3875 篇论文
本文提出了一种名为 DRGF-YOLOv10n 的轻量化实时 RGB-IR 行人检测方法，该方法集成了具有高斯差分（DoG）细节增强功能的双分支主干网络（Dual-Branch Stem）以及区域引导空间注意力机制（Region-Guided Spatial Attention），旨在提高复杂环境下的准确性和鲁棒性，同时保持极高的推理速度。
本文提出将受监管的制造业质量控制规范——具体包括偏差管理、根本原因分析和纠正预防措施（CAPA）——应用于人工智能系统的治理，通过将运行遥测数据视为质量记录，并结合英国移民法案例研究证明，该方法能有效识别系统性问题并使问责制具象化，尽管仍需进行正式的有效性验证以完整闭合治理环路。
本文介绍了并评估了“威胁-速度训练模型”（Threat-Speed Training Model），这是一种防御优先的教学框架，旨在通过体验式学习和安全的双用途内容交付，使非专业人士能够针对不断演变的 AI 赋能威胁，快速掌握实用的网络安全技能。
本文提出了 RGLStab，一种鲁棒的在线视频稳定框架，该框架结合了结构化网格光流与单向 LSTM 网络，通过有效解决特征跟踪失败和动态前景干扰，同时抑制局部失真，从而为飞机相机拍摄的素材实现实时、高保真的稳定处理。
这项针对20名网络安全专业人士的定性研究表明，医疗保健领域安全且公平的AI实施取决于组织将治理融入日常运营的能力，即通过早期参与、持续培训和资源校准后的监督，来解决技术快速采用与治理发展缓慢之间的紧张关系。
该论文提出了 STR-DC，这是一个通过将校准后的语义置信度与跨轮次时间特征稳定性相结合，以过滤不可靠伪标签，从而增强日语手写字符识别鲁棒性的深度聚类框架，并在多个基准测试上实现了最先进的性能。
本文提出了一种改进的 MobileNetV3 框架，用于石灰岩薄片图像分类，该框架集成了岩石纹理增强模块（RTEM）和多源特征互补模块（MFCM），以有效解决复杂的纹理变化和耦合特征问题，在保持低参数量的同时实现了 91.11% 的准确率。
本研究提出了 ViT-DRN-OCAFF 框架，该框架通过整合视觉 Transformer（Vision Transformers）、空洞残差网络（Dilated Residual Networks）以及优化后的交叉注意力特征融合机制（Optimized Cross-Attention Feature Fusion），利用包含 24,860 幅胸部 CT 图像的数据集，在 COVID-19 及其他肺部疾病的多分类诊断中实现了 99.42% 的准确率。
Poincaré 是一个开源机器学习集成系统，它通过利用 CNN、ViT 和 XGBoost 模型对庞加莱截面上的轨迹进行分类并预测动力学机制，从而实现对自旋-轨道动力学结构的快速分析，以此在无需对每条轨迹进行高昂计算成本的数值积分的情况下，实现对参数空间的高分辨率、快速探索。
本文提出了一种利用 Google Highway 在 RISC-V 硬件上对稀疏线性代数库（Ginkgo、PETSc 和 SLEPc）进行性能可移植的 SIMD 加速的方法，通过评估在可移植性、可编程性和性能之间的权衡，为未来在新兴开放指令集架构（open-ISA）平台上的采用提供指导。