2332 篇论文
本研究提出了一种自适应多尺度多专家混合深度学习框架，该框架结合了 EfficientNetB7 与 Vision Transformer，通过动态特征融合与注意力细化，旨在实现 BreakHis 数据集上乳腺癌组织病理学图像分类的最先进准确率与可解释性。
本文通过对 8,743 次 Stack Overflow 交互进行相关性分析和基于树的模型研究，对 YouTube API 进行了实证研究，旨在识别并表征由环境、代码和文档因素驱动的高风险支持领域，从而为提高 API 支持质量和响应速度提供具有操作性的见解。
本文提出了 UAD-YOLO，这是一个基于 YOLOv11 的高效框架，通过引入大可分离卷积核注意力（Large Separable Kernel Attention）、重参数化卷积（Reparameterised Convolution）和 Shape-IoU 损失，旨在实现复杂场景下高精度、实时的城市异常检测，并通过一个新数据集以及优于基准模型的卓越性能指标进行了验证。
本研究提出了一种可解释的分层机器学习框架，该框架通过将序贯前向选择法与 SHAP 分析相结合，以识别如额叶排列熵和时域频谱特征等稳健的脑电图（EEG）生物标志物，在区分精神分裂症患者与健康对照组方面实现了高达 81.44% 的准确率。
本文介绍了 NACS-Net，这是一种创新的分割框架，它通过整合正态性-偏差双流、解剖门控迭代细化以及稀疏概念瓶颈，有效地解决了在 T2 加权 MRI 中检测具有临床意义的前列腺癌时面临的前景不平衡、低对比度病灶以及跨扫描仪泛化能力的挑战。
本文提出了一种 ODAF-YOLOv11-n，这是一种超轻量级目标检测器，它通过集成全维度动态卷积（Omni-Dimensional Dynamic Convolution）和轻量化空间特征恢复模块（Lightweight Spatial Feature Restoration Module），在显著降低用于边缘机器人部署的计算复杂度的同时，实现了复杂果园环境下高精度、实时的荔枝检测。
本综述通过将挑战形式化为一个受约束的落地问题，提出了一种平衡能力与可检查性的架构分类法，并概述了通过改进不确定性估计、规划验证和恢复机制来增强可靠性的路线图，从而对协作机器人的语义规划进行了回顾。
MECA-Net 是一种轻量级、实时的基于 YOLO11n 的检测器，它通过集成多尺度边缘感知和坐标感知注意力机制，增强了无人机图像中小型交通目标的检测能力，在保持高推理速度的同时，在 VisDrone2019-DET 数据集上实现了显著的 mAP 提升。
本文提出了一种基于采样的数据流水线，该流水线利用游戏日志中稳定的齐夫（Zipf）分布，在无需全流监控的情况下高效识别并路由主导性的“热键”，从而与现有的负载均衡解决方案相比，实现了 209.7% 的吞吐量提升并显著降低了 CPU 利用率。
本文提出了 SKD-Net，这是一个轻量级的知识蒸馏框架，通过包含 MGA、FSD 和 ASD 模块，旨在通过从强大的教师网络中迁移结构和语义知识，来克服长程关系捕获和边界保持方面的局限性，从而在 X 射线血管造影中实现准确且高效的冠状动脉分割。