Geometry-aware attention for robust visual odometry
本文提出了 DDI-VO,一种新颖的端到端单目视觉里程计架构,该架构通过几何感知注意力机制和几何课程学习,将稠密与稀疏方法统一起来,旨在挑战性条件下实现卓越的鲁棒性,同时保持具有竞争力的精度。
3895 篇论文
本文提出了 DDI-VO,一种新颖的端到端单目视觉里程计架构,该架构通过几何感知注意力机制和几何课程学习,将稠密与稀疏方法统一起来,旨在挑战性条件下实现卓越的鲁棒性,同时保持具有竞争力的精度。
本研究提出了一种可审计的联邦学习框架,该框架在面临标签偏斜和客户端掉线等现实临床压力时,仍能保持多模态脑肿瘤分类的高准确率和 F1 分数,同时引入了轮次级权重审计,以提供传统指标所缺失的模型演化取证可见性。
本文提出了一种利用 D-最优实验设计和帕累托优化(Pareto optimization)的系统性方法,旨在开发高效且轻量化的深度可分离卷积神经网络(depthwise separable CNNs),在实现基于表面肌电信号(sEMG)的手势识别达到最先进准确率的同时,大幅降低在资源受限的嵌入式系统上部署时的计算成本。
本文提出了一种用于加密图像的高容量可逆数据隐藏方案,该方案结合了逐块仿射加密与自适应单邻域预测器,以在通过扰动块方差来保留嵌入空间的同时,实现显著更高的嵌入率,并与现有方法相比消除了对基于方差的可分性的需求。
本研究采用一种混合 AI-DEMATEL 模型,旨在分析联网自动驾驶汽车中基于区块链的访问控制系统中,安全收益与隐私风险之间的因果关系与权衡。
该论文提出了 MILCR,一种通过集成互信息和局部一致性正则化来增强流匹配的新型序列推荐框架,旨在缓解表示崩溃和过度噪声依赖问题,从而在稀疏且离散的交互数据上实现卓越性能。
本文表明,在不改变推理图的情况下,区域感知样本重加权提高了 INT8 可视化唤醒词模型中对小人物的召回率,尽管它并未得出明显优于简单过采样的方法,且略微增加了误报率。
本研究提出了 L-GTACNet,这是一个结合了局部-全局 Transformer(Local–Global Transformers)、图卷积网络(Graph Convolutional Networks)与图像增强技术的混合深度学习框架,旨在基于 Mayo 内镜评分实现溃疡性结肠炎严重程度的自动化、客观化评估,并达到了 94.8% 的准确率。
这项研究表明,虽然机器学习模型在经过针对数据泄露和时间约束的严格测试后,能够对职业排球赛果进行中度预测,但一个简单的 Elo 等级分基准仍然具有极强的竞争力,这表明复杂的算法在赛前决策支持方面提供的额外价值有限。
本研究提出了一种用于静态环境下反应式无人机路径规划的自适应块坐标下降逻辑回归(ABCD-LoR)模型,该模型将避障问题构建为一个三分类问题,并通过仿真证明了其与经典算法相比在缩短路径长度和降低计算时间方面的优势,同时也承认需要在现实世界的动态环境中进行进一步验证。