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

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

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

我们提出了一种新颖的图引导测试时适应（GTTA）框架，将视网膜图像的拓扑信息整合到模型训练中，提高模型的迁移能力，减少学习虚假相关性的风险，从而将青光眼诊断模型推广到未见过的测试环境中。在推理过程中，GTTA 引入了一种新颖的测试时训练目标，通过可靠的类条件估计和一致性正则化，使源训练的分类器逐渐适应目标模式。在跨领域青光眼诊断基准实验中，证明了整体框架和不同骨干网络的个别组件的优越性。

Jul, 2024

通过稀疏先验在预训练中提高了分割模型的性能，使得全尺度和少样本学习场景下的分割 Dice 分数分别提高了 1% 至 10%。

Jul, 2024

评估了不同深度学习架构在高光谱图像分割中的性能，发现融合光谱和空间信息能提高分割结果，并强调进一步研究新的架构和将 RGB 基础模型应用于高光谱领域的重要性。此外，清洁并公开了 Tecnalia WEEE 高光谱数据集，对于高光谱成像领域的新研究者具有指导意义。

Jul, 2024

本文主要研究结构健康监测中的数据驱动损伤检测，采用深度学习方法，包括自编码器和生成对抗网络，对非线性动力系统进行研究，并提出了一种无监督的损伤检测方法。实验结果证实了该方法在不同类型的非线性系统中的可行性。

Jul, 2024