- DmADs-Net：用于医学图像分割的稠密多尺度注意力和深度监督网络
通过对复杂数据集和不同类型的数据集进行广泛实验，本研究提出了一种名为 DmADs-Net 的密集多尺度注意力和深度监督网络，通过特征提取、特征注意力块和特征融合等模块的创新，该网络在处理医学图像中的病变定位和特征提取方面取得了优于主流网络的 - RFL-CDNet：基于更丰富特征学习的准确变化检测
利用更丰富的特征学习来提高变化检测性能，我们提出了一种名为 RFL-CDNet 的新型框架，该框架采用深度多重监督来增强中间表示，并设计了 C2FG 模块和 LF 模块来进一步改进特征学习和获得更具有区分性的特征表示。
- 利用跨模态邻居表示改进 CLIP 分类
通过自动生成高质量多样文本，利用 CrOss-moDal nEighbor Representation (CODER) 对 CLIP 进行特征提取，提高 CLIP 在单模态特征提取上的性能，进而充分发挥其强大的跨模态匹配能力。
- pFedAFM：异构联邦学习中基于批次的个性化自适应特征混合
基于模型异构的个性化联邦学习通过自适应特征混合（pFedAFM）实现了训练不同结构个性化模型的联邦学习客户端，以应对非独立同分布的本地数据。
- 利用纹理分析的孔隙性池化层进行植物图像分类
通过引入新型的空洞汇聚层来丰富空间特征的表示，该方法在多个尺度上操作，能够自适应地学习分层特征，实验证明其在捕捉复杂空间模式和改进特征提取能力方面的有效性。
- 自适应局部二值模式：基于集成机器学习方法的增强 CT 扫描图像肾脏异常分析的新型特征描述符
我们的研究旨在利用 CT 扫描图像质量增强方法和自适应局部二进制模式（A-LBP）特征提取方法，结合五个分类器和软投票方法，实现对肾脏异常的自动检测，并取得 99% 以上的准确率。
- C2F-SemiCD：基于一致性正则化的粗细半监督高分辨率遥感图像变化检测方法
通过多尺度、通道注意力机制、空间注意力机制、全局上下文模块、特征细化模块、初始聚合模块和最终聚合模块等方式，逐渐完成从粗粒度到细粒度的变化特征提取；并使用均方差方法 (Mean Teacher Method) 将学生模型的参数更新为教师模型 - LMFNet：一种高分辨率遥感图像语义分割的高效多模态融合方法
提出了一种轻量级多模态数据融合网络（LMFNet），用于实现多模态遥感图像的融合和语义分割，通过权重共享、多分支视觉变换来同时容纳 RGB、NirRG 和 DSM 等各种数据类型，并通过多模态特征融合重构层和多模态特征自注意融合层对多模态特 - MambaDFuse: 利用 Mamba 构建的双阶段多模态图像融合模型
提出了一种基于 Mamba 的双相融合模型 (MambaDFuse)，用于解决现有方法在多模态图像融合任务中提取特征和融合特征的效率问题，通过设计双级特征提取器和双相特征融合模块，实现了具有良好融合结果的图像重建，并在红外 - 可见光图像融 - MM以人工智能引导的特征分割技术对单晶金刚石生长中的特征进行建模
通过比较传统方法和机器学习驱动方法，该论文提出了一种新颖的深度学习驱动的语义分割方法，用于钻石生长领域的特征提取，实现了对钻石、挡板和背景等几何特征的像素掩膜的分离和分类，通过注重标注的人在环软件架构实现数据集的训练，结合主动学习、数据增强 - 监督逐步机器学习用于方面类别检测
将深度神经网络与渐进式机器学习相结合，以解决评论句子中隐含和显式方面的检测问题，通过分析学习得到的 DNN 的潜在空间来建模实例之间的相似或相反关系，并在因子图中表示这些关系作为二元特征，最终的比较研究表明，该方法与纯 DNN 解决方案相比 - ICLR演化图中的时间推广估计
图神经网络在各个领域得以广泛应用，但面对图演变时往往难以保持准确的表示。本文从信息论的角度分析表示失真，并通过自监督图重构引入了一个简单而有效的基线方法 Smart，该方法通过自适应特征提取器提供了出色的泛化估计性能，实证结果表明其在真实演 - CVPR基于神经聚类的视觉表示学习
我们通过重新审视聚类，一种机器学习和数据分析中最经典的方法之一，来研究机器视觉的一个基本方面：特征的测量。我们提出了特征提取与聚类（FEC）的概念性优雅但惊人的特征提取方法，它将特征提取视为从数据中选择代表并自动捕捉底层数据分布的过程。通过 - 信号处理与机器学习的交叉研究：基于应用案例分析方法
近年来，感知、测量和计算技术的最新进展已大大扩展了基于信号的应用的潜力，利用信号处理和机器学习之间的协同作用来提高性能和可靠性。本文研究了信号处理和机器学习之间的知识缺口，并针对特征提取技术进行了综述和分类，提出了两种应用场景。
- 基于生成对抗增强的多尺度卷积神经网络模型的滚动轴承故障诊断方法
基于生成对抗增强多尺度卷积神经网络模型的滚动轴承故障诊断方法，通过编码滚动轴承的时间域信号并生成特征图，扩展训练样本集并提取故障特征，应用注意力机制进行特征加权和深度特征提取，通过 softmax 分类器完成故障诊断，具有更好的泛化性能和抗 - Nellie：2D/3D 活细胞显微镜下的自动细胞器分割、跟踪和分级特征提取
动态细胞器的分析是一个巨大挑战，但对于理解生物过程至关重要。我们介绍了 Nellie，一个自动化无偏见的管道，用于分割、跟踪和提取多样化的细胞内结构。Nellie 根据图像元数据进行调整，消除了用户输入。Nellie 的预处理管道能够增强多 - SAMCT: 无需劳动的任务指示器提示下，对任何 CT 进行分割
该研究提出了一个强大的基础模型 SAMCT，通过 U-shaped CNN 图像编码器、交叉分支交互模块和任务指示器提示编码器的使用，实现了对医学成像中各种任务的自动化操作，并在相关任务上展示了其相对于现有模型的优越性。
- 交通事件管理中大型语言模型的严重程度分类整合：一种机器学习方法
该研究评估了大型语言模型对于改善交通事故管理中的机器学习过程的影响，研究了使用事故报告对事故严重程度进行分类时，由现代语言模型生成的特征在改进或匹配预测准确性方面的程度，并进行了多个比较以验证语言模型和机器学习算法的组合。研究结果显示，将语 - 異構集成方法對重新識別的有效性研究
本文介绍了一种新的集成方法，用于工业实体的重新识别，使用了芯板托盘和镀锌金属板的图像作为数据集示例，并使用简化的、基本的模型代替常用的复杂孪生神经网络，提供更广泛的适用性，尤其适用于硬件限制的场景。我们的算法在训练时间的一小部分内使用了不同 - 多测试的层级特征融合增强外部分布检测
提出一种名为多测试层级异分布检测（MLOD）的框架，通过严格的多测试程序，在不需要修改或微调预训练分类器的结构的情况下，能够在不同特征层级上识别测试样本中的分布偏移，并通过有效利用不同深度的特征提取器，有效提高异分布检测性能。