- 数据驱动的智能计算设计:方法、技术及应用
数据驱动的智能计算设计(DICD)是利用深度学习算法从历史或虚构的设计过程数据中提取和表示设计特征,以实现设计解决方案的检索、生成、优化、评估等目的的研究热点。本文建立了 DICD 实现的系统理论参考,包括 DICD 项目计划的一般工作流程 - 在贝宁绘制小农户腰果种植园地图,以指导可持续的乔木作物扩种
利用高分辨率遥感图像和先进的深度学习算法,该研究成功地为贝宁生成了首张全国腰果种植地图,并研究了 2015 年至 2021 年间种植园面积的扩大以及土地使用变化,发现高密度种植园仅占一半,仍有潜力进行强化,但对保护区的入侵正在增加。
- WindowSHAP: 基于 Shapley Values 的时间序列分类器解释的高效框架
本文提出了 WindowSHAP 框架,一个用于解释时间序列分类器的模型无关框架,使用 Shapley 值来降低计算复杂度并提高解释质量,提供三个不同的算法,分别对应静态、滑动和动态时间窗口,应用于医学领域的数据,获得了较好的实验结果。
- ECCVDEArt: 欧洲艺术数据集
我们提出了 DEArt,它是一个针对文化遗产绘画的检测数据集,检测物体和姿势分类,是一个与众不同的数据集,具有 69 个类别和 12 个姿势,并且可以通过迁移学习实现与最先进模型相媲美的精度。
- 医学摘要普通语言适应数据集
为了让公众可靠理解庞大的医学文献,本研究提出了通过深度学习算法自动适应平民语言版本的解决方案,同时为了保证适应的准确性,首先需要建立一个金标准数据集,而为了解决目前现有的数据集相互不对齐及小试验集的问题,本研究建立了第一个均已手动适配的数据 - 使用合成森林图像对深度学习算法进行树木检测训练
本研究探讨了在森林环境中基于视觉的分割是自主林业操作(如伐树和前进)的关键功能之一。在本研究中,我们提出使用模拟森林环境来自动生成具有像素级注释的 43k 真实合成图像,并将其用于训练深度学习算法来进行树木检测。我们报告了使用这些合成数据集 - 使用级联双注意力 CNN 和双向 GRU 框架的人体运动识别
本文提出了一种空间 - 时间级联框架,利用深度学习算法提取人类活动的深入特征,并使用双向 Gated 循环单元进行长期时间建模和人类行为识别。实验结果表明,该方法与现有算法相比在帧每秒的执行时间方面提高了最多 167 倍。
- 基于过程知识融合的社交媒体自杀风险评估学习
通过引入、形式化和发展一个新的人工智能(AI)范式 —— 流程知识注入学习(PK-iL),大幅提高了深度学习算法的性能和自然语言解释能力,并为人类在现实世界中采用此技术提供了帮助。该方法构建了一个结构化的过程知识框架,明确解释了生成预测结果 - EEG-ITNet: 一种可解释的 Inception 时态卷积神经网络,用于运动想象分类
提出了一种名为 EEG-ITNet 的端对端深度学习架构,用于分类运动和精神任务,与其他现有的端对端架构相比,在 BCI 竞赛 IV 中微调丰富的光谱,空间和时间信息,取得了高达 5.9%的分类准确度的提高。
- 利用非规则卷积神经网络提升短期自行车共享需求预测
该研究提出了一种基于 IrConv+LSTM 的非规则卷积神经网络模型,可用于改善城市自行车共享短期需求预测,其考虑到了非相邻城市之间的联系。该模型在新加坡的无桩共享单车系统和芝加哥、华盛顿、纽约和伦敦的四个基于站点的系统,表现出比其他基准 - 计算机视觉应用图像标注调查
本研究对图像标注软件进行了系统性的文献综述和分类,提出了组织结构、用户界面设计选项和用户支持技术的体系化方案,并应用于现有软件和文献领域,揭示了多个应用原型和关键领域,如医疗保健或电视中的图像检索或实例识别。
- 流程预测深度学习现有技术的系统文献综述
该研究综合了深度学习算法在流程挖掘中的应用,着重通过系统性文献综述的方式,分析不同数据处理方案、网络拓扑结构、以及目标预测等方面的优缺点。
- 用表格转换器对多元时间序列进行建模
本研究利用深度学习算法构建神经网络模型,对具有层级结构的表格时间序列进行表示学习,提供了一种类似于 BERT 的预训练模型以及类似于 GPT 的合成模型,并在信用卡诈骗检测和空气污染浓度预测两个领域应用验证了模型的效果。
- 了解性别分类算法在不同性别 - 种族群体中的公平性
针对自动化性别分类系统在不同种族和性别群体中存在的差异性,本文分析了深度学习算法中的架构差异和训练集不平衡等潜在差异性来源,并在两个大规模的公开数据集上进行了实验。实验结果表明,不同算法的分类表现存在一致性,而且黑种女性和黑种族总体的准确率 - WECC 复合负荷建模的两阶段:基于双深度 Q 学习网络的方法
本文介绍了一种基于双深度 Q-learning 网络和蒙特卡罗模拟的 WECC 组合负荷模型建模方法,其有效地捕捉了动态负荷响应,并通过 IEEE 39 总线系统验证了其可行性。
- 防御恶意软件检测系统标签翻转攻击
本文针对物联网系统中高噪音率或高不确定性环境下的数据中毒攻击,提出了两种基于深度学习算法的防御方法(LSD 和 CSD),通过随机森林特征选择和不同特征类型的比较,取得了 19% 的准确率提升,实现对攻击的恢复和修复。
- 使用梯度正则化减少对抗样本的可转移性
本研究调查了不同模型之间的对抗样本的可传递性,研究表明梯度之间的夹角是影响对抗样本可传递性的根本因素,并给出了一种可以降低模型间对抗样本可传递性的改进简单训练方法。
- MM单图像超分辨率的深度学习:简要综述
介绍了基于深度学习的单图超分辨率问题的方法和分类,其中包括了网络架构和深度学习优化目标两个方面,归纳了各种方法的局限和改进,并从各种角度展开了比较和分析,并讨论了当前挑战和未来趋势。
- 物理对抗样本用于目标检测
对物理深度学习算法模型的物理攻击,提出了 Disappearance Attack 和 Creation Attack 进行检测,结果表明存在风险,攻击模型具有可迁移性
- 利用深度卷积神经网络从数字化标本中识别分类和特征
该研究使用卷积神经网络对数字化后的植物标本图像进行分类和特征提取,取得了良好的分类和识别效果,将有望用于未来的分类学和自然历史收藏管理工具中。