SFE-YOLO: Spatial-Frequency Dual-Domain Enhanced YOLO for SAR Ship Detection
为了解决现有检测器在复杂海洋环境中的局限性,本文提出了 SFE-YOLO,这是一个双域增强型 YOLO 框架,它集成了用于多方向特征提取的旋转卷积(pinwheel convolution)和用于海杂波抑制的频域模块,在 SSDD 和 HRSID 数据集上的 SAR 船舶检测中实现了卓越的性能。
2354 篇论文
为了解决现有检测器在复杂海洋环境中的局限性,本文提出了 SFE-YOLO,这是一个双域增强型 YOLO 框架,它集成了用于多方向特征提取的旋转卷积(pinwheel convolution)和用于海杂波抑制的频域模块,在 SSDD 和 HRSID 数据集上的 SAR 船舶检测中实现了卓越的性能。
这项研究表明,虽然上下文感知提示和先前决策的检索可以改进用于德国报纸论坛审核的大型语言模型评估器,但模型容量的选择比提示策略更为关键,其中最大的模型在无需标注训练数据的情况下,在稀有移除类别上的表现优于监督系统。
本文提出了 PPO-TS,一种优先级引导的动作掩码近端策略优化框架,该框架在动态电力材料校验调度合成基准测试中展示了具有统计学意义的改进,尽管同时也揭示了在设备利用率和泛化边界方面的局限性。
本文介绍了 PolyFormer,这是一个物理启发式机器学习框架,它通过学习复杂约束的紧凑多胞体表示,从而在各类现实世界问题中实现可扩展、快速且准确的规范性优化。
本文介绍了 JarifNet,这是一种轻量级 CNN 架构,它结合了倒置残差瓶颈(inverted residual bottlenecks)、挤压与激励注意力机制(Squeeze-and-Excitation attention)以及随机深度(Stochastic Depth),旨在 CIFAR-10 数据集上实现边缘图像分类的先进精度、概率校准和计算效率。
本文介绍了 TITAN,这是一种以多样性为驱动的堆叠集成模型,它整合了五种基于树的学习器和一个自定义的多分支神经网络,并通过严格的泄漏检测和贝叶斯优化,在利用 HFEA 登记库预测 IVF 周期的活产结局方面达到了最先进的准确度。
本研究提出了一种自定义的七层卷积神经网络(CNN)模型,该模型在将脑部 MRI 图像分类为胶质瘤、脑膜瘤、垂体瘤和正常类别方面实现了 96.10% 的测试准确率,在不依赖预训练模型的情况下,展示了用于计算机辅助诊断的稳健性能。
本文提出了一种领域知识驱动的分层协同学习(DKHCL)框架,该框架将随机森林特征选择与梯度提升机预测以及急性-慢性负荷比约束相结合,以实现高准确度的个性化体适能建议,并在前瞻性实地验证中展示了其不仅在离线性能上优于先进基准模型,且在减少损伤和提高目标达成效率方面具有显著的现实意义。
本文提出了一种增强型 EA-Transformer 模型,该模型通过集成双基准预填充策略、动态衰减进化算法以及多维加权损失函数,旨在实现针对各种缺失机制和缺失率下的电力负荷时间序列数据的高精度补全。
本文表明,在需要针对不同伙伴类型制定不同最优策略的环境中,显式意图建模通过建立一种将伙伴的稳定性格与其动态心理状态相分离的分工机制,从而减少了伙伴间的互不兼容性,进而提升了协作性能,其表现优于隐式方法。