使用深度学习自动评分来提高数据质量，训练适应痴呆筛查的模型需要更多和更好的训练数据。

Dec, 2023

通过引入前馈卷积神经网络与反馈式局部循环连接设计，提高图像识别准确性，更加贴近灵长类动物视觉系统的神经活动，为当代物体识别任务的研究提供了新的思路。

Jun, 2018

使用多角度混合神经网络（HNN）对学生科学教育中的分析性评分标准进行评估，结果显示 HNN 在比较四种机器学习方法（BERT，AACR，朴素贝叶斯和逻辑回归）后，对于五个评分方面的准确度分别比朴素贝叶斯，逻辑回归，AACR 和 BERT 高 8％，3％，1％和 0.12％（p <0.001） 。HNN 的整体准确度（M = 96.23％，SD = 1.45％）与（训练和推理）复杂的 BERT 模型的准确度（M = 96.12％，SD = 1.52％）相当。我们还观察到 HNN 在训练和推理方面比 BERT 高 2 倍的效率，并且在准确度较低的朴素贝叶斯模型上具有可比较的效率。本研究证实了使用 HNN 自动评分学生科学写作的准确性和效率。

Dec, 2023

介绍了一种基于神经网络算法的计算机视觉和机器学习新方法，通过极小的感受野感知神经元构建深度神经网络来实现图像分类，相比于传统的方法显著提高识别性能

Feb, 2012

研究人机协作绘图环境，在其中自主代理绘制图像的同时，可选择允许用户直接影响代理的轨迹。我们结合了蒙特卡罗树搜索和图像分类器，测试了浅层模型（例如多项式逻辑回归）和深度卷积神经网络（例如 LeNet，Inception v3）。我们发现，使用浅层模型，代理会产生有限种类的图像，这些图像显然对人类来说是可识别的。然而，使用更深层次的模型，代理产生了更多样化的图像，尽管代理非常有信心（99.99％）地完成了其目标，但在人类眼中，它们大多类似于不可识别的 “随机” 噪声。这与最近的研究有关，该研究也发现 “深度神经网络很容易被愚弄”，我们讨论了可能的解决方案和未来的研究方向。

Dec, 2016

本研究使用卷积神经网络模型在非脑电数据集中成功区分四种神经状况，所得结果比传统方法如 SVM 和 RF 更优，在噪声较大的数据集上准确率仍可达到 97.46%。

Apr, 2021

本文提出了一种卷积神经网络（CNN）模型，可用于解决几何图案识别问题，包括旋转、反射、颜色、大小和形状的图案。该 CNN 的性能得分处于人类表现前 5%。

Sep, 2017

本研究使用标准的 TrecQA 数据集检验了卷积神经网络（CNNs）在端到端环境中用于答案选择的有效性，发现优化后的 idf 加权单词重叠算法是一个很强的基线，深度学习在这个数据集上的表现有限，而并不清楚在基于标准检索指标的端到端环境中 CNN 是否比基线更有效。而进行的人工用户评估证实了 CNN 产生的答案比 idf 加权单词重叠更好，这表明用户对答案选择质量的差异非常敏感。

Jul, 2017

本研究提出了一种 Neuroscore 测评策略，该策略通过利用脑信号更直接地反映心理感知图像质量，优于现有算法并能够基于单个 GAN 排名图像质量，同时，本研究还介绍了基于卷积神经网络的神经 - 人工智能接口，可以直接从 GAN 生成的图像中预测 Neuroscore。

Mar, 2020

本文提出一种利用卷积神经网络预测人类意见分布的图像质量评估方法，相比于其他方法，该方法不仅具有与人类感知的高相关性，而且可以用于单张图片的感知、语义感知无参考质量评估，并能够辅助照片处理算法的适应和优化。

Sep, 2017