通过对目标函数进行简单的转换和利用 MCT （Matching Convexified Trajectory）方法，研究论文发现 MTT 方法存在的三个主要问题：Stochastic Gradient Descent（SGD）生成的专家轨迹不稳定，提取过程的收敛速度慢以及专家轨迹的存储消耗高，并提出了一种能够快速且稳定地引导学生网络收敛的方法。实验结果显示，MCT 方法在三个公共数据集上相较于传统的 MTT 方法具有优越性。

Jun, 2024

该论文综述了基于深度学习的单个 RGB 图像和视频的深度估计方法，包括输入输出模态、网络结构和学习方法的分类，历史里程碑，以及现有方法使用的流程、数据集和评估指标。

Jun, 2024

该研究评估了常规的 SyN ANTs 和基于学习的配准方法在儿童神经影像中的表现，重点关注亚型变形配准，结果发现基于深度学习的方法在 Dice 得分方面略优于 SyN ANTs，但 SyN ANTs 仍然具有鲁棒性和普遍性，不需要大量的训练，强调了在儿科背景下根据特定配准需求选择方法的重要性。

Jun, 2024

使用深度学习方法自动化检测疟疾感染细胞，通过 ResNet50 卷积神经网络模型和训练集 27,558 张分为感染和未感染细胞的 Malaria Cell Images Dataset 的转移学习，实现高准确率、精确度和召回率，证明其在疟疾诊断中的潜力，且开发了 Streamlit 的网络应用以提供上传细胞图像和接收疟疾感染预测的用户友好的技术。

Jun, 2024

本研究提出了 ProtLOCA 方法，它是一种基于氨基酸结构表示的局部几何对齐方法，通过在蛋白质对全局结构匹配任务中的有效性测试、CATH 标签的独立测试数据集上的性能优于现有序列和结构表示学习方法，快速而准确地匹配结构一致的蛋白质域，还在局部结构配对任务中首次提供了突显不同整体结构但具有相同功能的蛋白质间共同局部结构的有效解决方案，为使用深度学习方法分析蛋白质结构以推断功能提供了新的可能性。

Jun, 2024

该研究综述了持续集成领域中基于学习的方法，探讨了自动化持续集成任务的分析以及相关技术和指标的应用和缺陷，为研究人员和从业者提供了有价值的洞见，并强调了在持续集成中进一步研究这些方法的重要性。

Jun, 2024

通过使用数据驱动模型中的深度学习，我们提出了一种新的变量聚合方案和高效的学习框架，以增强天气预报的性能和准确性。实验证明，VarteX 在预报性能方面优于传统模型，所需的参数和资源明显减少。通过多种聚合和区域分割训练，学习的有效性得到了证明，从而实现更高效和准确的深度学习天气预报。

Jun, 2024

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

在数字病理学中，通过使用未标注的目标染色图像和标注的源染色图像，结合染色转换和无监督学习方法 ULSA，我们提出了一种半监督策略来实现有效的染色适应，从而在肾脏组织分割和乳腺癌分类方面实现了最先进的性能。

Jun, 2024

我们发展了一个多模态监督深度学习框架，利用卫星图像数据来预测地表的自然度，以增进我们对生态系统的环境保护的理解。

Jun, 2024