2363 Arbeiten
Dieses Paper schlägt ein Zero-Shot-Adaptations-Framework für die zusammengesetzte Bildabfrage vor, das strukturierte semantische Überwachung aus unbeschrifteten Bildern nutzt, um die feingranulare Abrufleistung in annotationsarmen Domänen zu verbessern, ohne auf manuell annotierte Tripletts angewiesen zu sein.
Dieses Paper schlägt MESFusion vor, ein neuartiges Framework, das die Herausforderungen der heterogenen Merkmalsverteilung und der adaptiven Integration bei der multimodalen medizinischen Bildfusion durch die Kombination eines Modalitäts-bewussten Verbesserungsmoduls, eines räumlichen Gated-Mamba-Moduls zur Erfassung langfristiger Abhängigkeiten und eines statistisch gesteuerten adaptiven Fusionsmoduls adressiert, um eine robuste, hochwertige Fusion über verschiedene Datensätze hinweg zu erreichen.
Dieses Paper schlägt eine leichtgewichtige Feature-Rekalibrierungsstrategie vor, welche die Genauigkeit der Fourier-Kontur-Regression für die Objekterkennung in der Fernerkundung durch die adaptive Hervorhebung relevanter Kanäle im Koeffizienten-Regressionszweig verbessert und dadurch signifikante Leistungssteigerungen auf mehreren Benchmarks bei vernachlässigbarem Rechenaufwand erzielt.
Dieses Paper schlägt ein räumlich-frequenzbasiertes Dual-Domain-Framework mit einem beschränkten dynamischen Fusionsmechanismus vor, um die Modellierung der globalen Struktur und die Erhaltung lokaler Details effektiv auszubalancieren, wodurch eine State-of-the-Art-Leistung bei der Bewegungsentschärfung unter gleichzeitiger Unterdrückung von Ringing-Artefakten erreicht wird.
Dieses Paper schlägt ein erklärbares, Sensitivitäts-bewusstes Verschlüsselungsframework vor, das ein Random-Forest-Modell mit SHAP-Interpretierbarkeit nutzt, um die Sensitivität von E-Mails dynamisch zu bewerten und eine adaptive hybride AES–ECC-Verschlüsselung anzuwenden, wodurch die Recheneffizienz mit einem robusten Schutz für die Unternehmenskommunikation in Einklang gebracht wird.
Dieses Paper schlägt Agentic CAMA-DRL vor, ein kontextsensitives Multi-Agenten-Deep-Reinforcement-Learning-Framework, das Lieferbetriebe, Ladestationen, Flottenplaner und Umweltregulierungsbehörden koordiniert, um das Aufladen von E-Bikes in der urbanen Last-Mile-Logistik zu optimieren und im Vergleich zu traditionellen regelbasierten Ansätzen signifikante Verbesserungen bei der Flottenauslastung, Pünktlichkeit, Stauvermeidung und den CO2-Emissionen zu erzielen.
Diese Studie schlägt einen verallgemeinerbaren siebenstufigen Workflow für das Stacking-Ensemble-Learning im Educational Data Mining vor, der durch eine rigorose institutionenübergreifende Validierung und Prüfung auf Data Leakage aufzeigt, dass algorithmische Komplexität allein keine Vorhersagegenauigkeit gewährleisten kann, und die kritische Notwendigkeit institutioneller Kalibrierung und methodischer Strenge unterstreicht.
Dieses Paper schlägt HDFC-ASS vor, einen klassifikations-regressions-kooperativen fuzzy-surrogate-gestützten evolutionären Algorithmus, der eine variabel-korrelations-gesteuerte Kriging-Strategie, einen fuzzy-klassifikator-gestützten lokalen Exploitationsmechanismus und ein konvergenz-diversitäts-unsicherheits-kooperatives Kriterium integriert, um teure hochdimensionale Multi-Objective-Optimierungsprobleme unter strengen Evaluationsbudgets effektiv zu lösen.
Diese Studie schlägt ein leichtgewichtiges, auf MobileNetV2 basierendes CNN für die multiparametrische Hautanalyse mittels Multi-Licht-Gesichtsbildgebung vor und demonstriert dabei das Potenzial des Ansatzes, während sie gleichzeitig aktuelle Einschränkungen bei der Merkmalsextraktion und der Leistung aufgrund von Datensatz-Imbalancen und einer geringen Stichprobengröße hervorhebt.
Diese Studie schlägt ein Ensemble-Deep-Learning-Modell vor, das InceptionResNetV2 und ResNet-18 kombiniert, welches auf lokal bezogenen nigerianischen Mammographie-Daten trainiert wurde und eine Genauigkeit von 99,26 % bei der Klassifizierung von Brustkrebs in BI-RADS-Kategorien erreichte, wobei es einzelne Modelle übertraf und die Bedeutung der Verwendung lokal repräsentativer Datensätze für die KI-Entwicklung hervorhob.