Structured Semantic Supervision for Annotation-Scarce Composed Image Retrieval
本文提出了一种用于组合图像检索的零样本自适应框架,该框架利用来自无标签图像的结构化语义监督,在不依赖人工标注三元组的情况下,提升了标注匮乏领域的细粒度检索性能。
2363 篇论文
本文提出了一种用于组合图像检索的零样本自适应框架,该框架利用来自无标签图像的结构化语义监督,在不依赖人工标注三元组的情况下,提升了标注匮乏领域的细粒度检索性能。
本文提出了 MESFusion,这是一个通过结合模态感知增强模块、用于捕获长程依赖关系的空域门控 Mamba 模块以及统计引导自适应融合模块,来解决多模态医学图像融合中异构特征分布和自适应集成挑战的新型框架,从而在不同数据集上实现鲁棒且高质量的融合。
本文提出了一种轻量级特征重校准策略,通过在系数回归分支中自适应地强调相关通道,增强了傅里叶轮廓回归在遥感目标检测中的准确性,在多个基准测试上实现了显著的性能提升,且计算开销微乎其微。
本文提出了一种具有约束动态融合机制的时空-频率双域框架,以有效平衡全局结构建模与局部细节保留,从而在抑制振铃伪影的同时,实现了最先进的运动去模糊性能。
本文提出了一种可解释的敏感性感知加密框架,该框架利用带有 SHAP 可解释性的随机森林模型来动态评估电子邮件的敏感性,并应用自适应混合 AES–ECC 加密,从而在企业通信的计算效率与强健保护之间实现平衡。
本文提出了 Agentic CAMA-DRL,一种上下文感知的多智能体深度强化学习框架,该框架通过协调配送运营商、充电站、车队规划师和环境监管机构,来优化城市最后一公里物流中的电动自行车充电,与传统的基于规则的方法相比,在提高车队利用率、准时性、减少拥堵以及降低二氧化碳排放方面取得了显著改进。
本研究提出了一种用于教育数据挖掘中堆叠集成学习的可推广七步工作流,通过严格的跨机构验证和数据泄露审计,揭示了仅靠算法复杂度并不能确保预测准确性,并强调了机构校准与方法论严谨性的至关重要性。
本文提出了一种 HDFC-ASS,这是一种分类-回归协同模糊代理辅助进化算法,该算法通过集成变量相关性引导的 Kriging 策略、模糊分类器辅助的局部开发机制以及收敛度-多样性-不确定性协同准则,旨在严格的评估预算下有效解决昂贵的高维多目标优化问题。
本研究提出了一种基于 MobileNetV2 的轻量级卷积神经网络(CNN),用于基于多光源面部成像的多参数皮肤评估,在展示该方法潜力的同时,也强调了由于数据集不平衡和样本量较小而在特征提取和性能方面存在的当前局限性。
本研究提出了一种结合了 InceptionResNetV2 和 ResNet-18 的集成深度学习模型,该模型基于本地采集的尼日利亚乳腺 X 线摄影数据进行训练,在将乳腺癌分类为 BI-RADS 类别方面达到了 99.26% 的准确率,其表现优于单一模型,并强调了使用具有本地代表性的数据集对于人工智能开发的重要性。