4092 篇论文
本文提出了一种基于 YOLOv12s 的 IR-PowerDet 框架，该框架结合了多尺度特征融合、动态环境自适应和微小目标增强模块，旨在实现复杂及遮挡场景下红外电力设备的鲁棒、高精度检测，其 mAP 达到了 96.8%。
本文提出了一种经过统计验证的、具备密度感知能力的混合框架，该框架将 XGBoost 与无监督异常评分相结合，以稳健地检测恶意 DNS-over-HTTPS 隧道，在提升召回率和降低漏报率方面较基准模型表现出显著改进，同时证实了深度生成组件并不能提供额外的收益。
本文提出了一种用于物联网中隐私保护联邦学习的自适应资源感知型 MK-CKKS 框架，该框架通过在 MNIST 和 CIFAR-10 上的真实实验实现了线性复杂度的多密钥聚合和显著的性能提升，同时透明地承认独立密钥构建和物理硬件验证仍属于未来工作。
本文介绍了 -Guard，这是一种用于视觉识别系统的无标签漂移检测方法，它通过监测预测熵与特征空间新颖度得分之间的秩一致性，实现了对模型重校准的可证明不变性，从而在保持对真实分布偏移的敏感性的同时，避免了困扰现有基于置信度监控器的虚假阳性问题。
本文识别并量化了几何学习中因过度对称导致丢弃关键相位信息的“过度不变性”失效问题，并提出了一种名为投影特征池化（PCP）的针对性修复机制，该机制能有效恢复相位通道并提升诊断平坦度，优于标准的仅幅度模型，尽管它仍是一个受限的解决方案，而非轨道平均（orbit averaging）的通用替代方案。
本文提出了一种测量驱动的自适应数据分区控制器，该控制器根据实时训练时间和能量指标动态重新分配样本预算，旨在缓解掉队者问题、降低能耗，并提高异构分布式及联邦学习系统的训练效率。
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。