4092 篇论文
本研究表明，仅在极端数据匮乏（5% 的 5,600 幅图像）的情况下，经 ImageNet 预训练的 EfficientNet-B0 在四分类脑肿瘤 MRI 分类任务中才显著优于随机初始化，同时强调了诸如潜在的患者级数据泄露以及迁移学习优势在更大数据比例下缺乏统计学显著性等关键局限性，并最终反对在未经进一步严格验证的情况下进行自主部署。
本研究表明，利用结合了 PPG 和心跳间隔特征的随机森林模型，可以实现对可穿戴 PPG 信号进行准确、可解释且计算高效的五分类睡眠阶段划分，为资源密集型的深度学习方法提供了一种可行的替代方案。
该论文提出了 LDMFNet，这是一种轻量级双模态融合网络，其特征在于采用双特征骨干网络和专门的注意力模块，旨在实现跨各种数据集的准确、高效的多光谱目标检测，同时在精度和泛化能力方面优于现有算法。
本文提出了 BMTransUNet，一种边界感知门控多模态 Transformer U-Net，该网络通过自适应融合、基于 Vision Transformer 的上下文建模以及边缘增强型跳跃连接来整合 RGB 和 DSM 数据，从而在遥感图像语义分割中实现卓越的精度。
本文提出了一种鲁棒的两阶段滤波方案，该方案结合了模糊细胞自动机与 Jaccard 相似度和汉明距离度量，以有效地检测并去除椒盐噪声，同时保留图像细节，其性能优于现有技术。
本文提出了 STAM 框架，该框架通过将用于场景感知嵌入的对比学习与由多实例学习注意力引导的 Transformer 编码器相结合，有效解决了视频异常检测中的上下文和时间局限性，并在基准数据集上实现了卓越的准确率。
SemPix3D 提出了一种结合了用于 3D 感知标签图生成的神经辐射场与基于 StyleGAN 的生成器的混合框架，用以合成高质量且一致的多视图 RGB 图像，在多样性和 FID 分数方面较现有方法取得了显著提升。
本文提出了一种改进的轻量化 YOLOv8n 模型，用于基于无人机的森林火灾检测，该模型集成了动态卷积、多感知检测头和跨空间注意力机制，旨在显著提高小目标检测精度并降低误报率，同时保持适合实时机载部署的紧凑尺寸。
该论文提出了 SCEESR，一种新型的一步扩散超分辨率框架，它利用 ControlNet 机制进行语义边缘引导，并使用混合损失函数，以在实际图像修复中有效平衡结构完整性、感知质量和推理速度。
本文提出了 FMA-DETR，一种自适应 Transformer 框架，该框架通过集成特征细化网络、多尺度空间-通道混合注意力模块以及自适应频率感知融合模块，以有效克服相干斑噪声和背景复杂性，从而实现合成孔径雷达（SAR）图像中高精度密集小目标检测。