使用压缩学习框架和深度卷积神经网络（DCNN）联合优化维度缩减算子和实现三维反演编码 - 解码器的方法，以极少量的地震源进行预堆叠数据的三维地震反演，通过学习稀疏二进制感知层来实现维度缩减，并保持与使用整个数据集获得的三维重建质量相当的回归任务效果。

Oct, 2023

本文提出了一种基于深度学习的视频压缩感知框架，通过学习视频序列和测量帧之间的线性映射或深度全连接网络，获取了比以往方法更好的重建质量和速度，在多个视频序列上的广泛模拟中明确了该方法的优越性能，并对数据集规模和层数对重建性能的影响提出了未来研究的几点思考。

Mar, 2016

本文提出给予高压缩比摄像头的运动识别的无重建方法，通过空时粉碎滤镜提取保留在压缩测量中的非线性属性进行特征提取，并在公共数据库上进行实验，表明识别率可以与未压缩设置中的神谕方法相当。

Jan, 2015

本文提出了一个新的框架 ——DeepFall，将跌倒检测问题转化为异常检测问题，并利用深度时空卷积自编码器从常规活动中学习空间和时间特征，通过复合窗口中帧的重构分数来检测未知跌倒，应用于三个公开数据集时显示出了超越传统自编码器方法的优越性。

Aug, 2018

该研究提出了一种基于 3D 时空轨迹的深度伪造视频检测方法，该方法通过利用鲁棒的 3D 模型构建时空运动特征，整合来自 2D 和 3D 帧的特征细节，以减轻大头部旋转角度或不足的光照对帧内的影响。此外，该方法将面部表情与头部运动分离，并设计了基于相空间运动轨迹的顺序分析方法，以探索深度伪造视频中真实面部和伪造面部之间的特征差异。通过对几个压缩深度伪造基准进行广泛实验证明了我们所提出的方法的性能。计算视频压缩前后面部标志的一致分布验证了精心设计的特征的鲁棒性。我们的方法取得了令人满意的结果，展示了其在实际应用中的潜力。

Apr, 2024

本文介绍一种基于多组可逆 3D 卷积神经网络的内存高效型网络，用于压缩成像 (SCI)，并将 demosaicing 与 SCI 重建相结合，以直接从 Bayer 测量中恢复彩色视频。实验表明，我们的模型在大规模问题中优于现有的最先进技术，并且内存使用更少，因此可在实际应用中使用。

Mar, 2021

通过系统的经验研究，本文探讨了基于深度卷积网络的跌倒识别过程及其效果，并提出了几个有助于提高跌倒检测系统性能的因素。

Dec, 2018

基于嵌入式传感器的跌倒检测是近年来的一个实际且流行的研究方向，本文构建了一个完整的系统 TSFallDetect，利用时间序列数据提出了一个新的基于深度学习模型的跌倒预测方法，通过实证研究表明该深度学习模型在跌倒检测领域具有更多的潜在优势。

Feb, 2024

使用 4D 卷积神经网络，通过稀疏张量和广义稀疏卷积提供的广泛高维函数，实现了针对 3D 视频的时空感知，并通过提出的混合核和三边静态条件随机场，优化了 7D 时空色度空间中的一致性问题。实验表明，与 2D 或 2D-3D 混合方法相比，只使用广义 3D 稀疏卷积的卷积神经网络可以获得更好的性能。此外，我们还表明，在处理 3D 视频时，4D 时空卷积神经网络不仅更加鲁棒，而且有时比 3D 卷积神经网络更快。

Apr, 2019

本文提出了一种基于 DUN 的快速高效的快照压缩成像算法，采用 3D-CNN 先验和新型密集特征映射（DFM）策略来更好地利用帧间的时空相关性和解决现有 DUN 中相邻相位信息丢失的问题，同时为了提高网络鲁棒性，还提出了密集特征映射适应（DFMA）模块。最终的实验结果验证了我们方法的优越性。

Sep, 2021