cs 篇论文 | Gist.Science

本文提出了一个可靠的乒乓球运动数据集，并提出了一种时空图卷积神经网络模型，该模型能有效预测被遮挡的关节位置，从而提高肢体遮挡情况下的运动识别准确度。

本文提出了一种基于线性高斯核循环生成对抗网络转换器学习（LGKCGAN-TL）的模型，该模型通过整合图像去噪、基于GAN的数据增强以及罗森塔尔相关转换器学习，利用来自帕金森病和皮肤病数据集的数据，实现了高精度、低延迟的早期中风预测。

本研究利用一个人工智能支持的研究平台来证明，在软件工程决策中，人机混合解决方案是最受青睐且最平衡的方法，其在实现高创造力的同时，能够保持与纯人工解决方案相当的准确性与信任度，从而表明工程教育应当侧重于将人工智能作为一种协作工具而非人类判断的替代品进行整合。

本文提出了一种结合了基于对比的、对象级和场景级特征的混合时空特征表示框架，旨在增强判别能力和时间一致性，并证明了与传统方法相比，该框架在 TVSum 和 SumMe 数据集上的视频摘要性能有所提升。

本文提出了一种结合多模态几何感知的双扩散网格纹理生成方法，旨在克服 UV 映射失真和分辨率限制，与现有方法相比，显著提升了生成 3D 纹理的视觉真实感、几何一致性和多样性。

本文提出了 QRISP，一种资源高效且分辨率无关的量子图像表示框架，该框架通过统计块描述符对图像进行编码，旨在显著降低 NISQ 硬件的电路复杂度和量子比特需求，同时保持具有竞争力的分类性能。

本文提出了一种统一的双分支框架，通过采用专门的结构分支与功能分支，并结合双向交叉注意力模块来增强互补特征的整合，从而共同优化三模态医学图像融合与超分辨率重建，以生成高质量的融合表示。

该论文提出了 LACL-OCR，这是一个轻量级文档 OCR 框架，通过结合一种将训练过程从简单样本组织到困难样本的启发式课程学习策略以及一种新颖的布局感知损失函数（Layout-Aware Loss），在不增加模型参数或推理成本的情况下，在 OmniDocBench 上实现了最先进的结果。

本文认为，要在人工智能介导的教育中实现祖鲁语及其他非洲语言的语言-认识论正义，必须超越单纯的文本生成，转而建立一种治理框架，通过公平的数据呈现、教师能动性和制度问责制，将这些语言视为推理、身份和知识权威的有效基础设施。

本研究通过证明虽然基于描述符的模型足以应对简单几何体，但随着拓扑复杂度的增加，基于网格的图神经网络变得必要且显著更加准确，从而为结构仿真代理模型建立了一个复杂度感知的模型选择框架，并由此定义了最优代理选择的梯度边界。