Adaptive Keyframe Selection and Reconstruction for Volumetric Density Field Sequences Using Structural Descriptors
本文提出了一种用于体素密度场序列的自适应框架,该框架利用一种新型结构描述符通过动态规划进行最优关键帧选择,并采用基于粒子的插值方案以实现高保真重建并最大限度减少伪影。
929 篇论文
本文提出了一种用于体素密度场序列的自适应框架,该框架利用一种新型结构描述符通过动态规划进行最优关键帧选择,并采用基于粒子的插值方案以实现高保真重建并最大限度减少伪影。
本文提出了一种用于无人水面航行器(USV)的轻量化实时检测器,通过集成频率引导特征路由和尺度归一化自适应定位监督,旨在解决低对比度和小目标尺寸等挑战,同时满足严格的延迟和模型大小限制,从而增强对弱水面目标的检测能力。
本文介绍了一种闭环自动研究框架,该框架利用语言模型智能体来编辑分子表示、代码模型和外部证据,通过严谨的留出测试,在多个分子特性基准测试中成功发现并验证了具有泛化能力的改进,同时将真实的迁移增益与非迁移的选择方差及分布偏移区分开来。
本文提出了一种结合了迁移学习、视觉 Transformer 和集成方法的可解释人工智能框架,在 BreakHis 数据集上实现了卓越的乳腺癌预测准确率(96.82%),同时利用 Grad-CAM 和 LIME 等技术来增强模型的透明度和可解释性。
该论文介绍了 R-Super,这是一个利用超过 100,000 份放射学报告来训练肿瘤分割模型的新型框架,该框架无需稀缺的人工掩码,从而实现了显著优于现有 AI 模型和人类放射科医生的规模化多癌种检测。
本文介绍了 SonicPlay,这是一个基于虚幻引擎(Unreal Engine)的框架,它将基于音频的可访问性原则转化为可重用的工具,并通过针对盲人玩家和专业开发者的双重研究证明,该框架能够有效地实现独立的空间导航,同时无缝集成到标准的游戏开发工作流中。
这项实证研究通过分析来自145名UCI学生的数据,利用18种机器学习算法进行分析,发现LightGBM模型能最准确地预测学业表现,揭示了个人及学校教育因素(如性别、年龄、兼职工作和课堂听讲)是成功的核心驱动因素,而家庭因素的影响较弱,从而能够开发出一个用于个性化学业干预的可解释性Shiny应用程序。
本文介绍了集体适应性测试平台(Collective Adaptation Testbed, CAT),这是一种基于双重继承理论(Dual-Inheritance Theory)的多智能体软件架构,它通过拦截团队决策以区分盲目从众与基于专业知识的异议,从而解决了定量指标的治理悖论,进而使系统能够基于回顾性结果数据自主修正其自身规则。
本文提出了一种伪影感知型轻量化 U 型分割框架以及一个可复现的损坏基准,旨在增强皮肤镜病变分割在存在毛发和镜面高光等采集伪影情况下的鲁棒性与准确性。
本文提出了一种保护隐私的深度伪造检测框架,该框架将联邦学习与 ResNet-18 及 FedProx 算法相结合,在不传输原始图像的情况下,在 FaceForensics++ 数据集上实现了高准确率(97.20%),同时确保了数据安全性和模型可解释性。