通过结合卷积网络和 Transformer 网络的优势，本研究提出了一种新型的模型用于交通标志识别，实验证明该模型在德国和波斯交通标志数据集上超过了纯 Transformer 模型和最佳卷积网络的准确率，并且在保持快速推理速度的同时，更适合实际应用。

Nov, 2023

本研究引入了一种创新的基于深度学习技术的交通标志识别（TSR）方法，特别强调视觉变换器。实验评估结果表明，该方法在提高预测速度和准确性方面具有显著的效果，为 TSR 算法的精确可靠开发奠定了基础，受益于驾驶辅助系统和自动驾驶汽车。

Apr, 2024

该研究论文解决了自动驾驶车辆和驾驶辅助系统中与交通标志检测相关的挑战，特别关注使用 Transformer 模型来提高检测的速度和准确性。

Nov, 2023

这篇论文探讨了使用 Transformer 模型在艺术认证方面的应用，通过与 EfficientNet 模型的比较，发现 Vision Transformers 在艺术模拟品检测方面表现优秀，可提高计算机辅助艺术认证的可靠性。

Jul, 2023

本文介绍了一种针对视频领域的区域局部性 Transformer 架构，通过使用 Swin Transformer 设计来实现，同时利用预训练模型的威力，取得了行动识别和时间建模等广泛的视频识别基准的最新准确性。

Jun, 2021

在交通运输不断演进的背景下，汽车的普及使道路交通更加复杂，需要先进的视觉辅助技术来提高安全性和导航能力。本文提出了一种基于卷积神经网络的创新方法，实现了接近 96% 的准确率，突出了通过高级定位技术可以实现更高的精度，这不仅对交通标志识别技术的持续发展有所贡献，也强调了这些发展对道路安全和自动驾驶的未来的关键性影响。

Mar, 2024

本文介绍一种基于 ConvNets 和多模态视觉语言 (VL) 的追踪方法，通过模态混合器（ModaMixer）和不对称的 ConvNet 搜索，学习新颖的统一自适应 VL 表示，仅使用 ConvNets 能够在 SOTA 追踪中表现出色，甚至超过几个基于 Transformer 的 SOTA 追踪器。

Jul, 2022

本论文提出了一种基于转移学习和集合学习的基于卷积神经网络和超参数优化技术的 IDS，用于 IoV 系统的网络安全攻击检测以保护现代车辆系统。在实验中，该 IDS 在两个公共基准 IoV 安全数据集上表现出超过 99.25％的检测率和 F1 分数，表明了其对车内和外部汽车网络中的网络攻击检测的有效性。

Jan, 2022

该研究提出了一种自动化解决方案，通过图像识别车辆型号和制造商，旨在简化在线汽车销售平台的车辆清单流程。经过对包括卷积神经网络（CNNs）、视觉 Transformer（ViTs）和混合模型在内的各种高效网络架构的彻底探索，采用 EfficientNet（V2 b2）架构达到了 81.97% 的令人瞩目的准确率。通过数据增强、微调预训练模型和广泛的超参数调整等一系列策略，进一步提升了性能。训练好的模型为信息提取的自动化提供了潜力，有望提高汽车销售网站的用户体验。

Oct, 2023

本研究利用 Vision Transformer (ViT) 架构并结合 DINO 框架，对面部反欺诈任务进行了 Fine-tuning，与传统的 CNN 模型 EfficientNet b2 进行了性能比较。研究结果显示，ViT 模型在准确性和对不同欺诈方法的抵抗性方面优于 CNN 模型，进一步推动了生物识别安全领域的重要进展。

Jun, 2024