cs 篇论文 | Gist.Science

本文提出了 SO6D，这是一种结合了对称感知八叉树编码、霍夫投票和迭代细化，旨在实现针对无纹理、对称工业物体达到最先进水平的 6D 位姿估计的新型方法。

本文提出了一种灵活的多任务学习框架，该框架统一了 2D 和 3D CNN 骨干网络，以同时执行膝关节骨关节炎分类以及半月板/软骨分割任务，并证明在大型 MRI 数据集上，2D 变体在准确率、收敛速度和计算效率方面均优于 3D 基准模型。

本文提出了一种新颖的单目多视角全景感知系统，该系统通过在单次曝光中捕获多个视角，并利用轮廓体素极坐标进行遍历，以实现高精度、实时的三维形状重建，从而有效地克服了诸如无纹理表面和复杂相机设置等挑战。

本文提出了 MEFD-Net，一种多模态 EEG 特征融合模型，该模型通过整合增强型 BiLSTM、带有自注意力机制的自适应多尺度卷积以及纯卷积网络，实现了鲁棒的端到端疲劳驾驶检测，且与现有方法相比，在准确率、召回率和 F1 分数方面均有显著提升。

这项实证研究表明，虽然将本地大语言模型（LLM）推理从 CPU 转向 GPU 能显著提高能源效率和速度，但它也引入了硬件诱导的非确定性，从而在零样本（0-shot）场景下降低了代码质量，而通过三样本（3-shot）提示进行有效缓解，可以确保代码生成的稳定性和可持续性。

本文提出了退化感知动态频率路由水下图像增强（DAFR-UIE）框架，这是一个紧凑的框架，它利用共享的退化嵌入来动态协调频率路由、空间调制和自适应融合，以实现针对特定样本的恢复，在仅有 202 万参数的情况下，在基准数据集上达到了最先进的性能。

本文引入了“从源到主张的文档记录”（source-to-claim documentation）这一框架，通过将源证据与模型交互及分析主张进行显式关联，从而在定性研究中对生成式人工智能进行审计，进而保留重新分析和人类判断所必需的证据路径。

本研究提出了一种融合地磁、轨迹及信令数据的多源数据融合框架，通过结合先进的基于网格的聚类、贝叶斯网络分析以及自注意力增强的 CNN-BiLSTM 模型，旨在实现对城市交通拥堵的精准识别、预测与控制，并已通过济南的案例研究进行了验证。

本研究表明，用于临床时间序列预测的后验归因方法往往会产生实质性的不一致以及具有临床后果的差异，这表明后果校准审计比寻求一种普遍首选的解释方法更具价值。

本文介绍了 SCD-E2S，这是一款基于深度学习的皮肤癌检测移动应用程序，它利用结合了注意力机制的 EfficientNetV2-S 架构、先进的预处理技术以及两阶段训练策略，实现了超过 97% 的准确率，旨在辅助皮肤科医生进行临床决策。