<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[d22800的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/d22800</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; d22800]]></copyright><item><title><![CDATA[多次霸榜CVPR最新idea-损失函数+注意力机制]]></title><link>https://blog.youkuaiyun.com/d22800/article/details/146063671</link><guid>https://blog.youkuaiyun.com/d22800/article/details/146063671</guid><author>d22800</author><pubDate>Fri, 07 Mar 2025 10:30:00 +0800</pubDate><description><![CDATA[例如，在NYUv2数据集上，与Cross-Stitch网络相比，MTAN在语义分割任务上的mIoU（平均交并比）提升了约3.2个百分点，在深度估计任务上的绝对误差降低了约0.014。：为1-Lipschitz网络提供了PAC学习理论支持，证明了在适当选择边际参数m的情况下，网络的VC维度是有限的，从而确保了网络在大样本情况下的学习能力。：在CIFAR-10数据集上，通过调整损失函数的超参数，1-Lipschitz网络能够达到与无约束网络相当的准确率，同时具有更高的鲁棒性。]]></description><category></category></item><item><title><![CDATA[域自适应多次登上A会！这些创新点赶快学起来！]]></title><link>https://blog.youkuaiyun.com/d22800/article/details/146063597</link><guid>https://blog.youkuaiyun.com/d22800/article/details/146063597</guid><author>d22800</author><pubDate>Fri, 07 Mar 2025 09:45:00 +0800</pubDate><description><![CDATA[域自适应（Domain Adaptation，DA）是迁移学习中的一个重要方法，旨在解决源域（Source Domain）和目标域（Target Domain）之间数据分布差异的问题。其核心思想是将源域上学习到的知识迁移到目标域中，以提升模型在目标域的性能我还整理出了相关的论文+开源代码，以下是精选部分论文更多论文料可以关注领取更多[论文+开源码】：提出了一种基于StyleGAN2的新型生成器结构，通过冻结预训练的源生成器并引入新的映射和仿射模块（M&A模块），在风格空间中实现目标领域的属性捕获。]]></description><category></category></item><item><title><![CDATA[万能涨点&创新点神器：对比学习12种创新！]]></title><link>https://blog.youkuaiyun.com/d22800/article/details/146060643</link><guid>https://blog.youkuaiyun.com/d22800/article/details/146060643</guid><author>d22800</author><pubDate>Thu, 06 Mar 2025 10:12:09 +0800</pubDate><description><![CDATA[在多个图基准数据集上，GraphACL显著优于现有的图对比学习方法。例如，在ScanNet数据集上，RegionPLC的训练成本仅为OpenScene的17%，存储需求仅为5%。例如，在ScanNet数据集上，与PLA相比，RegionPLC在未见类别的mIoU上提升了8.3%至21.8%。例如，在ScanNet数据集上，与单一语言对相比，融合后的性能提升了1.9%至3.5%。：VoCo框架简单易实现，同时在多个3D医学图像分析任务中表现出色，为自监督学习在医学图像分析中的应用提供了新的思路。]]></description><category></category></item><item><title><![CDATA[小波变换+CNN ！完美结合再次登上顶会！]]></title><link>https://blog.youkuaiyun.com/d22800/article/details/146060509</link><guid>https://blog.youkuaiyun.com/d22800/article/details/146060509</guid><author>d22800</author><pubDate>Thu, 06 Mar 2025 10:09:12 +0800</pubDate><description><![CDATA[在CelebA和Helen数据集上，该方法在PSNR和SSIM指标上均优于现有的超分辨率方法，例如在16×16输入、8×放大倍数的情况下，PSNR达到26.61 dB，SSIM达到0.8949。在RAVDESS数据集上，该方法实现了81.45%的未加权准确率（UA）和81.22%的加权准确率（WA），优于现有的基于MFCC、梅尔频谱等特征的方法。改进的小波阈值方法提高了分类算法对不同去噪算法的鲁棒性，平均准确率比半阈值算法提高了8.36%–11.35%，比新阈值算法提高了1.75%–5.51%。]]></description><category></category></item><item><title><![CDATA[超热门涨点思路!交叉注意力+特征融合结合，准确率近100%!]]></title><link>https://blog.youkuaiyun.com/d22800/article/details/146036085</link><guid>https://blog.youkuaiyun.com/d22800/article/details/146036085</guid><author>d22800</author><pubDate>Wed, 05 Mar 2025 10:27:05 +0800</pubDate><description><![CDATA[交叉注意力与特征融合的结合在多模态学习领域中是一种非常重要的技术，它通过注意力机制在不同模态之间建立联系，促进信息的交流和整合，显著提升了模型处理多模态数据的能力，尤其在图像融合、目标检测、点云分割等多个领域展现出强大的优势。提出了一种音频专用的CutMix方法，通过在时间轴上进行切割，防止模型过拟合，提升了音频分类任务的性能，mAP提升了4%（从39%提升到43%）。提出了一种包含两个编码器和一个解码器的变换器模型，分别用于处理3D点云和2D多视图图像，并在解码器中实现2D-3D特征的交织融合。]]></description><category></category></item><item><title><![CDATA[万能涨点神器-对比学习！2025将持续发力！]]></title><link>https://blog.youkuaiyun.com/d22800/article/details/146009041</link><guid>https://blog.youkuaiyun.com/d22800/article/details/146009041</guid><author>d22800</author><pubDate>Wed, 05 Mar 2025 09:30:00 +0800</pubDate><description><![CDATA[在多个下游任务中，TimesURL均取得了显著的性能提升。在测试集与训练集序列一致性低于50%的情况下，CLEAN的F1分数达到0.865，即使在10%序列一致性聚类下，F1分数仍能达到0.67，显著优于现有方法。在实验验证中，CLEAN成功纠正了被错误标注的酶（如MJ1651和TTHA0338），并准确预测了具有多种功能的酶（如SsFlA）的多个EC编号。建立了对比学习与互信息（MI）之间的理论联系，证明了InfoNCE损失是MI的一种更紧的估计，为对比学习的理论基础提供了新的解释。]]></description><category></category></item><item><title><![CDATA[特征融合狂发顶会，再出神作！2025最新创新点！]]></title><link>https://blog.youkuaiyun.com/d22800/article/details/146006568</link><guid>https://blog.youkuaiyun.com/d22800/article/details/146006568</guid><author>d22800</author><pubDate>Tue, 04 Mar 2025 09:50:09 +0800</pubDate><description><![CDATA[在BCI4-2A数据集上，TSFF-Net在仅使用三个通道的情况下，平均准确率达到了85.1%，超过了使用22个通道的经典算法。结合了对象特定的几何特征和DINOv2提供的语义类别先验，通过分层提取两种SE(3)不变的几何特征（成对距离和成对角度）来封装局部到全局的对象特定信息。提出了针对三通道运动想象EEG解码的网络架构，有效融合了时间-空间-频率特征，弥补了单模态网络在特征提取上的不足。动态权重因子通过自动调整任务权重，优化了特征交互，避免了手动调整的复杂性，进一步提升了模型的性能。]]></description><category></category></item><item><title><![CDATA[UNet+注意力机制双结合速度狂提98.82％！起步发一区！]]></title><link>https://blog.youkuaiyun.com/d22800/article/details/146006482</link><guid>https://blog.youkuaiyun.com/d22800/article/details/146006482</guid><author>d22800</author><pubDate>Tue, 04 Mar 2025 09:47:13 +0800</pubDate><description><![CDATA[UNet结合注意力机制是一种在图像分割任务中广泛应用的技术，通过引入注意力机制，能够显著提升模型对关键区域的关注度，从而提高分割精度和效率。我还整理出了相关的论文+开源代码，以下是精选部分论文更多论文料可以关注领取更多[论文+开源码】提出了一种改进的注意力Unet架构，用于3D MRI数据的全景分割。该架构通过增加编码器和解码器的层数，增强了特征提取和空间分辨率恢复能力。采用基于质心的掩码技术，结合椎体的面积和直径特征，为每个2D MRI切片生成掩码。]]></description><category></category></item><item><title><![CDATA[运筹学未来2-5年的研究热点方向！机器学习与运筹优化]]></title><link>https://blog.youkuaiyun.com/d22800/article/details/145979570</link><guid>https://blog.youkuaiyun.com/d22800/article/details/145979570</guid><author>d22800</author><pubDate>Mon, 03 Mar 2025 11:04:59 +0800</pubDate><description><![CDATA[在旅行商问题（TSP）、有容量限制的车辆路径问题（CVRP）和灵活流水线问题（FFSP）等多个典型组合优化问题上，与之前的修改方法相比，LCH-Regret显著缩小了与最优解的差距。：通过小的模型重构，开发了更强大的新算法，如大规模多核学习的半无限线性规划方法，以及利用问题结构改进排名和结构化输出的方法。针对现有机器学习模型，提出了更高效的优化方法，如改进的SVM优化算法，包括活动集方法和序列最小优化（SMO）方法的改进。]]></description><category></category></item><item><title><![CDATA[2025一区新风口：小波变换+KAN！定会顶刊轻松发！]]></title><link>https://blog.youkuaiyun.com/d22800/article/details/145979437</link><guid>https://blog.youkuaiyun.com/d22800/article/details/145979437</guid><author>d22800</author><pubDate>Mon, 03 Mar 2025 11:02:04 +0800</pubDate><description><![CDATA[通过组合B样条和高斯差分（DoG）的输出，FC-KAN在MNIST数据集上达到了97.93%的验证准确率，在Fashion-MNIST上达到了89.99%的验证准确率，显著优于其他KAN网络和MLP。提出了一种新的Kolmogorov-Arnold网络（FC-KAN），通过在低维数据中组合流行的数学函数（如B样条、小波和径向基函数）来捕捉输入数据的特征。KAN的可学习激活函数使得模型的内部机制和决策过程更加直观，提升了模型在需要高可解释性的领域的适用性，如医学诊断和金融预测。]]></description><category></category></item><item><title><![CDATA[多模态融合全新创新思路！2024顶会论文汇总！]]></title><link>https://blog.youkuaiyun.com/d22800/article/details/145920884</link><guid>https://blog.youkuaiyun.com/d22800/article/details/145920884</guid><author>d22800</author><pubDate>Fri, 28 Feb 2025 10:02:47 +0800</pubDate><description><![CDATA[多模态数据通常具有不同的物理性质和信息特征，通过融合这些多模态信息，可以获得更全面和准确的理解。在AV-MNIST、MM-IMDB和NTU RGB+D三个数据集上，发现的融合架构均达到了最先进的性能，例如在NTU RGB+D数据集上，平均准确率达到了90.04%，显著优于所有基线和竞争方法。提出了一种新的互补学习方法，分别提取每个模态的判别性和互补的共享和特定特征，进一步增强了cm-SSFT的有效性。提出的搜索空间是现代融合方法的超集，允许更灵活的融合架构设计，同时保持了问题的复杂性在可管理的范围内。]]></description><category></category></item><item><title><![CDATA[注意力机制+傅里叶变换 高效又涨点！2025发文热点！]]></title><link>https://blog.youkuaiyun.com/d22800/article/details/145920801</link><guid>https://blog.youkuaiyun.com/d22800/article/details/145920801</guid><author>d22800</author><pubDate>Fri, 28 Feb 2025 10:00:19 +0800</pubDate><description><![CDATA[例如，在1024×1024分辨率下，ZITS++的PSNR达到29.03，SSIM达到0.925，FID降低到14.72。在ImageNet数据集上，GFNet-XS模型在224×224分辨率下达到78.6%的Top-1准确率，比ResMLP-12高出2.0%，GFNet-B达到80.7%，优于DeiT-B（81.8%）等模型。TSR模块能够更准确地恢复结构先验，如边缘和线段，与之前的方法相比，结构恢复的F1分数显著提高，例如在Indoor数据集上，L-Edge的F1分数从28.55提升到52.07。]]></description><category></category></item><item><title><![CDATA[多模态可解释性的创新方案！超好发定会顶刊的创新点！]]></title><link>https://blog.youkuaiyun.com/d22800/article/details/145896203</link><guid>https://blog.youkuaiyun.com/d22800/article/details/145896203</guid><author>d22800</author><pubDate>Thu, 27 Feb 2025 10:07:39 +0800</pubDate><description><![CDATA[多模态模型在音乐流派和情感分类任务中表现优于单模态模型，例如在Music4All数据集上，多模态模型在情感分类任务中达到了48.53%的准确率，相比歌词模型（32.33%）和音频模型（48.29%）均有提升；实验表明，使用更大规模的语言解码器（如13B模型）可以显著提升多模态推理性能，与7B模型相比，准确率提升了近5%，这为未来使用更大模型进行科学多模态任务提供了有力支持。提出了FakeBench，一个多模态数据库，包含详细的文本真实性描述，用于探测大型多模态模型（LMMs）在假图像检测中的表现。]]></description><category></category></item><item><title><![CDATA[U-Net+CNN 2025最新创新性用于图像分割]]></title><link>https://blog.youkuaiyun.com/d22800/article/details/145871380</link><guid>https://blog.youkuaiyun.com/d22800/article/details/145871380</guid><author>d22800</author><pubDate>Thu, 27 Feb 2025 09:00:00 +0800</pubDate><description><![CDATA[相比仅使用UNet或SwinUNet的弱监督框架，Weak-Mamba-UNet在多个评估指标上表现出色，例如平均Dice系数提升了约2%~3%，Hausdorff距离降低了约50%，平均表面距离降低了约50%。例如，在红外乳腺图像数据集上，DC-UNet的分割准确率比U-Net提高了2.90%，比MultiResUNet提高了1.20%。通过加权损失函数改善了细胞分割中接触物体的分离效果，例如在ISBI细胞跟踪挑战中，U-Net的平均交并比（IOU）达到92.03%，显著优于第二名的83%。]]></description><category></category></item><item><title><![CDATA[2025最新方案！Mamba赋能UNet！轻松实现高效分割！]]></title><link>https://blog.youkuaiyun.com/d22800/article/details/145870344</link><guid>https://blog.youkuaiyun.com/d22800/article/details/145870344</guid><author>d22800</author><pubDate>Wed, 26 Feb 2025 09:47:29 +0800</pubDate><description><![CDATA[Mamba+UNet 是一种结合了状态空间模型（Mamba）和经典 UNet 架构的创新模型，旨在提升图像分割任务的性能。我还整理出了相关的论文+开源代码，以下是精选部分论文更多论文料可以关注领取更多[论文+开源码】引入视觉状态空间块，用于捕获广泛的上下文信息，通过2D选择性扫描模块（SS2D）处理输入数据。增强低级和高级特征的融合，通过注意力机制对特征图进行空间和通道注意力计算，调整特征图的尺寸以匹配目标参考。]]></description><category></category></item><item><title><![CDATA[2025创新idea！线性注意力机制狂发顶会！]]></title><link>https://blog.youkuaiyun.com/d22800/article/details/145854889</link><guid>https://blog.youkuaiyun.com/d22800/article/details/145854889</guid><author>d22800</author><pubDate>Wed, 26 Feb 2025 09:30:00 +0800</pubDate><description><![CDATA[ALiBi在训练时使用的输入序列长度为1024，但在测试时能够处理长度为2048的序列，并且在困惑度上与训练长度为2048的正弦位置编码模型相当，同时训练速度提升11%，内存使用减少11%。在训练时，Griffin与Transformer的硬件效率相当，且在推理时具有更低的延迟和更高的吞吐量。在训练时使用的token数量比Llama-2少6倍的情况下，Griffin匹配了Llama-2的性能。通过增强的线性注意力，模型能够支持更长的序列长度（从8K扩展到32K），同时显著降低延迟和内存使用。]]></description><category></category></item><item><title><![CDATA[全新Attention：边界注意力，能发TNNLS的idea！]]></title><link>https://blog.youkuaiyun.com/d22800/article/details/145846587</link><guid>https://blog.youkuaiyun.com/d22800/article/details/145846587</guid><author>d22800</author><pubDate>Tue, 25 Feb 2025 10:38:17 +0800</pubDate><description><![CDATA[边界注意力（Boundary Attention）是一种新型的注意力机制，主要用于从图像中检测和推断边界结构，包括边缘、角点、交叉点等。我还整理出了相关的论文+开源代码，以下是精选部分论文更多论文料可以关注：AI科技探寻，发送：111  领取更多[论文+开源码】标题：Boundary-Aware Axial Attention Network for High-Quality Pavement Crack Detection用于高质量路面裂缝检测的边界感知轴向注意力网络方法：位置引导的轴向注意力模块（PAA]]></description><category></category></item><item><title><![CDATA[PINN再登Nature！2025持续发力！]]></title><link>https://blog.youkuaiyun.com/d22800/article/details/145846356</link><guid>https://blog.youkuaiyun.com/d22800/article/details/145846356</guid><author>d22800</author><pubDate>Tue, 25 Feb 2025 10:32:29 +0800</pubDate><description><![CDATA[通过稀疏回归得到的PDE系数具有明确的物理意义，能够直接揭示系统的物理规律，例如在细胞迁移和增殖实验中，成功发现了与Fisher-Kolmogorov模型一致的PDE。在没有高分辨率训练数据的情况下，PINO能够通过PDE约束预测超出训练数据分辨率的解，且在Kolmogorov流问题中，与仅使用数据驱动方法相比，误差显著降低。相比传统的SINDy方法，PINN-SR能够在数据稀疏和噪声较高的情况下准确发现PDE，例如在10%噪声水平下，Burgers方程的发现误差仅为0.88%。]]></description><category></category></item><item><title><![CDATA[PINN和GNN结合创新发Nature，性价比太高了吧！]]></title><link>https://blog.youkuaiyun.com/d22800/article/details/145822845</link><guid>https://blog.youkuaiyun.com/d22800/article/details/145822845</guid><author>d22800</author><pubDate>Mon, 24 Feb 2025 10:47:12 +0800</pubDate><description><![CDATA[一个涨点发顶会的好方向：PINN+GNN！PINN网络的研究热度持续上升，GNN的引入更是将PINN的卓越建模能力和GNN在图结构数据处理上的优势相结合，共同推动了模型性能的提升，以及在解决复杂物理问题时的效率和精确度。具体数据表现为，在1D Advection方程的前向问题中，PINNACLE能够学习到所有条纹的原始解，而基准算法只学习到了靠近IC的几个条纹。PINO是第一个结合数据和不同分辨率的PDE约束来学习算子的混合方法，能够在低分辨率训练数据的情况下实现高精度的解算子近似。]]></description><category></category></item><item><title><![CDATA[KAN+LSTM新出的创新结合就等顶会了？2025最好发的论文创新点]]></title><link>https://blog.youkuaiyun.com/d22800/article/details/145822677</link><guid>https://blog.youkuaiyun.com/d22800/article/details/145822677</guid><author>d22800</author><pubDate>Mon, 24 Feb 2025 10:40:13 +0800</pubDate><description><![CDATA[在加密货币市场的测试中，动态模型的平均预测误差比静态模型降低了约30%。通过引入时间变化的转移概率和外部协变量，增强了状态空间模型对市场动态变化的捕捉能力，相比传统静态模型，能够更好地适应加密货币市场的高波动性和复杂性。TDNN通过时间卷积层捕捉期权价格的时间动态特性，虽然在某些指标上不如混合RNN，但相比传统方法仍表现出显著的性能提升，平均误差降低了约20%。由于不同模型在不同市场条件下的误差具有互补性，研究提出了模型集成的可能性，通过结合多个模型的优势，有望进一步提升预测精度和鲁棒性。]]></description><category></category></item></channel></rss>