。

Apr, 2023