- CVPRMetaSCI: 视频压缩感知的可扩展和自适应重构
该研究论文提出了一种名为 MetaSCI 的元调制卷积网络，用于高速视频快照压缩成像（video snapshot compressive imaging，简称 SCI）重建，该方法能够快速适应新的掩码并扩展到大规模数据，并在实验中展示出优 - 深度学习大批量训练中的外推
本文提出使用计算有效的外推方法来稳定优化轨迹，同时通过平滑避免锐减的局部最小值，从而解决了大批量训练数据下的模型精度退化问题并且在 ResNet、LSTM 和 Transformer 等模型下得到证明。
- SIDU: 解释性人工智能的相似性差异与独特性方法
该论文提出了一种新的深度学习网络可视化解释方法 —— 显著性图，该方法能够有效地定位整个目标区域，与当前先进方法相比，该方法的视觉解释显示出更具有可信度和可信度，通过定量和定性的评估，验证了该方法的有效性。
- 深度学习在人工智能中的非凡有效性
深度学习网络在语音识别、图像描述和语言翻译等方面的高性能表现是由于它们利用高维空间的几何特性，然而它们究竟能否推广到实现全面的人工智能，以及和大脑规划和生存相关的其他区域的灵感还需做出重大突破。
- 基于深度学习的目标检测综述
本调查研究了物体检测领域的主要发展现状以及现有典型检测模型的方法和评估数据集，分别分析了一阶段和二阶段检测器的综合概述，并总结了物体检测的传统和新型应用，最后就利用这些物体检测方法构建高效系统的应用建议和发展趋势进行了探讨。
- 离散化解决方案：安全机器学习抵御对抗攻击
通过在深度神经网络中限制输入维数或参数维度，采用离散化方法可以显著提高不同数据集上的对抗攻击鲁棒性，2bit 离散化可在最大程度上提高对抗攻击抵抗力而只损失 1-2% 的精度。
- 开放集识别的分类重构学习
本文提出了一种名为 CROSR 的新型开放式识别深度学习网络方法，其不仅具有良好的未知类别检测和已知类别分类准确性，而且在多种标准数据集上的实验结果表明其优于其他现有的深度开放式分类器，并且具有鲁棒性。
- 自动盐堆分割：一种深度学习方法
本文介绍了一个基于深度学习的神经网络，利用 U-Net 结合 Spatial-Channel Squeeze & Excitation、Lovasz loss、CoordConv 和 Hypercolumn 等方法，对地震图像数据进行盐度沉 - 基于深度学习网络的 OFDM 系统频谱感知方法
本文提出了两种基于深度学习网络的 OFDM 信号感知框架，分别为 SAE-SS 和 SAE-TF，与传统的 OFDM 感知方法相比，这两种方法可以更好地处理噪声不确定性、时延和载波频偏，同时提高了感知准确度。
- 基于数据驱动的深度学习预测圆柱绕流不稳定流场
本文探讨了使用四种不同的深度学习网络（考虑和不考虑守恒定律的卷积神经网络，考虑和不考虑守恒定律的生成对抗网络）来训练和预测圆柱上的非稳态流场，通过使用实际的质量守恒和动量守恒物理损失函数以及非监督式的对抗性训练来提高预测准确度，并得到了与数 - AAAIr-BTN：有限面部补丁的跨域人脸复合和合成
使用递归生成双向转换网络 (r-BTN) 进行大面积缺失填补，生成逼真的人脸 / 素描，并对比现有潜力解决方案进行了广泛的实验来证明其优越性。