我们的研究通过神经崩溃的视角调查深度学习公平性对医学成像的影响，发现偏倚训练初始会导致亚组之间不同的神经崩溃配置，最终通过记忆所有数据样本达到最终神经崩溃解决方案，而在偏倚设置中，神经崩溃会显著降低所有亚组的 F1 得分。

Jul, 2024

HPFF 是一种新颖的模型，通过进行分层的局部监督学习和辅助网络的补丁级特征计算，实现了在不同粒度层次学习特征，并通过将输入特征分割为补丁进行计算，减少了图形处理器（GPU）内存使用，而且表现出强大的泛化能力和与现有技术的无缝集成。

Jul, 2024

运用原型学习的方法，建立了一个适用于表格预测任务的原型基础投影空间，并通过优化传输从全局数据原型周围学习无交织表示，实现在各种表格基准测试中相对一致的优越性能。

Jul, 2024

为了解决深度学习方法在活动识别中的限制和难题，我们提出了一种利用拓扑数据分析的拓扑特征与深度学习方法结合的方法，通过使用两个教师网络，一个基于原始时间序列数据，另一个基于拓扑数据分析的持久图生成的数据，辅助学生模型在测试时只使用原始时间序列数据。该方法利用多个教师的互补信息，生成具有强监督特征和更丰富整合的紧凑模型，并通过设计新的约束条件和知识蒸馏技术快速提高饱和度，改善特征表达能力，减小教师与学生之间的知识差距，最终形成了一个具有鲁棒性的学生模型，只采用时间序列数据作为输入，隐式地保留了拓扑特征。

Jul, 2024

通过引入专门为超声成像设计的基于物理扩散模型，提出了一种改善生成超声图像质量的新方法，该方法结合了超声波传播自然行为的模拟方案，定性和定量结果表明该方法产生了更加合理的图像。

Jul, 2024

一项关于用于处理系统的代理建模的研究提出了一种完全结合了局部先前物理知识的物理感知代理模型（PAPM），并通过系统比较在九个泛化任务的五个二维基准上，显示出平均性能提升 6.7％，而所需的 FLOP 较少，仅相当于先前领先方法的 1％参数。

Jul, 2024

深度学习在医学影像学中被广泛应用于疾病诊断，其中，胸部 X 射线分类是一种有效检测各种疾病的方法。为了解决数据不平衡的问题，本论文提出了一种算法中心化的方法，称为 E-LDAM，它通过使用每个类别中的有效样本数修改了广泛采用的标签分布感知边界（LDAM）损失函数的边界。实验结果表明，E-LDAM 方法在预测 X 射线图像中 COVID-19 的少数类别时，具有非常出色的召回率（97.81%），同时三类分类任务的整体准确性达到了惊人水平（95.26%）。

Jul, 2024

通过生成对抗网络（GAN）模型，提出了一种基于图像转换的方法来解决超声图像中的领域自适应问题，该方法能够改善图像的纹理模式和降噪，同时保持图像的解剖结构。

Jul, 2024

使用深度学习线性化非局部均值算法，提出了一种基于线性注意力机制的深度非局部均值滤波（LDNLM）方法，用于多重噪声去噪问题。在模拟和真实多重噪声上的实验表明，LDNLM 相比现有方法更具竞争力，并且证明了 LDNLM 具有接近传统 NLM 的可解释性。

Jul, 2024

通过将深度学习技术，尤其是面部识别技术，与新颖的步行活动测量算法相结合，该研究介绍了 DLICP（深度学习综合社区公园），以提高社区公园中用户的体验。DLICP 利用带有面部识别软件的摄像机来准确识别和跟踪公园用户。同时，步行活动测量算法计算个体属性下的平均步伐和消耗的卡路里等参数。广泛的评估验证了 DLICP 的精确性，其均方误差（MAE）为 5.64 卡路里，平均百分比误差（MPE）为 1.96％，并与广泛可得的健身测量设备（如 Apple Watch Series 6）进行了对比。该研究对于智能智慧公园系统的发展做出了重要贡献，实现了燃烧卡路里和个性化健身跟踪的实时更新。

Jul, 2024