💻 计算机科学
Joint Enhancement of Multi-Scale Features and Adaptive Loss for YOLOv5
本文提出了一种针对 YOLOv5 的多维度协同增强框架，该框架集成了 LAB 空间的 CLAHE、带有 Varifocal Loss 的高分辨率 P2 检测层，以及结合通道注意力的可变形卷积，旨在有效解决工业视觉检测中面临的低光照、小目标及几何变形挑战，并在专门的吨袋数据集上实现了优于主流检测器的卓越性能。
💻 Category
cs
4092 篇论文
💻 计算机科学
DBDNet: Frequency-Constrained Dual-Branch Decoupling Network for Multi-Modality Image Fusion via Wavelet Transform
本文提出了 DBDNet，一种双分支解耦网络，该网络利用小波变换和基于频率的物理先验，有效地将模态共享的低频背景与模态特有的高频细节进行分离，从而在多模态图像融合及下游目标检测任务中实现了最先进的性能。
💻 计算机科学
DeepCork: A Two-Stage Deep Learning Framework for Automated Defect Inspection of Natural Cork Stoppers
DeepCork 是一个两阶段深度学习框架，它结合了基于 ResNet152 的二分类器与基于 YOLO 的检测器，旨在实现对天然软木塞的高精度、实时缺陷检测，同时在工业制造中有效平衡定位精度、延迟约束以及预测不确定性。
💻 计算机科学
BioPretext: A Multimodal Self-Supervised Learning Framework for Orthopedic Feature Extraction via Cross-Modal Signal Alignment and Dynamic Fusion
BioPretext 是一种新颖的多模态自监督学习框架，它通过跨模态对齐和动态融合，将几何成像与序列生物信号统一起来，以增强骨科特征提取及下游任务性能。
💻 计算机科学
Smart Honeypot for Threat Detection and Classification in IoMt Networks
本文提出了 HoneyMed，一个面向 IoMT 网络的协议感知型蜜罐框架，该框架通过模拟医疗服务，利用机器学习实时捕获并分类攻击，在实现随机森林 98.50% 准确率的同时，生成不危及生产资产的区块链就绪型证据。
💻 计算机科学
nterpretable Alzheimer’s Disease Detection from CHAT Transcripts Using Criterion-Guided LLM Prompting and In-Context Learning
本文提出了一种无需训练且具有可解释性的框架，该框架利用大语言模型的准则引导提示（criterion-guided prompting）和上下文学习（in-context learning）技术，通过人工转录的语音检测阿尔茨海默病，在 ADReSS 2020 基准测试中实现了最先进的性能，同时强调了对高质量人工转录文本的关键依赖。
💻 计算机科学
Multi-Expert Measurement-Aware Learning for Carotid Intima-Media Complex Segmentation and Thickness Quantification in Ultrasound Images
本文提出了一种多专家测量感知学习框架，该框架利用多个专家的标注和一种专门的损失函数，旨在同时提高超声图像中颈动脉内中膜复合体分割的准确度以及毫米级厚度量化的精度，从而有效减轻评分者间差异性的影响。
💻 计算机科学
XGNN-ID: Explainable Graph Neural Network Framework for Imbalanced Datasets
本文介绍了 XGNN-ID，这是一个可解释图神经网络框架，它集成了一种新颖的选择性验证加权集成与节点导入门控机制（SVW-NG），旨在有效解决类别不平衡问题并增强模型在各种图数据集上的可解释性。
💻 计算机科学
A Framework for Natural Language Processing Integration in Human Resource Management
本研究提出了一种统一的、基于自然语言处理（NLP）的人力资源管理框架，该框架整合了招聘、情感分析和沟通工具，以提高效率并优化决策，同时也承认了与数据隐私、算法偏见及系统可扩展性相关的重大挑战。
💻 计算机科学
A Multimodal Deep Learning Framework for Early Epileptic Seizure Prediction Using EEG, Wearable Signals, and Behavioral Patterns
本文提出了一种新型多模态深度学习框架，该框架通过跨模态注意力系统和自适应个性化技术，整合了脑电图（EEG）、可穿戴生理数据及行为数据，旨在实现高准确度、早期癫痫发作预测并降低误报率。