在生物医学图像分析领域，我们提出了一种称为反馈关注网络（FANet）的新型架构，利用每个训练时期的信息来修剪随后的预测地图，该网络在不同的卷积层上允许学习特征图的 “硬关注”，通过七个公开的生物医学成像数据集测试，显示出较大的平均分割指标提高。

Mar, 2021

本研究提出一种基于情景感知的实时流式传输方案，以实时识别重要事件和降低发射功率。该方案主要利用少量隐藏层的小型神经网络在源端对特定情景下的帧进行高重要性分配，并将高重要性的帧与一定信噪比的低重要性帧同时流式传输，在接收端进行深度神经网络分析提取准确的情景并节约约 38.5% 的能源。

Apr, 2022

本文研究了监控图像中的人脸识别和规范化。 基于 Feature Adaptation Network 框架，本文提出了一种人脸规范化方法，该方法提取身份和非身份因素，通过调整身份因素的分布实现了对分辨率较低的人脸图像的超分辨率处理，进而提高监控图像中人脸识别的准确性。

Nov, 2019

通过提出 Feature Aggregation Network (FANet) 方法，本研究突破了高分辨率卫星遥感图像处理中细粒度表面特征提取的关键技术挑战。

Sep, 2023

本文中，我们提出了一种名为 FANet 的新型单阶段人脸检测器，它不仅实现了最新的性能，而且运行效率高。此外，我们还提出了一种分层损失来有效地训练 FANet 模型，并在几个公共人脸检测基准测试集上评估了所提出的 FANet 检测器，包括 PASCAL face、FDDB 和 WIDER FACE 数据集，在这些基准测试集上都获得了最新的结果。

Dec, 2017

本研究提出了一种名为质量感知特征聚合网络（FANet）的神经网络架构，用于在恶劣和具有挑战性的条件下使用补充的视觉和热红外数据进行强健的可见光跟踪，并对其进行了广泛的基准数据集实验证明了其与其他最先进的 RGBT 跟踪方法相比较高的准确性表现。

Nov, 2018

提出了一种新颖的方法，结合基于变压器的图像增强框架和集成学习技术，解决城市交通监测系统中基于鱼眼镜头相机的问题，提高了系统的有效性和准确性，为智能交通管理系统的未来作出了重要贡献。

Apr, 2024

利用机器学习和数据挖掘技术增强网络安全，本文提出了一种新的技术，基于多个数据参数预测网络中即将发生的攻击，通过测试阶段的结果选择最佳模型，并提取可能导致攻击的事件类别。

Dec, 2023

本文解决入侵检测系统中分类器存在的问题，提出使用顺序向后搜索和信息增益进行改进的特征选择方法以及利用离散随机变量和概率质量函数将名义网络特征转换为数值型特征的方法，并组合使用已知的标准化方法来实现混合标准化方法，通过广泛的比较研究证明改进后的方法在性能上表现更好。

Dec, 2012

通过引入 Focusing Sampling、Partial Field of View Evaluation、Enhanced FPN architecture 和 Directional IoU Loss 等创新方法，针对自动驾驶中准确定位车道的难题，这项研究使用受人类驾驶专注力启发的网络模型。实验证明，与传统方法相比，我们的 Focusing Sampling 策略能够显著提高基准和曲线 / 远距车道识别的准确性，通过增强对驾驶员视野的模拟，FENetV1 取得了最先进的传统度量性能，而 FENetV2 则在提出的 Partial Field 分析方面的可靠性最高。因此，尽管在标准的整幅图像衡量中有一定的损失，我们特别推荐使用 V2 进行实际车道导航。未来的研究方向包括收集道路数据和整合互补的双重框架，以更进一步地突破，以人类感知原理为指导。代码将提供。

Dec, 2023