应用可训练小波作为过滤器的可学习散射变换模型在宇宙学信息推断和消除星际物理效应方面表现优于传统卷积神经网络，特别在训练数据有限的情况下，且具有高度解释性。

Jul, 2023

本文采用机器学习技术对流场数据进行超分辨率分析，提出了卷积神经网络（CNN）和基于下采样跳跃连接多尺度（DSC/MS）模型，通过对二维圆柱尾流等测试表明这些模型能从低分辨率流场数据中重建出高分辨率的流场，可大大提高计算流体力学中流体流动的空间分辨率和揭示复杂湍流物理。

Nov, 2018

本研究提出了基于计算机视觉的方法来评估活性污泥沉降特性，该方法使用了深度卷积神经网络模型进行图像分析，并取得了较少劳动力、客观和一致的评估结果，可用于实时应用。

Feb, 2024

本文提出了一种新的基于数据驱动的方法，使用神经网络模拟液体模拟中的小尺度跳跃细节。使用物理参数化高分辨率模拟的训练数据，利用神经网络模拟分类器和速度调节器来回归跳跃形成。通过使用异方差模型对速度进行修改，我们证明了此方法在提高视觉保真度方面具有显著的效果，比更细的离散化更高效地产生跳跃细节。

Apr, 2017

用一种高效和定量的方法来研究农药 - 表面活性剂配方在水溶液中对植物叶片的传递，通过测量叶片湿润区域的表面积作为关键参数，并应用深度学习模型对青瓜叶片上的水溶液湿润区域进行自动测量，进而报道农药溶液中表面活性剂浓度与湿润区域表面积之间的关系。

Nov, 2023

本研究提出了一种基于统计学习和卷积神经网络的高度可扩展的方法，通过散射介质中捕捉到的雹花强度模式，模型具有抗雹花去相关性的鲁棒性，并能够实现准确物体预测。

Jun, 2018

本文评估了卷积神经网络设计人员需要做出的三个常见决策对 CNN 的影响，证实了使用 SVM 的迁移学习在小数据集情况下非常有效，同时表明使用 ADAM 优化器和批量归一化可以使得即便在图像尺寸较小的情况下也可以获得高精确度的 CNN 分类器。

Sep, 2017

我们结合了透射散斑摄影和机器学习，直接分类和识别牛奶脂肪含量类别。我们的目标是基于散射粒子的参数（和分散介质）与传输相干光通过散射介质时观察到的强度分布（散斑）之间的关联。对于牛奶来说，主要是脂肪球的大小分布和浓度，构成了总脂肪含量。因此，我们训练了卷积神经网络来识别和分类不同脂肪含量类别（0.5%，1.5%，2.0% 和 3.2%）。我们研究了四种曝光时间协议，并在曝光时间较短的情况下获得了最高性能，其中强度直方图在所有图像中保持相似，并且散斑模式中最可能的强度接近于零。我们的神经网络能够明确识别牛奶脂肪含量类别，获得的最高测试和独立分类准确率分别为 100% 和约 99%。这表明其他复杂逼真的悬浊液的参数可以使用类似的方法进行分类。

Jul, 2023

使用深度学习方法，利用近红外光谱数据，通过卷积神经网络从光谱数据中提取特征，数据预处理使用了标准的扩展乘性散射校正和新的光谱数据增强方法进行基准测试，结果表明数据扩增并结合扩展乘性散射校正的组合效果最佳。卷积神经网络模型在使用第二台仪器和未被训练数据覆盖的分析物浓度创建的外推挑战中表现优异，同时定性研究表明 CNNs 核激活与著名的数据处理方法（如平滑、斜率 / 导数、阈值和光谱区域选择）相似。

Oct, 2017

本文介绍了一种基于三维卷积神经网络的级联模型用于多发性硬化患者影像的白质病变分割方法，并在公共数据集 MICCAI2008 和两个私有临床数据集上进行了精度评估，表现优于其他已知方法。

Feb, 2017