- 基于传输电子显微镜图像的功能深度学习模型的异质病毒分类 (预印本)
使用深度学习的分类模型，通过分析透射电子显微镜图像，成功识别图像中病毒的种类，结果表明该方法的有效性和可靠性。
- 基于深度迁移学习的乳腺癌图像分类方法
提出了一种结合深度学习和迁移学习的乳腺癌图像分类模型算法，解决了有限样本、耗时的特征设计和低准确率的问题。这个算法基于深度神经网络的 DenseNet 结构，通过引入注意机制构建网络模型，并使用多级迁移学习对增强的数据集进行训练，实验结果表 - 层级洞察：利用结构相似性进行可靠的 3D 语义分割
通过抽象的学习规则，我们提出了一种训练策略，使得三维光达语义分割模型能够学习不同类别之间的结构关系，从而提高模型的置信度校准，并为融合、预测和规划等下游任务保留附加信息。
- 多任务半监督学习的大维度分析
本研究通过大维度研究了一种简单而多功能的分类模型，同时涵盖了多任务学习、半监督学习和考虑不确定标签的要素。利用随机矩阵理论的工具，我们表征了一些关键功能的渐近特性，一方面可以预测算法的性能，另一方面揭示了一些关于有效使用该算法的反直觉指导。 - 使用多尺度卷积神经网络的深度学习方法进行脑肿瘤分类和分割
本文提出了一种完全自动化的使用深度卷积神经网络的脑肿瘤分割和分类模型，包括多尺度方法。与以前的工作相比，我们的提案的一个区别是，输入图像在不同的处理路径上以三个空间尺度进行处理。这个机制受到了人类视觉系统的内在操作的启发。所提出的神经模型可 - BanglaNet：使用卷积神经网络集成的孟加拉手写字符识别
基于多个卷积神经网络的集成模型 BanglaNet 被提出用于分类孟加拉基本字符、复合字符、数字和修饰符。在多个数据集上进行的严格实验表明，相比于最近的基于卷积神经网络的研究，该模型获得了显著的识别准确率。
- 资产所有权识别：利用机器学习预测企业资产所有权
利用现有的资产归属数据，研究利用各种机器学习算法确定最佳分类模型以预测资产的所有者，并创建可视化仪表板帮助用户通过交互式探索性数据分析了解资产清单与模型评估指标。
- 组织病理学癌症检测
癌症早期诊断是制定有效治疗计划并确保病人健康安全的必要步骤，本研究通过深度学习构建了一个潜在的肿瘤预后分类模型，利用组织病理学图像中有价值的信息，选择了 PatchCamelyon 基准数据集，训练了多层感知器和卷积模型，并评估了其精确度、 - 基于激光雷达的挪威树种识别与深度学习
利用 LiDAR 数据，我们提出了一种基于深度学习的树种分类模型，该模型能够将树木种类分为四类（挪威云杉、苏格兰松树、桦树和背景），通过国家森林清查的现场样地验证，我们的模型在宏平均精确度上获得了 0.70 的得分，接近于航空或航空和 Li - 探索基础数据增强方法在基于深度学习的膝关节骨关节炎放射影像分类中的有效性
探索多种数据增强方法以及其对膝关节骨关节炎模型性能的影响，发现某些方法能提高性能，而其他常用方法表现不佳。通过敌对性增强方法确定了可能的干扰区域，并发现移除膝关节反而提高了 KL1 分类准确性，进一步强调了技术选择对模型性能的重要性和识别与 - MM使用 R-drop 进行的文本增强以便进行自报 Covid-19 推文分类
该研究报告介绍了为 2023 年社交媒体挖掘健康共享任务创建的模型。我们的团队解决了第一个任务，即对自我报告 Covid-19 诊断的推文进行分类。我们的方法使用多样的文本增强和利用 R-drop 来增强数据并减少过拟合，提高模型效果。我们 - 走向机器遗忘基准：面部识别系统中的个人身份遗忘
机器遗忘是一种重要的工具，用于使分类模型在训练时遗忘特定的数据。我们提出了一种机器遗忘设置，旨在遗忘包含个人隐私的特定实例，同时保持给定模型的原始任务。我们还在我们提出的基准数据集上报告了最先进的机器遗忘方法的性能。
- 基于灰度共生矩阵和直方图提取的集成学习目标分类模型
基于物体分类的识别方法研究中，对象的变化是一个挑战。本研究提出了一种分类方法，使用投票和组合分类器，结合随机森林、K-NN、决策树、SVM 和朴素贝叶斯分类方法。测试结果表明，投票方法和组合分类器的准确率分别为 92.4% 和 99.3%。 - 无监督领域适应中的领域自适应扩散
提出一种新颖的领域自适应扩散（DAD）模块和互学习策略（MLS），通过将源域数据逐渐转化为目标域数据并使分类模型在领域转换过程中学习，成功将领域适应的挑战分解为多个小领域间隙并逐步增强分类模型的能力，从而在三个广泛使用的无监督领域自适应数据 - 利用合成病理先验在 CT 图像上对肺癌亚型进行分类
提出了自动生成混合特征网络（SGHF-Net）用于肺癌亚型的模式分类，通过深度神经网络 quantitatively maps cross-modality associations 从 CT images 提取 “gold standar - 珊瑚礁损害检测模型的开发与图像分类
开发准确的分类模型以区分健康珊瑚和发生漂白的珊瑚，并使用机器学习模型，特别是卷积神经网络，识别与两者相关的视觉模式，进而监测珊瑚礁环境的变化，为珊瑚礁健康保护和生态恢复做出重要贡献。
- 使用 AutoML 和决策森林预测印度低级法院的延迟
利用案件信息预测印度下级法院延迟的分类模型，精确度为 81.4%，证明了 AI 模型在印度法院预测延迟方面的可行性，并讨论了相关文献的结果，提出了改进和未来研究的方向
- FREEDOM: 无目标标签，无源数据，无领域信息的多源领域自适应无监督个性化
从服务角度出发，提出了一个新颖的问题场景，称为 Three-Free Domain Adaptation（TFDA），解决了多源领域适应中训练依赖先前领域信息、同时需要源和目标数据集的问题；通过 FREEDOM 框架，结合生成模型和分类模型 - 通过整合背景知识图谱实现基因表达分类的端到端框架：应用于癌症预后预测
本研究提出了一种利用背景生物网络信息来构建分类模型的端对端框架，应用于基因表达数据和生物网络来进行癌症预后预测，实验结果表明相比于深度神经网络模型，我们的模型取得了更高的准确性，并通过富集分析鉴定了多种癌症类型的贡献基因和通路，从中识别了已 - 利用机器学习方法自动化尺码网格的构建与管理
本研究旨在为供应链管理以及 Levi Strauss 的尺码选择决策制定决策规划，并利用机器学习技术，通过分类模型的方法构建更加自动化的尺码选取过程，从而为减轻公司各组别的工作量提供帮助。