cs 篇论文 | Gist.Science

FGD-Det 是一种高效的非对称多光谱目标检测框架，它通过异构双流骨干网络和具有频率引导解耦对齐特征的分阶段融合策略，解决了信息密度差异和空间失配问题，在 LLVIP 和 FLIR 基准测试上实现了最先进的性能，并显著降低了计算成本。

本文提出了 PR-CNN，这是一个集成卷积神经网络、金字塔拆分注意力机制和关系网络的深度学习框架，通过有效应对细微视觉差异、复杂背景以及数据可用性有限等挑战，实现对豆叶病害高精度且鲁棒的识别。

本文提出了一种名为 AIO-MSVM-WMK 的新型全方位多类支持向量机框架，该框架将加权多核学习与样本优化相结合，旨在实现更高的分类准确度，并显著降低在高维数据集上的计算时间。

PredictStroke 是一个模块化的两阶段系统，该系统将用于长期中风风险预测的集成机器学习模型与用于急性症状分诊的实时视觉及语音分类器相结合，在展示高风险评估性能的同时，验证了尽管实时评分较低，但独立急性检测模块具有可行性。

本文引入了“训练即干预”（Training as Treatment）这一因果框架，该框架将数据角色分配和流水线选择建模为干预措施，旨在通过严谨地分析机器学习评估指标，来解释模型诱导的干扰，并实现针对公平性、泄漏和泛化能力的更稳健的诊断。

本研究提出并评估了一种基于隐马尔可夫模型框架的非特定说话人提格雷尼亚语自动语音识别系统，用于处理埃塞俄比亚法庭审理程序，通过使用基于 24 名母语使用者定制语料库训练的上下文相关声学模型，实现了 73.84% 的词准确率。

本文证明了将已知的机制性 SIR 结构与用于处理不确定传播动力学的神经网络相结合的通用微分方程（Universal Differential Equations），在预测准确性、鲁棒性和数据效率方面均优于完全数据驱动的神经常微分方程（Neural ODEs），尤其是在数据有限且噪声较高的条件下。

这项针对2015年至2025年综述证据的系统性合成，识别了虚拟现实在不同领域采用过程中的关键决定因素与障碍，并强调需要一个综合性框架来解决方法论上的空白，并将认知、体验、生理及组织因素结合起来，以确保长期的用户参与。

本文提出了一种用于初中美术教育的计算机辅助多模态反馈评估模型，该模型通过整合视觉与文本分析、证据追踪及教师审核，显著提高了评估的可靠性并降低了误差率。

本文提出了一种将数据血缘（data lineage）作为可信金融数据流水线基础设施进行运作的框架，并通过部署证明该框架显著缩短了审计响应时间，并实现了对数据源及转换过程的可机验证追踪。