- 基于冰图的海冰分类的部分标签学习与焦点损失
通过将海冰分类训练形式化为部分标签学习任务，并利用明确的置信度分数，将多标签和类别不平衡问题得到解决的一种新型 GeoAI 方法，用于通过训练卷积神经网络（CNN）来提高 Sentinel-1 双极化 SAR 图像中海冰的分类性能。相较于传 - 基于机器学习的 RIS 辅助 MIMO 系统中的信道预测与信道老化
提出了一种结合卷积神经网络和自回归预测器的扩展通道估计框架，用于识别老化模式和预测关联快衰落环境中的无线信道的增强估计，实现了高精度的估计准确性，并且相比传统方法，该方法在频谱效率和导频开销方面取得了较高的性能。
- 分析急诊科患者候床现象的变化并在香港 COVID-19 疫情波动中验证预测模型的可转移性：基于混合 CNN-LSTM 方法量化建筑层次的社会生态风险
应用了混合卷积神经网络（CNN）- 长短期记忆（LSTM）模型，通过公共领域数据来源于香港的医院管理局、卫生署和房屋管理局，研究急诊科（ED）的等候时间超过四个小时（ED 候诊）与患者结果和卫生系统表现之间的关联。同时，通过深度迁移学习方法 - 野外字体印象评估
本文使用卷积神经网络 (CNN) 框架和示例为基础的印象估计方法，解决了从实际字体图像中估计字体印象的挑战性任务，并对真实书籍封面图像中的书籍流派和字体印象之间的相关性进行了量化和定性分析。
- 半 Mamba-UNet：基于像素层面对比交叉监督的半监督医学图像分割中基于 Mamba 的 UNet
利用 Semi-Mamba-UNet 结合了可视 mamba-based UNet 架构和常规 UNet，采用半监督学习（SSL）框架来解决医学影像分割中的长程依赖和专家标注问题，并通过自监督像素级对比学习策略提升特征学习性能。
- 基于 Transformer 的剪裁对比量化学习用于无监督图像检索
提出了 TransClippedCLR 模型，通过编码图像的全局上下文和局部上下文，使用产品量化生成哈希码，并通过剪切对比学习避免潜在的错误负对，实现了在基准数据集（包括 CIFAR10、NUS-Wide 和 Flickr25K）上无监督图 - DeformUX-Net：带有深度可变卷积的医学图像分割 3D 基础骨干的探索
本文介绍了 3D DeformUX-Net，一种创新的体积卷积神经网络模型，它灵活地处理了传统上与 ViTs 和大内核卷积相关的缺点，并且在四个具有挑战性的公共数据集上持续优于现有的最先进的 ViTs 和大内核卷积模型。
- 通过评估面部照明质量，提高美容产品推荐的准确性
我们的研究主要关注在负责任的美容产品推荐中的挑战，特别是涉及将产品颜色与人的肤色进行比较，比如粉底和遮瑕产品。我们引入了一个机器学习框架用于光照评估，通过将图像分类为良好或恶劣的光照条件，为用户提供相机拍照时的实时反馈，从而改进了不同肤色的 - 卷积神经网络预测救护车需求
研究了应用卷积神经网络 (CNN) 把时间序列数据转换为热力图来预测救护车需求，结合历史救护车需求和外部信息如天气、事件、假日和时间等，提供了一个灵活的、通用的 CNN 架构，并使用贝叶斯优化框架进行特征选择和超参数优化。在西雅图的 911 - 面向 EEG 情感识别的时间感知混合注意力卷积及 Transformer 网络 (MACTN)
提出了一种基于分层混合模型的情感识别方法 MACTN，该模型通过卷积神经网络 (CNN) 提取局部情感特征，通过 transformer 集成稀疏的全局情感特征，并利用通道注意机制识别最相关的通道，在实验中取得超过其他现有方法的分类准确度和 - 预想语音识别的脑电波频带分析
本文考虑使用 EEG 信号来实现想象中说出的话的识别，并对不同频带和大脑不同区域的信号进行分析，使用包含卷积神经网络（CNN）和长短时记忆网络（LSTM）的时空深度学习架构，在数字、字符和图像三个分类任务中获得了较高的分类准确性，其代码已在 - 使用卷积神经网络从 EEG 信号中检测抓取和举起
本文提出了一个从 32 通道 EEG 信号中自动检测 Grasp-and-Lift (GAL) 任务的方法，该方法结合了预处理和端到端检测步骤，消除了手工特征工程的要求，使用离散小波变换 (DWT) 的去噪滤波器、数据标准化和 CNN 模型 - MM通过协同蒸馏和核分解压缩面部化妆转移网络
本研究旨在压缩面部化妆转换网络，通过协作蒸馏和核分解这两种方法进行模型压缩，从而提高模型运行效率，试验结果表明，这种压缩方法可以有效地应用于美妆转换领域。
- ICML用于自举事件检测的时间序列标签超分辨率
本研究提出了一种新的框架，通过使用核密度估计器和卷积神经网络实现仅有少量标注数据、大量弱标注数据和大量未标注数据的时序数据集的训练。实验结果表明，使用核密度估计器进行超分辨率可以更准确、更具有校准性地实现标注，训练后的卷积神经网络在候选问题 - 可理解的基于上下文的文本游戏
本文提出了将位置和语法定向结构从文本中提取并使用快速卷积神经网络编码为状态的方法，并以通用和实用的方式增强奖励信号，以加快计算机智能体训练速度和提高其质量。
- 半监督特征学习在作者识别中的应用
本研究通过半监督特征学习管道建立起加权标签平滑正则化（WLSR）方法，将额外的无标签数据分配给加权一致的标签分布，用以解决线下手写体识别中监督学习方法所需的训练数据和潜在的过度拟合误差问题。在 ICDAR2013 和 CVL 等知名基准数据 - 使用卷积神经网络从运动数据评估外科技能
本文通过设计一种卷积神经网络 (CNN) 来自动评估机器人手术中的外科医生技能，经过我们提出的方法在 JIGSAWS 数据集上得到了非常有竞争力的结果，并通过类激活图来解释各分类并提供个性化反馈
- 利用通用数据增强改进深度学习
该研究基于对简单的 CNN 使用几何和光度扩增方案的试验性结果，通过 4 折交叉验证考察了不同的数据扩增方案，并证明 crop 扩增在几何扩增方案中可以显著提高 CNN 任务性能。
- ICCV基于约束的卷积神经网络弱监督分割
我们提出了一个名为约束卷积神经网络的方法，它使用一种新的损失函数来优化 CNN 模型输出空间上任何一组线性约束条件，并且通过大量实验得出该方法在弱监督语义图像分割任务中表现出卓越的效果。
- NIPS卷积核网络
通过用一种新型卷积神经网络（CNN）来编码不变性的再生核，本文解决了视觉识别中旨在设计对特定变换具有不变性的图像表示的问题， 其中与传统方法不同的是，我们的网络学习在训练数据上逼近核特征映射，从而带来了多个优势，包括获得具有不变性的简单神经