- 博客(93)
- 收藏
- 关注
RSS订阅原创 GAN一举拿下多篇CCF-B！小白轻松上手！
例如，在白天雨滴焦点图像的去除任务中，现有的最佳方法（Restormer）的PSNR为26.08，SSIM为0.748，而该数据集上的平均PSNR为25.52，SSIM为0.734，表明现有方法仍有改进空间。性能提升：在真实世界的变化数据集上进行预训练的实验表明，使用该方法生成的合成变化数据预训练的变化检测器具有更好的迁移性，能够显著提高在真实世界数据集上的性能。双焦点数据集：首次提出了包含雨滴焦点和背景焦点的双焦点数据集，填补了现有数据集在雨滴焦点图像和夜晚雨滴图像方面的空白。
2025-04-03 14:22:49
430
原创 顶会收割机：多变量不规则时序预测！DeepSeek公司都在抢着发！
性能提升：在多个时间序列基准数据集上，TIME-LLM显著优于现有的专门预测模型。性能提升：在多个医疗和活动识别数据集上，RAINDROP在分类任务中平均提升了3.5%的AUROC和4.8%的AUPRC，尤其是在留出传感器的设置中表现更为突出。少样本和零样本学习：在少样本和零样本学习场景中，TIME-LLM表现出色，平均性能提升超过10%，展示了其在数据稀缺情况下的强大适应能力。跨样本学习：通过共享参数和利用样本之间的相似性，RAINDROP能够更好地处理不同样本之间的关系，进一步提升了模型的泛化能力。
2025-04-02 14:02:02
604
原创 顶会大杀器：特征融合！最新idea准确率近乎100%！
通过融合这些特征，可以充分利用不同特征的优势，提升模型的性能。性能提升：在BCI4-2A和BCI4-2B数据集上，TSFF-Net的分类准确率超过了现有的SOTA方法，例如在BCI4-2A的二分类任务中，TSFF-Net的平均准确率达到了85.1%。三分支层次结构：提出HiFuse网络，包含局部特征块、全局特征块和层次特征融合块（HFF块），分别用于提取局部空间特征和全局语义信息，并在不同层次上进行特征融合。通道融合：将不同层次的特征图在通道维度上进行融合，例如通过卷积操作将不同通道的特征进行加权求和。
2025-04-01 14:20:18
598
原创 YOLO-Mamba大火！15种创新思路全面汇总！
Mamba Block Attention Module (MBAM)：提出了基于Mamba的注意力模块，包括Mamba空间注意力模块（MSAM）和Mamba通道注意力模块（MCAM），分别从空间和通道维度计算图像的注意力。然而，随着研究的深入，研究人员不断探索如何进一步提升其性能，包括更高的检测精度、更快的推理速度以及更好的适应性。MambaFusion-PAN：提出了一种基于SSM的特征融合机制，包括并行引导选择性扫描（PGSS）算法和串行引导选择性扫描（SGSS）算法，用于视觉和语言特征的融合。
2025-03-31 17:04:13
233
原创 25年最好发论文的方向：Mamba+Transformer！
该模型通过结合 Mamba 的线性复杂度和 Transformer 的强大上下文学习能力，显著降低了计算成本和内存占用，同时在长视频理解任务上取得了优异的性能。该模型通过将时间序列分解为长期的全局模式和短期的局部变化，并分别利用Mamba专家提取长期全局模式以及Local Window Transformer（LWT）专家捕捉短期局部变化，再通过长短期路由器动态整合两者的贡献，实现了在保持线性复杂度O(L)的同时，显著优于现有方法的预测性能，并在多个真实世界数据集上验证了其低内存占用和高效计算能力。
2025-03-28 13:57:18
366
1
原创 杀疯顶刊TPAMI！25年机器学习可解释性中稿捷径来了
模型性能的显著提升：通过超参数调整，所有四种模型（SVM、KNN、DT、RF）的测试准确率均达到99%至100%，相较于之前的研究结果有了显著提升，例如在类似数据集上，SVM的准确率从99.2%提升至100%，KNN的准确率从92%提升至99%。模型解释性的提升：通过实验验证了不同可解释性方法对隐私保护和效用的影响，发现某些解释方法（如模型性能解释）在隐私保护下仍能提供高质量的解释，这对于提高模型的透明度和用户信任度具有重要意义。隐私保护机制：采用(𝜋?
2025-03-27 11:34:47
249
原创 好发不卷！“双通道卷积神经网络”速通顶会指南！（含源码）
性能提升：通过模拟和实验数据验证，该方法在光谱分离和浓度预测方面表现出色，与传统方法（如偏最小二乘法PLS）相比，CNN模型的决定系数（R²）更高，分别为0.9991和0.9994，而PLS方法分别为0.9965和0.9983。在mHealth数据集上，DPB-CNN的准确率达到了97.42%，在MSN数据集上，准确率达到了99.31%。性能提升：与现有的特征融合方法（如MGAF和CFL）相比，SPF特征融合方法在分类准确率、精确率、召回率和F1分数上均取得了更好的结果，证明了其在特征融合方面的优越性。
2025-03-26 15:33:16
777
原创 特征融合这么做，竟能发Nature？！
在数据处理的最早阶段，将不同来源或类型的特征合并在一起。例如，对于多模态数据（如图像和文本），在将图像数据转换为特征向量（如通过卷积神经网络提取的图像特征）和文本数据转换为特征向量（如通过词嵌入和循环神经网络提取的文本特征）之后，直接将这两个特征向量拼接在一起。三分支结构：提出HiFuse网络，包含局部特征块、全局特征块和HFF块，分别提取局部空间信息和全局语义信息，并进行特征融合。层次多尺度特征融合：通过HFF块融合不同尺度的局部和全局特征，全面挖掘病变区域的深浅和全局局部特征，提升分类精度。
2025-03-25 09:21:21
630
原创 我愿称之无敌！SHAP可解释性学习+聚类分析最新暴力涨点方案！
它将机器学习模型的输出解释为特征对输出的贡献值。性能提升：在半导体制造热图数据集上，半监督Shapley聚类相比于无监督聚类，显著提高了聚类质量，减少了未聚类样本的比例，具体表现为更高的NMI值和更低的未聚类样本比例。性能提升：实验表明，该方法在测试集上的均方根误差（RMSE）和决定系数（r2）指标上优于传统自适应超参数调整方法（AHT），具体表现为更低的RMSE和更高的r2值。SHAP聚类：将SHAP值与聚类分析结合，为模型预测提供可解释性的同时，识别数据中的不同模式，提升模型对数据分布变化的适应性。
2025-03-24 17:40:29
815
原创 CVPR25爆款！CNN+UNet！9种创新思路拿去，accept飙升！
例如，对于一个大小为 4×4 的特征图，使用 2×2 的最大池化操作后，特征图的大小会变为 2×2，但保留了特征图中最重要的特征。多架构融合：提出了一个弱监督学习（WSL）框架，集成了基于CNN的UNet、基于Swin Transformer的SwinUNet和基于VMamba的Mamba-UNet三种不同架构，以实现详细的局部特征提取、全面的全局上下文理解和高效的长距离依赖关系建模。全连接层是 CNN 的最后几层，它将前面卷积层和池化层提取的特征进行整合，输出最终的分类结果或回归值。
2025-03-21 11:07:40
351
原创 又一篇CCF-A！小波卷积发顶会，看这32个idea就够了！
例如，在ECL数据集上，WFTNet的MSE为0.164，MAE为0.267，优于TimesNet的0.167和0.271，以及其他方法如ETSformer、DLinear、FEDformer和Autoformer。参数复杂度降低：通过将特征变换与图卷积分离，将参数复杂度从O(n×p×q)降低到O(n+p×q)，其中n是节点数，p是每个顶点的特征数，q是下一个层中每个顶点的特征数。多尺度卷积：在不同尺度的小波分解特征上进行卷积操作，每个卷积核专注于输入的不同频率带，从而在更大的感受野中强调低频信息。
2025-03-20 14:21:07
525
原创 PINN，一区手到擒来！
主动学习框架：不确定性量化驱动的主动学习框架相比传统数据生成方法，能够更高效地查询和生成高信息量的训练数据，显著减少了训练位错迁移率模型所需的数据量和计算资源。小波激活函数的优势：小波激活函数具有多分辨率和局部化特性，相比传统激活函数，能够更有效地处理具有高频成分和复杂边界条件的问题，模型的预测精度提高了约20%。物理信息融合：通过将物理信息嵌入神经网络的损失函数中，使得模型在学习过程中能够更好地遵循物理规律，相比纯数据驱动方法，模型的预测精度提高了约25%。
2025-03-19 16:42:08
890
原创 起步就是二区！边界注意力！最新idea准确率近100％！
AI科研灵感致力于成为您在人工智能领域的领航者，定期更新人工智能领域的重大新闻与最新动态，和您一起探索AI的无限可能。
2025-03-18 14:38:37
953
原创 Nature新热门！特征提取，预测误差直降4628倍！
AI科研灵感致力于成为您在人工智能领域的领航者，定期更新人工智能领域的重大新闻与最新动态，和您一起探索AI的无限可能。
2025-03-17 16:57:24
782
原创 荣登Nature！KAN + Transformer融合新成果再突破
U-KAN架构：将Kolmogorov-Arnold Networks（KAN）集成到U-Net架构中，通过分层的KAN层增强模型的非线性建模能力和可解释性。生成任务潜力：在扩散模型中，U-KAN作为噪声预测器表现出色，生成的图像在FID和IS指标上优于现有方法，证明了其在生成任务中的潜力。可解释性增强：KAN层的引入提高了模型的可解释性，能够更准确地激活与目标区域相关的特征，提升模型的决策透明度。性能提升：在医学图像分割任务中，U-KAN在多个数据集上取得了最高的IoU和F1分数，平均性能优于现有方法。
2025-03-14 14:16:10
898
原创 荣登Nature！KAN + Transformer融合新成果再突破
AI科研灵感致力于成为您在人工智能领域的领航者，定期更新人工智能领域的重大新闻与最新动态，和您一起探索AI的无限可能。
2025-03-13 16:22:03
614
原创 拿下CVPR25！KAN+时间序列再封神！
性能提升：在大多数情况下，RMoK模型的性能优于现有的Transformer、CNN和MLP基线模型，例如在ETTh1数据集上，RMoK的平均MSE为0.414，而其他基线模型的MSE分别为0.457（Transformer）、0.440（CNN）和0.414（MLP）。性能提升：带注意力机制的LSTM-GRU混合RNN模型在所有误差指标上表现最佳，例如在SPX数据集上，其MSE为0.000021，显著低于其他模型（如MLP的MSE为0.000056，XGBoost的MSE为0.000025）。
2025-03-12 14:23:12
606
原创 好发高区！强化学习+卡尔曼滤波前沿创新思路整理！
将它们结合起来，可以提高系统在不确定环境中的性能。性能提升：在DeepMind Control Suite的多个任务中，KalMamba在性能上与现有的先进SSM方法相当，同时在训练速度上具有明显优势，特别是在长序列任务中。性能提升：Swift在与三位人类冠军的比赛中多次获胜，并创下了最快比赛时间记录，比人类冠军的最佳成绩快了半秒，展示了其在速度和灵活性方面的优势。模拟到现实的转移：通过在真实环境中收集数据并将其用于模拟环境的调整，显著提高了模拟训练策略在实际应用中的性能，减少了模拟与现实之间的差距。
2025-03-11 17:23:09
610
原创 多模态可解释性表现优异,猛卷顶会顶刊！
基线模型与评估：在SCIENCEQA上建立了多种基线模型，包括视觉问答（VQA）模型和大型语言模型（如UnifiedQA和GPT-3），并使用准确率和自动文本评估指标进行评估。科学多模态指令调优框架（SciTune）：提出了一个两阶段的调优框架，包括科学概念对齐和科学指令调优，以提高大型语言模型（LLMs）对科学多模态指令的理解能力。多模态情感识别框架：提出了一种新的任务——可解释的多模态情感识别（EMER），通过整合视觉、音频和文本信息来识别情感，并为预测结果提供解释。
2025-03-10 16:58:44
900
原创 NeurIPS24 Oral！聚类+transformer全新里程碑！
性能提升：在自动语音识别任务上，聚类注意力模型在给定计算预算下优于标准 Transformer 模型，例如在 Wall Street Journal 数据集上，i-clustered 模型在 4 层时的 PER 为 5.14%，而标准 Transformer 在 6 层时的 PER 为 5.56%。增强特征表示和模型性能：聚类算法能够将数据分组，找出数据中的结构，而Transformer模型具有强大的特征提取能力，二者结合可以进一步提升模型对数据特征的捕捉和表示能力，从而提高模型在各种任务中的性能。
2025-03-07 11:38:52
630
原创 【遥感+多模态】-高区论文太好发了!
多模态遥感大模型：近年来，多模态遥感大模型的发展显著提升了遥感数据的处理和分析能力。高效的特征提取：利用卷积神经网络提取遥感图像的高级特征，通过多模态融合策略将这些特征与来自其他模态的数据相结合，提高了模型的鲁棒性和泛化能力。优越的分类性能：通过实验验证，所提出的模型在多个遥感数据集上取得了最先进的分类性能，显著优于传统的卷积神经网络和其他先进的变压器模型。高效的训练策略：动态任务感知标签分配策略提高了模型的训练效率，同时减少了对先验标签的依赖，使模型能够更好地适应不同的训练数据和场景。
2025-03-06 10:43:21
550
原创 暴力涨点首选：时空特征融合！8种创新思路全面汇总！
例如，BEV模型在自然干扰下表现出更好的稳定性，但在对抗性噪声下更脆弱，主要由于BEV特征的冗余性导致（如在对抗性攻击下，BEV特征图中无目标区域的激活增加，产生大量误检）。例如，BEVFormer在类别特定贴片攻击和时间通用贴片攻击中表现出更好的鲁棒性，这可能归因于其对历史BEV特征的利用，从而提高了对通用对抗性噪声的鲁棒性。3D一致贴片攻击：提出了3D一致贴片攻击方法，通过在3D空间中粘贴对抗性贴片并投影到2D图像上，确保贴片在多视角和时间序列中的空间和时间一致性。
2025-03-05 13:58:10
734
原创 多模态再炫技！与embedding结合，成高区“新红人”！
多模态embedding的目标是将多种模态的数据表示为统一的向量形式，消除模态间的语义鸿沟，实现跨模态的理解和交互。例如，在CIRR数据集上，VISTA的Recall@5达到了22.51%，在FashionIQ数据集上，VISTA的Recall@5达到了7.51%。灵活的模型架构：VISTA通过将ViT作为图像标记器，实现了文本和图像数据的深度融合，同时保留了文本嵌入的原始性能。例如，在WebQA数据集上，VISTA的Recall@5达到了60.11%，比其他方法提高了9%以上。
2025-03-04 14:07:54
991
原创 又发顶会！小波变换+KAN堪称顶会锦囊
性能提升：在多个高光谱数据集（如Salinas、Pavia、Indian Pines）上，Wav-KAN的平均总体准确率达到92.62%，Kappa系数为0.9157，显著优于传统的MLP和样条基KAN（Spline-KAN）。小波激活函数：通过小波激活函数，Wav-KAN能够更有效地捕捉高光谱数据中的复杂模式，尤其是在Indian Pines数据集上，其准确率比Spline-KAN高出8.23%。性能提升：在MNIST数据集上，Wav-KAN的训练速度比Spline-KAN更快，测试准确率显著提高。
2025-03-03 15:16:54
727
原创 先天发文圣体！LSTM+卡尔曼滤波这波操作太秀了！
性能提升：与传统的扩展卡尔曼滤波器（EKF）相比，在高动态环境中，增量学习的LSTM框架（LSTM-inc）的平均均方根误差（RMSE）降低了约10%到60%。性能提升：与传统的基于文件的飞行计划预测方法相比，该模型在轨迹预测的点到点水平误差（PHE）和垂直误差（PVE）上分别降低了约50海里和2800英尺。两者的结合可以弥补彼此的不足。优化卡尔曼滤波器（OKF）：提出了一种基于梯度的优化方法，通过Cholesky参数化直接优化卡尔曼滤波器的参数，以最小化状态预测误差。
2025-03-03 15:15:15
982
11
原创 想不到吧，机器学习+组合优化能发Nature正刊！
机器学习与组合优化的结合是近年来的研究热点之一，这种结合利用机器学习的强大数据处理和模式识别能力，以及组合优化的高效问题求解能力，为解决复杂优化问题提供了新的思路和方法。性能提升：在Willow Object数据集上，RGM在不同数量的离群点设置下均优于现有方法，尤其是在有3个离群点时，F1分数达到87.68%，显著高于其他基线方法。部分图匹配：在Pascal VOC数据集上，LinSAT实现了61.2%的F1分数，优于现有方法，证明了其在处理离群点方面的优势。
2025-02-28 14:11:10
1070
2
原创 小波变换+CNN再突破！创新改进方案盘点!
性能提升：在ImageNet-1K分类任务中，WTConvNeXt在保持参数数量较少的情况下，Top-1准确率达到了81.7%，相比ConvNeXt-T提升了0.7%。性能提升：在FFHQ、CelebA和LSUN数据集上，基于小波包的分类器准确率达到了99.75%和99.43%，显著优于仅使用像素或傅里叶变换的方法。参数复杂度降低：通过分离特征转换和图卷积，大幅减少了模型参数数量，缓解了过拟合问题，提升了模型在半监督学习中的性能。
2025-02-27 14:22:30
902
原创 错过就后悔的顶会风口：YOLO-Mamba！12个好中idea，拿走不谢！
FER-YOLO-VSS双分支模块：该模块结合了局部和全局信息，通过特征细化模块（FRM）和全向状态空间（OSS）分支，提高了模型对关键信息的处理能力，提升了面部表情检测的精度。例如，在RAF-DB数据集上，FER-YOLO-Mamba模型的mAP得分达到了80.31%，相比YOLOvX模型提高了1.91%。例如，在COCO数据集上，Mamba YOLO-B模型的AP值达到了49.1%，相比Gold-YOLO-M模型提高了3.7%。未来的研究可能会进一步探索 Mamba 在其他视觉任务中的应用潜力。
2025-02-26 15:00:57
1088
8
原创 神联动：交叉注意力＋特征融合！一区大门轻松开！
多模态交叉注意力网络（MMCA）：提出了一种新的网络架构，通过联合建模图像区域和句子单词的内模态（intra-modality）和跨模态（inter-modality）关系，实现图像和句子的匹配。在MSRS数据集上，AG指标达到4.6872，提升了0.5个单位。双交叉注意力Transformer：提出了一种新的特征融合框架，通过查询引导的交叉注意力机制，同时建模全局特征交互和跨模态的互补信息。跨模态注意力机制：提出了一种新的交叉注意力机制，能够同时利用内模态和跨模态信息，增强了图像和句子匹配的特征表示。
2025-02-25 11:23:07
1537
原创 论文风向变了! 【迁移学习+多模态融合】才是王道
例如，在一个既有图像又有文本的多模态情感分析任务中，可以先在一个大规模的单模态（如图像情感分类或文本情感分类）任务上进行训练，获取相关知识，然后将这些知识迁移到多模态情感分析任务中。通过准确率比较所提出的CMKT方法和多模态融合方法，语义对齐方法在移除音频模态后的预测阶段达到了98.4%的准确率，与多模态融合的准确率（98.2%）相当。提出了一种从源模态到目标模态的知识转移方法，用于激光增材制造（LAM）的原位监测，通过在训练阶段增强目标模态的特征提取，并在预测阶段移除源模态的传感器。
2025-02-24 14:15:57
796
原创 动态特征融合！热点BUFF拉满，顶会一投一个准！
性能与效率的平衡：在多个3D医学图像分割挑战中，E2ENet在保持高精度的同时，显著降低了模型大小和计算复杂度（在BTCV挑战中，mDice达到90.1%，参数数量减少了69%，FLOPs减少了29%）。动态权重学习：首次提出基于输入内容动态学习融合权重的方法，显著提高了边缘检测的准确性和锐度（在Cityscapes数据集上，与固定权重融合方法相比，平均F-measure提升了约9.4%）。动态特征融合（DFF）：提出了一种动态特征融合策略，通过权重学习器为每个输入图像和位置自适应地分配不同的融合权重。
2025-02-21 15:46:54
781
4
原创 ICLR2025持续学习的最新SOTA
AI科研灵感致力于成为您在人工智能领域的领航者，定期更新人工智能领域的重大新闻与最新动态，和您一起探索AI的无限可能。
2025-02-20 14:19:50
328
原创 世界上最先进的注意力机制！结合CNN+LSTM暴力涨点！
CNN+LSTM+Attention 是一种结合了卷积神经网络（CNN）、长短期记忆网络（LSTM）和注意力机制（Attention）的深度学习模型，广泛应用于处理具有时空相关性的序列数据。模型可解释性：通过可视化注意力权重，能够直观地展示模型关注的DNA序列区域，与已知的生物学知识（如PY-Tract区域）相符合，增强了模型的可信度。使用双向LSTM作为解码器，结合注意力机制生成LaTeX标记序列。可视化分析：通过可视化不同注意力层的输出，展示了模型逐步聚焦于相关视觉线索的过程，验证了多步推理的有效性。
2025-02-19 14:18:25
1320
原创 审稿人眼前一亮！深度聚类，创新拉满！顶会一发一个不吱声
性能提升：在多个数据集（如CIFAR10、CIFAR100、ImageNet-10等）上，DivClust生成的共识聚类结果显著优于单一聚类基线和其他聚类方法（如CC、IIC等），平均准确率提升超过5%。疾病亚型的遗传关联：通过联合建模影像和遗传数据，Gene-SGAN能够识别出与遗传因素相关的疾病亚型，显著提升了亚型的生物学可解释性（如在AD研究中，识别出与APOE基因相关的亚型）。弱监督学习：通过从健康对照组到患者组的映射，避免了与疾病无关的变异对亚型识别的干扰，提升了模型的鲁棒性。
2025-02-18 14:52:41
965
原创 入选TPAMI2025！双通道卷积神经网络新突破！
分裂并行结构：通过将特征通道分配给两个并行路径，充分利用了卷积和注意力的互补性，同时保持了与单路径模型相似的计算复杂度。增强通道注意力模块（MCA）：通过Mamba驱动的通道注意力模块，改善光谱信息的表示，进一步提升了融合性能。在Tmall数据集上，DHCN模型的P@10和M@10指标分别提升了10.71%和7.87%，相比传统图神经网络（如SR-GNN）。在AbdomenMR数据集上，正交正则化的使用将DSC提升至73.1%，相比不使用正则化的模型提升了3.0%。
2025-02-17 15:37:58
1969
原创 CNN 再出圈，结合迁移学习，拿下ECCV满分！高区创新思路一次给你，看到就是赚到！
AI科研灵感致力于成为您在人工智能领域的领航者，定期更新人工智能领域的重大新闻与最新动态，和您一起探索AI的无限可能。立即关注我们，开启您的AI学习之旅！
2025-02-14 14:29:07
1247
原创 登顶Nature封面！强化注意赢麻了！
AI科研灵感致力于成为您在人工智能领域的领航者，定期更新人工智能领域的重大新闻与最新动态，和您一起探索AI的无限可能。立即关注我们，开启您的AI学习之旅！
2025-02-13 11:22:17
1069
原创 神组合：GNN+Transformer！新成果霸榜CVPR
AI科研灵感致力于成为您在人工智能领域的领航者，定期更新人工智能领域的重大新闻与最新动态，和您一起探索AI的无限可能。立即关注我们，开启您的AI学习之旅！
2025-02-12 18:15:59
1245
原创 2025边界注意力前沿创新思路汇总！
AI科研灵感致力于成为您在人工智能领域的领航者，定期更新人工智能领域的重大新闻与最新动态，和您一起探索AI的无限可能。立即关注我们，开启您的AI学习之旅！
2025-02-11 17:15:47
788
原创 B-PINNs（贝叶斯物理信息神经网络）火力全开！现成创新思路，拿走不谢！
AI科研灵感致力于成为您在人工智能领域的领航者，定期更新人工智能领域的重大新闻与最新动态，和您一起探索AI的无限可能。立即关注我们，开启您的AI学习之旅！
2025-02-10 14:45:25
909
2
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人