cs 篇论文 | Gist.Science

本文提出了一种用于糖尿病视网膜病变检测的多阶段优化框架，该框架集成了用于图像增强的改进型灰狼优化算法、用于病灶分割的改进型鲸鱼优化算法、用于特征选择的改进型人工蜂群算法以及用于分类的改进型模糊支持向量机，实现了98.55%的卓越准确率，并在所有处理阶段均取得了统计学上显著的性能。

本文提出了隔离分层 Transformer（Isolated Hierarchical Transformer, IHT），这是一种通过强制执行物理隔离的注意力机制并集成监督对比损失，从而缓解驾驶风格分类中特征纠缠和类别不平衡问题的创新架构，并在真实世界的 CAN 总线数据上实现了最先进的性能。

本文提出了一种轻量级、无监督的图像加密框架，该框架利用基于主成分分析（PCA）的统计特征来自适应地调节混沌映射参数，并通过密码学哈希增强密钥流，从而为资源受限的应用实现具有高计算效率和可解释性的内容自适应保护。

本研究提出了一个用于烘焙咖啡豆的大规模分类框架，利用新创建的包含 8,417 张图像的数据集，证明了深度学习模型（尤其是 EfficientNet-B0）在区分四种主要品种和八种阿拉比卡亚种方面达到了近乎完美的准确率（99.86%），优于传统的机器学习和混合方法。

本文提出了 ARQEC，一种新颖的 3D 高斯泼溅（3D Gaussian Splatting）压缩框架，该框架通过采用自适应残差向量量化、上下文感知误差补偿以及基于渲染的率失真优化，实现了相比现有方法显著的存储空间缩减（高达 157 倍）和保真度提升。

本研究提出了 HA-FedIDS，这是一种通过结合物理与网络特征来解决智能电网网络中客户端异构性和数据隐私问题的联邦学习框架，旨在实现高准确率的网络攻击检测，并优于传统的去中心化方法。

本文介绍了 BOP-Distrib++，这是一个全新的基准测试框架，它通过自动发现局部对称性来生成图像级的位姿分布，从而重新定义了 6D 位姿评估，进而能够更准确地评估在视觉歧义情况下的单位姿和多模态估计方法。

本文提出并评估了一种资源高效且具可解释性的多模态基准测试框架，该框架结合了轻量化视觉与文本模型，在医学图像分类方面实现了比单模态及大规模基准模型更优越的准确性与可解释性，使其特别适用于低资源临床场景。

本文提出了 VM-SPMamba，这是一个用于基于视频的可视-红外行人重识别的渐进式框架，该框架利用视觉调制的软部分空间编码和部分双向时间 Mamba，有效地对跨模态差异和时间演变进行建模，并在基准数据集上实现了最先进的性能。

本研究提出了一种新颖的模糊 Transformer-CNN-GRU 架构，该架构将气象、卫星和城市数据与不确定性自适应模糊化技术相结合，旨在实现德黑兰高精度、稳定且计算高效的一日提前 PM2.5 预测，其均方根误差（RMSE）为 0.73 µg/m³，性能优于七种基准模型。