- LiBeamsNet:有限 DVL 测量情况下的 AUV 速度向量估计
本文提出了一种深度学习框架 LiBeamsNet 来预测缺失的激光速度,并通过对地中海的海上实验验证其性能,实现了 AUV 海底导航的高准确度
- 时间最优、匀加速交会的神经表示
利用神经模型和数据增强技术,在深度学习框架下,实现低推力阶段的快速、准确太空交会的优化、值函数预测,实验结果表明模型在预测太空航行中的速度和时间上拥有高的精度。
- SIGIR利用 Transformer 模型预测电商商品尺寸
本文提出了一个利用 Transformers 来预测商品适合买家尺寸的新型深度学习框架 PreSizE,通过集成商品属性和买家购买历史等内容来有效解决冷启动和买家数据不足等问题,与现有的基线模型相比,证明了 PreSizE 有着更优秀的预测 - 使用注意力卷积网络从人脸图像中预测年龄和性别
本文提出了一种基于注意力网络和残差卷积网络集成的深度学习框架,可以高精度地预测面部图像的性别和年龄组,并通过可视化模型的注意图证明其能够敏锐地监测到面部适当部位,同时,在多任务学习方面得到了不错的成果。
- KDD关于盈利电话会议和股价走势的研究
本文提出使用深度学习框架,通过对收益电话记录进行建模,应用注意力机制将文本数据编码为向量以预测股票价格的变化,实证实验表明该模型优于传统机器学习基准,并且收益电话信息可以提升股票价格预测性能。
- 一种用于农作物产量预测的 CNN-RNN 框架
该研究提出了一种使用深度学习框架的 CNN-RNN 模型,基于环境数据和管理实践来进行作物产量预测,能够有效地捕捉时间依存性,泛化性和预测精度,具有广泛的应用前景。
- ICCV级联上下文金字塔用于全分辨率 3D 语义场景补全
本研究提出了一种新的深度学习框架 CCNPNet,它采用级联金字塔结构模型和引导型残差细化模块,可从单张深度图像中推断出体素化 3D 场景的占用率和语义标签,并在 SUNCG 和 NYU 数据集上取得了优于现有方法的高质量 SSC 结果。
- PH-GCN: 基于部分层次图卷积网络的人员再识别
本文提出了一种名为 Part-based Hierarchical Graph Convolutional Network(PH-GCN)的深度学习框架,用于人物重识别问题。通过信息交互,PH-GCN 在全局、局部和结构特征学习上同时进行, - 基于有符号距离的深度记忆推荐系统
本研究提出一种基于深度学习的个性化推荐算法,称为带符号距离的深度记忆推荐器,能够显式和隐式地捕捉用户和商品之间的非线性关系,并在一般的推荐任务和基于购物篮的推荐任务中表现良好。通过对两个推荐任务中六个真实数据集的大量实证研究,我们的方法显著 - CVPR利用特征白化和一致性损失进行无监督域适应
介绍了一种新颖的深度学习框架,通过实现特征白化和 Min-Entropy Consensus loss 来实现域自适应,对公开数据集进行了测试,并取得了新的最先进的性能表现。
- ML-Net:基于深度神经网络的生物医学文本多标签分类
ML-Net 是一个新型的深度学习框架,用于多标签分类生物医学文本,它通过组合标签预测网络和自动标签计数预测机制来在输出标签时利用每个标签的预测置信度和目标文档中的上下文信息,无需人工特征工程,具有高效、可扩展等特点。
- 基于预测的追踪:一种用于多人定位和跟踪的深度生成模型
本研究提出了一种全新的深度学习框架,包括生成对抗网络和数据关联策略,以解决多人定位和跟踪中的挑战。结果表明,该方法在各项性能评估指标中均表现突出,尤其是相对于其他深度神经网络方法。
- VAMP 网络:分子动力学的深度学习
本文介绍了使用 VAMP (变分方法) 和神经网络构建的深度学习框架 VAMPnets 用于分子动力学模拟数据建模, 改进当前手工制作的模型, 提供了易于解释的少状态动力学模型。
- ICCV利用空间融合卷积网络和面部关键点实现伪装人脸识别(DFI)
本文介绍了一种基于深度学习的面部关键点检测框架,利用两个注释的面部关键点数据集进行训练,进而实现伪装面部识别,并通过与其他深度网络的比较证明了其优越性,同时还通过与最新面部伪装分类方法的比较证明了其分类性能的有效性。
- 利用深度学习对计算机颜色恒常性问题进行分类处理
本文采用深度学习框架来解决计算机颜色恒常性问题,使用卷积神经网络将颜色恒常性问题视为照明分类问题,设计深度学习架构以直接用于计算照明颜色,实验结果表明我们的深度网络能够提取有用特征用于照明估计,且在多个测试数据集上性能优于所有先前的颜色恒常