cs 篇论文 | Gist.Science

本文提出了多视图聚合 Transformer（MVAT），这是一个几何对齐框架，通过整合层级化多视图注意力、专门的通道调制模块以及绝对余弦相似度度量，在多个基准测试中实现了 3D 形状检索的最先进性能。

本文介绍了稠密双重注意力网络（DDAN），这是一种物理启发式的深度学习框架，通过将残差稠密块与双重注意力机制以及专门的复合损失函数相结合，在鲁棒地去除加性、乘性及混合光学噪声方面实现了最先进的性能。

本文提出了一种用于连续词级印度手语识别的注意力增强型时间卷积网络（TCN）框架，该框架利用 Mediapipe 进行关键点提取，并利用空洞卷积来有效捕获时空特征，在专门的数据集上展示了优于 BiGRU、BiLSTM 及混合模型的卓越性能。

该论文提出了 CP-GOF，一种针对高斯不透明度场（Gaussian Opacity Fields）的训练时剪枝方法，该方法利用了一种感知年龄的、零成本的指数移动平均重要性度量以及一种中心保护机制，旨在消除冗余高斯的同时保持几何保真度并降低存储开销。

本文提出了 KG-GNN-IPR 模型，该模型通过有效利用异构教育数据和多跳技能互补性，将知识图谱与图神经网络相结合，以增强跨学科学生创新创业项目推荐的准确性、鲁棒性和可解释性。

本文提出了一种用于微小目标检测的联合优化框架，该框架结合了用于防止表示崩溃的零损耗特征校准（ZFC）和用于自适应查询分配的统计边界分配器（SBA），在 AI-TOD-V2 和 VisDrone-DET2019 上实现了最先进的性能，同时显著降低了计算成本。

本文介绍了 ESLA，这是一个结合了经验预测一致性和语义表示，旨在对齐多个源域中异构命名实体识别标签的框架，从而实现向无需目标侧训练监督的无标签目标域进行有效的跨域迁移。

本研究引入了多尺度高效注意力卷积网络（MSEACN），这是一种基于 EfficientNetB7 和双重注意力机制的深度学习模型，通过对 PANDA 数据集进行前列腺癌自动格里森分级，实现了 97.69% 的准确率和 0.98 的 Cohen's Kappa 分数，达到了最先进的性能。

本文提出了傅里叶双门物理信息神经网络（FDG-PINN），该网络集成了多尺度傅里叶特征编码、双门架构以及自适应损失权重，旨在克服谱偏差和梯度不平衡问题，从而在求解多尺度偏微分方程及重建复杂时空温度场方面实现卓越的精度。

本文提出了一种利用自然语言处理技术从用户需求中自动生成可执行源代码的特定领域专家系统，证明了限制应用范围能显著提高所生成程序的准确性和可靠性。