💻 计算机科学
SSRNet: Robust Facial Expression Representation Learning Using Structure Prior and Self-Supervised Regularization
该论文提出了 SSRNet，这是一个鲁棒的面部表情识别框架，它结合了结构先验引导的特征增强模块与自监督对比学习，以有效应对噪声和遮挡等现实世界中的挑战，并在 FER2013 和 RAF-DB 数据集上实现了最先进的性能。
💻 Category
cs
4067 篇论文
💻 计算机科学
A million-scale cross-document clinical citation-evidence question answering dataset
本文介绍了 RefQA，这是一个包含 152 万条源自 PubMed Central 的跨文档临床引用-证据问答记录的百万级数据集，其具有结构化元数据、可验证的断言溯源以及高质量标注，旨在支持临床引用分析领域的研究。
💻 计算机科学
ER-Curriculum-DDQN for Critical Task Offloading in UAV-MEC via Transparent LEO Relays
本文提出了 ER-Curriculum-DDQN，这是一种深度强化学习框架，该框架通过整合可行性掩码、关键任务压力特征以及预留引导的课程学习，来优化通过透明低轨卫星中继的无人机-边缘计算（UAV-MEC）系统中的在线任务卸载，从而在严格的服务窗口约束下最大化关键任务的完成率。
💻 计算机科学
Efficient Residual YOLOv12-L Atrous Squeeze LightGBM Optimized Fuzzy CatBoost Network for Vehicle Identification in Traffic Environments
本文提出了 RYAS-LOFCN 框架，该框架通过将带有特征金字塔网络（FPN）的残差空洞挤压注意力网络（Residual Atrous Squeeze Attention Network）与基于 YOLOv12-L 的 LightGBM 优化模糊 CatBoost 网络相结合，旨在克服检测远距离及视觉相似交通目标的局限性，在车辆识别方面实现了 98.63% 的准确率和 98.56% 的精确率。
💻 计算机科学
Deployment-Aware Codec Selection for Learned RGB-D Compression in Edge--Cloud 3D Reconstruction
本文提出了一种用于在边缘-云端 3D 重建系统中选择学习型 RGB-D 编解码器的部署感知框架，证明了优先考虑显式硬件和运行时约束，比传统的硬件基准方案能更好地平衡编码速度、内存使用量和重建质量，从而提供了一种实用的解决方案。
💻 计算机科学
A Hybrid Semantic–Lexical Framework for Intelligent Data Quality Enhancement Using Ontology Reasoning and NLP-Based Validation
本文提出了一种结合了基于本体的推理与由自然语言处理驱动的词汇校验的混合语义-词汇框架，旨在显著增强异构文本数据集中的上下文异常检测与智能数据纠错，并通过在受污染的医疗数据上表现出的优于传统仅基于词汇方法的性能证明了这一点。
💻 计算机科学
Agent-MIRUPD: Operationalizing LLM Agents for Microservices Incident Response Under Performance Degradation
该论文提出了 Agent-MIRUPD，一种基于大语言模型（LLM）的智能体框架，它将可观测性数据与结构化多步推理相结合，以实现微服务故障响应全生命周期的自动化，与现有基准相比，在诊断速度、缓解准确性和 Token 效率方面均取得了显著提升。
💻 计算机科学
Performance Evaluation of Spatial Hashing with Temporal Coherence for Particle Neighbor Search
本文表明，虽然利用时间相干性来增量式地维护空间哈希表可以在相干运动场景下显著加速粒子邻域搜索，但其性能优势对粒子运动和表负载高度敏感，因此当这些因素超过特定阈值时，进行全量重建通常是更稳妥的选择。
💻 计算机科学
DFL-YOLO: A Density-Guided Network with Large Selective Kernels and Frequency Decoupling for Dense Multi-Class Tree Crown Detection
DFL-YOLO 是一种创新的检测框架，它通过集成大选择性内核（Large Selective Kernels）、密度引导的频率解耦分支（Density-Guided Frequency Decoupling Branch）以及多策略加权 IoU 损失（Multi-Strategy Weighted IoU loss），有效地解决了无人机影像中密集多类别树冠检测中的尺度变化、特征歧义和定位误差问题。
💻 计算机科学
Multi-Objective Incremental Path Planning with Learning-Guided Sampling and Kinematic Constraints for Autonomous Vehicles in Dynamic Occupancy Grid Environments
本文提出了 LKSD-PRRT*，这是一个针对动态网格环境下自动驾驶车辆的模块化路径规划框架，该框架集成了学习引导采样、多目标增量重连、三阶段平滑以及动态路径修复，与现有方法相比，显著提升了规划成功率、路径质量和恢复效率。