- 关于使用一阶和二阶导数近似进行生物特征在线签名识别的研究
通过对 MCYT330 在线签名数据库进行实验，研究了特征提取中不同的逼近方法对于模式识别应用的影响，特别关注了 delta 和 delta-delta 参数。结果显示，11 点逼近优于 1 点逼近，识别率提高了 1.4%，随机伪造减少了 - 元启发式方法与大语言模型联手：走向一种综合优化方法
该论文介绍了一种创新方法，利用 Large Language Models（LLMs）作为模式识别工具来改善元启发式算法，并通过在基于社交网络的组合优化问题中进行测试，证明了该混合方法在解决方案质量方面优于现有的结合机器学习和元启发式算法的 - 面部识别训练 / 测试数据中的身份重叠：导致准确性测量中的乐观偏差
模式识别的基本原则之一是训练和测试集之间的重叠会导致对准确性的乐观估计，在人脸识别中，由于训练集中的标识进行 N 路分类，通常将准确性估计为来自测试集（如 LFW、CALFW、CPLFW、CFP-FP 和 AgeDB-30 等）图像对的平均 - 学习字符串序列
采用通用相似度度量（USM）作为 K - 最近邻（K-NN）学习器中的替代距离度量，有效地识别可变长度序列数据，并与常用的字符串 - 词向量方法进行对比实验证明，USM 方法较字符串 - 词向量方法在垃圾邮件过滤和蛋白质亚细胞定位等领域的预 - 深度度量元学习用于鲁棒且可解释的基于肌电的手势识别
我们提出了一种基于深度度量元学习的肌电图案识别模型，通过使用 Siamese 深度卷积神经网络和对比三元损失来学习能够捕捉不同类别分布的肌电特征嵌入空间，进而采用最近质心方法进行推断，提出了一种有效的基于类近程度的置信度评估器，改善了分类器 - 有限监督的原子级光学化学结构识别
通过图形表示或图像识别分子的化学结构是一项具有挑战性的模式识别任务，在药物开发方面具有很大的好处。我们提出了一种新的化学结构识别工具，该工具提供了最先进的性能，并可以适应少量数据样本和监督下的新领域。与以前的方法不同，我们的方法提供了原子级 - 基于量子启发的混合 Resnet 和 Densenet 的模式识别与完整性分析
应用在复杂和不可预测环境中综合评估和改进新型神经网络的性能，我们提出了两种基于残差连接和稠密连接的混合量子启发神经网络，采用完备性表示理论进行模型评估。与传统深度学习模型进行比较分析后发现，我们的混合模型在参数复杂度较低的情况下不仅与纯经典 - AAAI基于人类磁心电图信号的身份信息
我们基于磁心电图（MCG）信号开发了一个个体识别系统，利用光泵磁强计（OPMs）捕获的信号。我们的系统使用模式识别分析不同身体位置上获取的信号，通过扫描由 MCG 信号构成的矩阵，并使用 2*2 窗口。为了利用 MCG 信号的空间信息，我们 - 解决非相交类别识别问题的代数方法
本论文提出了考虑各种模式识别模型，并提出了以识别算子和决策规则形式考虑模型的方法。在识别算子上引入了代数运算，并基于这些算子的应用创建了一族识别算法。同时对该模型构建了上估计，以保证扩展的完备性。
- 基于不确定性感知的桥接式移动 Former 网络用于基于事件的模式识别
基于事件流的轻量级不确定性感知信息传播的 Mobile-Former 网络用于有效的模式识别，对多个事件识别数据集进行了广泛实验验证。
- 嵌入式橱窗陈列合规控制系统
零售行业的一个重要挑战是货架陈列合规控制，本研究提出了一个完整的嵌入式系统来解决这个问题。系统包括图像采集和传输、目标检测、货架陈列合规控制、能源收集和管理等多个关键组件，并通过实验验证了其优势和弱点。
- CCNETS: 基于大脑启发的新型方法，用于增强不平衡数据集中的模式识别
CCNETS 是一种基于生成模型的分类器，针对模式识别中不平衡数据集的数据生成挑战，通过模拟大脑信息处理的构造，有效地生成高质量数据集并提高分类性能。在应用于 “欺诈数据集” 时，CCNETS 表现出卓越的分类能力，通过 F1 分数达到 0 - 嵌入式形状匹配在摄影测量数据中的应用于建模知识
使用摄影测量学、三维模型、模式识别、表面表示和文化遗产，提出了一种新的基于映射的文化遗产设计和制作方法。
- 释放 CNN 和 Transformer 在平衡的 RGB - 事件视频识别中的力量
基于 RGB-Event 数据的模式识别是一个新兴的研究课题，本文提出了一种相对轻量级的 CNN-Transformer 模型 TSCFormer，该模型在全局和本地特征提取上取得了平衡，经过大规模实验证实了其有效性。
- 通过多尺度 Retinex 和深浅特征提高亲属验证
运用多尺度 Retinex 前处理方法，结合深浅纹理描述符，通过逻辑回归方法在评分水平上巧妙地融合，从而提高图像质量和对比度，从而在亲缘验证方面取得了鲁棒性和效果优异的结果。
- 在 SpiNNaker 上使用脉冲神经网络，通过 STDP 和稳态调节进行空间特征的监督学习
该论文介绍了一种在脉冲神经网络（SNN）上执行监督学习的新方法，通过使用时序相关可塑性（STDP）和稳态调节训练网络以识别空间模式，该方法通过 SpiNNaker 数字架构进行测试，结果表明 SNN 能够以高准确率识别单个训练模式，但当训练 - 基于大型视觉 - 语言模型的语义感知框架 - 事件融合式模式识别
整合 RGB 帧、事件流和语义标签的模式识别框架，利用预训练的大规模视觉 - 语言模型（CLIP）提取特征，并通过多模态 Transformer 网络集成这三种形式的特征，通过实验证明了 SAFE 模型的有效性。
- 快速 Hough 变换中双线偏差分析
快速霍夫变换是模式识别中广泛使用的算法，本研究旨在分析偶数线与理想线的偏差，结果显示均值偏差为零，方差随图像线性尺寸的对数增长，且随着线性尺寸的增大，这些偏差的（适当归一化后）分布趋于零均值和小方差的正态分布，这一结果基于遍历论。
- LIGO 时间序列中检测引力波失效的高效机器学习集成方法
本文提出了两种新的机器学习和深度学习集成方法（即 ShallowWaves 和 DeepWaves 集成），用于检测引力波观测所得数据集中的不同类型的噪声和模式。我们的研究还探讨了多类别分类的各种机器学习和深度学习技术，并提供了一个综合基准 - 循环网络识别具有低维振荡的模式
通过对一个受 SET 卡牌游戏启发的简单任务上训练的循环神经网络（RNN）进行解读，本研究提出了一种新颖的动力学机制用于模式识别。我们将训练后的 RNN 解释为通过低维极限环中的相位转移以类似于有限状态自动机（FSA）中的状态转换来识别模式