- AutoFHE：用于 FHE 上高效评估的 CNN 自动适应
AutoFHE 通过采用分层混合度多项式激活函数，与同态评估架构联合优化以在 RNS-CKKS 下适应标准 CNNs，从而提高安全推理的速度和准确性。
- 基于过拟合的图像压缩的频率感知再参数化
通过在频域进行直接优化的离散余弦变换（DCT）卷积核加权求和的重新参数化方法，在低计算成本下，通过与 L1 正则化相结合，实现了显著改善的率失真性能，从而克服了过拟合图像压缩中的权重存储问题和实用性快速收敛困难。
- 植物病害分类的概念解释性
利用深度卷积神经网络进行植物疾病分类在快速和早期识别植物疾病方面显示出卓越性能，然而由于它们相对于人类专家的鲁棒性、透明性和可解释性的问题，这些方法尚未全球范围内得到采用。本研究首次使用了 Testing with Concept Acti - 深層增強多模態集成人臉識別及樣本級權重
利用多模型增强技术和样本级加权方法提出了一种强大的特征提取器，通过解决当前面部识别训练基准中高质量图片过多导致对困难样本泛化能力差的问题，以及将样本困难度纳入训练准则，取得了比其他算法更优的表现。
- 深度卷积神经网络的最优逼近和学习速率
这篇论文研究了带有零填充和最大池化的深度卷积神经网络的逼近和学习性能分析，证明了对于逼近 r 次平滑函数，深度 L 的卷积神经网络的逼近速率在 (L^2 / 对数 L)^(-2r/d) 的数量级上，是最优的。此外，我们推导了在深度卷积神经网 - 带零填充的深度卷积神经网络：特征提取与学习
本研究通过验证零填充在特征提取和学习中的作用，以及池化在其平移不变性驱动的性质中的作用，表明具有相似自由参数的深度全连接网络可以通过零填充的 DCNNs 来表示，从而证明了零填充的 DCNNs 在特征提取方面优于 DFCNs。因此，我们推导 - TriadNet：3D 脑 MR 图像病灶体积的无需采样的预测区间
脑病变的体积是患者预后的一个重要指标，本文提出了 TriadNet，一种基于多头卷积神经网络架构的分割方法，可以在不到一秒钟内同时提供病变体积和相关的预测区间，证明其在大规模 MRI 胶质母细胞瘤影像数据库（BraTS 2021）上的优越性 - 深度神经网络如何学习组合数据：随机层次模型
本文探讨了使用深度卷积神经网络训练高维数据的难点，回答了在随机分层模型中学习所需的训练数据量成长与类别数、高级特征组成式的幂、重复次数成多项式关系的问题，并给出了相应的估算方法。
- 基于分片的密文同态加密数据的高分辨率卷积神经网络
本文介绍了一种基于 RNS-CKKS 同态加密方案的深度卷积神经网络（DCNNs）的加密评估方法，通过对图像进行简化且高效的同态评估，获得了高精度对高分辨率 ImageNet 数据集的评估结果，同时在 CIFAR-10 数据集上获得了最高的 - 实时缺陷检测数据生成中 X 射线散射效应的量化研究
通过对 X-ray 扫描中 X-ray 散射算法的定量评估，对比了在包含和不包含散射信号的情况下进行训练后，采用深度卷积神经网络（DCNN）进行 defect detection 的准确性。结果表明，不包含散射信号的训练数据对最小可检测缺陷 - 高效基于脉冲编码的图像去噪的神经信息编码
通过使用 Leaky Integrate and Fire 神经元，我们研究了脉冲神经网络在高斯去噪任务中的性能，结果表明相对于深度卷积神经网络，SNN 能够在降低计算负载的情况下提供有竞争力的去噪性能。
- 面部识别视觉显著性解释研究
该论文提出了一种新的人脸识别解释框架，使用基于视觉显著性的解释方法来揭示深度人脸识别模型的决策过程；并提出一种新的相关性算法（CorrRISE）来生成显著性图，可同时揭示任意给定一对人脸图像中的相似和不同区域，并设计了两个评估指标来评估人脸 - 使用图卷积网络提取建筑物轮廓
本文提出一种利用图卷积网络解决卫星图像中建筑物轮廓提取精确性问题的端到端框架，相对于现有方法有更好的表现。
- 单帧空间图像自动 RSo 条纹检测的模拟增强基准测试框架
为了解决巨大的数据缺口和评估方法的挑战，本研究提出了一种模拟增强基准评估框架，以有效地训练和评估深度卷积神经网络探测器对居民空间物体的探测，其中模拟数据和图像分辨率的量是评估探测方法的高准确性和有效性的两个关键因素。
- Cluster Flow：层次聚类层如何使深度神经网络更具抗攻击性、更接近人类和更容易实现关系推理
ClusterFlow 可以在卷积神经网络上运行，利用训练数据的多维分类和特征数据来构建类 / 特征的高超图，并通过三个任务展示 ClusterFlow 如何使现代深度卷积神经网络更具人类感性功能，以及 ClusterFlow 如何适用于非 - MProtoNet: 基于案例的可解释性模型用于三维多参数磁共振成像的脑肿瘤分类
本文提出了一种基于 ProtoPNet 的神经网络模型，即 MProtoNet，用于处理 3D mpMRI 数据并实现脑肿瘤分类。该模型引入了一种新的注意力机制，结合软化掩膜和在线 CAM 损失函数，在没有人工标签的情况下显著提高了正确性和 - 使用双卷积神经网络与跳跃连接进行图像盲去噪
本文介绍了一种名为 DCBDNet 的新型卷积神经网络，该网络通过跳跃连接实现了在模型复杂性和降噪效果之间的理想平衡。实验证明，该网络可以在多个合成和现实世界的图像去噪基准数据集上实现有效的高斯噪声去除，在模型结构简单的情况下可以获得与含复 - 多级注意力 CNNs 用于领域泛化
本文提出了一种针对领域泛化问题的替代神经网络结构，该结构可以关注卷积神经网络的多个层次，利用可训练的注意机制来实现鲁棒的数据分类，同时在已有的四项领域通用基准测试中表现良好。
- CVPR通过时空数据过度拟合实现高质量、高效的视频超分辨率
利用深度卷积神经网络，结合时空信息，通过数据导向联合训练技术，实现高质量高效实时的视频超分辨率提升，相比现有技术在流媒体视频分辨率提升任务中提高了 14 倍帧率同时提高 2.29dB 的画质。
- ICLR血液形态学中鲜明细胞分类的失衡域泛化
本文介绍了一种针对不同细胞域之间数据分布不平衡和因噪声、神经元元素变化等因素引起的域移动问题的深度卷积神经网络。该方法在精确识别细胞分类方面表现出色，为实验室和诊所的应用提供了坚实的基础。