- 博客(713)
- 收藏
- 关注
RSS订阅原创 频频登顶Nature子刊，UNet实在太好用！
UNet自被提出以来，已经被引用超过5万次，至今仍然是各大顶会顶刊的常用baseline，关于它的改进自然也是相当火热，近些年更是频频登上Nature子刊。简单看了一些成果，可以说是五花八门，主要围绕等几个方向展开。不过除了医疗这个核心场景，UNet在工业与新兴领域也有了不少拓展，对于论文er来说，等于又有了新的创新空间，建议感兴趣的同学抓紧搞起。如果需要参考，我这边也整理了，包含了上述的几个细分方向，基本都有代码，无偿分享~全部论文+开源代码需要的同学看文末。
2025-04-03 16:20:34
638
原创 Mamba杀入遥感图像！11个全开源idea，助你无痛发顶刊！
一方面，Mamba相关的研究不算太卷；另一方面，Mamba强大的全局建模能力和高效的计算效率，完美切合遥感图像领域计算效率、长距离建模、多时相分析等方面的需求。因此，在众多对实时性要求高的场景（比如城市规划、国防安全等）中，Mamba+遥感图像的优势巨大，它的落地前景自然广阔。相对的，关于它的研究成果也逐渐增多，不少高质量新成果陆续发表，比如顶刊TGRS上的ChangeMamba。如果大家感兴趣，趁这方向还处于低饱和状态，抓紧上车。创新建议紧扣遥感数据特性（比如多模态、多尺度），重点在上突破。
2025-04-02 17:16:20
622
原创 (CVPR 2025)卷积网络复活！港大最新改进版CNN涨点起飞！
有人说现在研究CNN已经没啥意义了？不如先看看今年CVPR'25上超多的CNN成果。这其中，港大最近重磅推出了新型纯CNN架构OverLoCK，性能连超传统CNN、Transformer与Mamba！实力证明而且，CNN在图像、视频等领域仍然是主流，我们在轻量化和结构创新上的改进也在持续推进CNN的效率与性能，现在的CNN在一些新兴的应用场景（比如元宇宙）中也有了进一步拓展，因此，对CNN感兴趣或有需求的同学不要犹豫，抓紧时间搞创新。目前围绕CNN的创新主要有（比如LSTM），其中结合小波变换相当火。
2025-04-01 17:31:11
990
原创 Transformer+UNet到底是谁想出来的点子！用来创新真的太绝了！
其实不仅仅是这领域，这种技术在需要处理大尺度图像、长程依赖、多模态数据的任务中都很关键，源于其结合了UNet的多尺度特征提取能力和Transformer的全局建模能力，因此应用场景相当广泛。对应的，近年关于Transformer+UNet的研究越来越火热，论文数量持续增长（如CSWin-UNet、GS-TransUNet、TSUBF-Net等），可参考的优秀成果相当多。不过目前这方向在计算效率、多模态融合、轻量化设计、特定场景下的优化等方面依然还有改进空间，值得我们深入挖掘。
2025-03-31 17:28:53
907
原创 “具身智能”顶会大爆发！李飞飞新作获最佳论文，这思路我吹爆！
今年是越来越火了，李飞飞团队的成果一个接一个，上回还是荣获CoRL-LEAP研讨会最佳论文奖的ReKep，这个月月初又发布了𝗕𝗥𝗦，一个解决机器人在家庭任务中全身操作问题的综合框架，500美元就能让机器人帮你干一切家务！另外还有许多成果成功登上各大顶会，足见具身智能！加上之前看过的麦肯锡预测，到了2030年，全球具身智能市场规模可能达到数十万亿元，！入局不亏。那么问题来了，未来我们该向何处发力？鉴于具身智能泛化性等核心问题尚未解决，建议考虑跨学科融合、底层技术革新等方向。我还整理了，又打包了。
2025-03-28 11:11:35
348
原创 Mamba杀入图像增强！26%算力碾压SOTA！字节、华为都在做...
当前视觉领域对高效长序列建模需求激增，对这方向的研究自然也逐渐火热。原因在于其高效长程建模，以及动态计算优势，在图像质量提升和细节恢复方面有难以替代的作用。因此短时间内，就有不少Mamba+图像增强的成果陆续发表，比较突出的有字节等团队提出的图像恢复网络VmambaIR，仅使用26%的计算成本就实现了超越SOTA的重建精度，还有华为诺亚方舟实验室等提出的基于Mamba的图像增强方法TAMambaIR，计算效率起飞。其他还有不少值得参考的，我挑选了分享给大家，基本都有代码，搞科研还是离不开巨人的肩膀的。
2025-03-26 17:22:00
781
原创 左手CVPR，右手顶刊！医学图像异常检测“登峰造极”进行时，冲就对了！
当下医学影像数据激增，我们对AI辅助检测的需求更加迫切(意味着工业价值高)，再加上现在的技术仍然存在缺陷(意味着迭代空间大)：数据标注成本高、异构性大等。可见无论是在学术界还是工业界，医学图像异常检测都备受关注。目前，这方向还是围绕等角度深入，另外还出现一些新兴的创新角度，比如4D时空建模、非监督域适应等，大家有兴趣可以研究研究。值得一提的是，这方向比较注重"临床价值-技术创新-落地可行性"平衡，建议从具体临床场景切入。如果需要参考，可直接看我整理的，包括顶会顶刊，基本都有代码。
2025-03-25 17:21:05
316
原创 审稿人最爱的技术融合！YOLO+SAM双剑合璧！速度与精度All in
众所周知，一些领域对速度与精度的要求都很高，比如自动驾驶、机器人交互、医疗影像...为了满足这些需求，推动场景的落地应用，针对的研究逐渐火热，成为了当前CV领域的热门研究方向。原理在于，YOLO以实时性为核心优势，但分割精度不足；SAM通用分割能力强，但推理速度慢。这两者结合，既能提供快速目标检测框，又可以基于检测结果精细化分割，完美实现！为动态场景下的高效精细感知提供了新思路。
2025-03-21 17:20:54
659
原创 顶会新宠！剑桥凭“机器学习+因果推断”杀疯ICLR！2025发论文的黄金赛道来了！
看了这几年各大顶会的投稿趋势，发现相关的论文增长迅猛，研究热情高涨。比如ICLR 2025上剑桥大学提出的Celcomen模型，首次实现空间转录组学因果推断可识别性。不仅如此，机器学习+因果推断在工业界的需求同样旺盛，微软、Uber等企业纷纷入场，医疗、金融、自动驾驶等领域还存在大量未解决的因果建模问题，这些可都是丰富的应用场景和创新切入点。2025年，我们可以从。
2025-03-20 16:59:50
508
原创 多模态对比学习太香了！双斩CVPR/NeurIPS！新成果及开源代码已扒
它最近在各大顶会上（尤其是CVPR）可是相当受欢迎，比如NeurIPS上的CILPLoss模块，性能达到新SOTA；还有CVPR上的BadCLIP方法、HACL方法...多模态对比学习的优势在于它，尤其在多模态表征学习、跨模态对齐、预训练模型等领域表现相当好，研究潜力巨大。这方向的创新路径也很广泛，包括动态融合、处理缺失模态、引入因果推理等。不过根据当下的研究进展，建议大家还是从等多角度切入做创新。如果需要参考，可直接领取我整理的全部论文+开源代码需要的同学看文末。
2025-03-19 17:42:37
921
原创 入选CVPR 2025！何恺明联手LeCun改进Transformer！新思路学到就赚到~
何恺明大佬这几天又整了个大的，和LeCun联手提出了一种没有归一化层的Transformer，性能比传统Transformer更强！而且他们甚至只用了9行代码...大家感兴趣可以复现了试试。这波属实是Transformer的大突破！目前也已拿下CVPR 2025。加上前不久清华微软的爆火成果Diff Transformer，近期关于又迎来了新热潮！大家没idea的快冲！改进Transformer方法思路很多的，关键在于结合具体问题提出创新。比如针对计算复杂度问题，研究线性注意力或混合架构；
2025-03-18 17:49:07
459
原创 荣登Nature招牌1区Top！可解释的多模态融合模型迎来新突破！
现有关于多模态融合的研究多集中在模型性能的提升上，对可解释的探索比较少。但实际上，可解释性是提升用户信任、优化模型决策的关键，具有重要的研究价值，符合当前学术界对透明AI的迫切需求。因此，想要在多模态领域拥有成果，是个很好的选择。中山六院团队的可解释多模态融合模型Brim，以及Nature子刊上的可解释纵向多模态融合模型，都是近期非常值得参考的研究，推荐感兴趣的论文er研读。我另外还准备了，方便找idea的同学做参考。实在没思路的话，推荐考虑细分领域（如医疗）的实际需求，从（如动态注意力）、
2025-03-17 18:07:40
653
原创 连看几十篇YOLO论文，发现了YOLO中稿的“潜规则”！这妥妥发SCI的捷径！
看了前几天刚发表的YOLOv12，深感YOLO研究之热，这迭代速度也太快了...不过往好处想，也说明YOLO相关的研究需求非常旺盛，属于SCI常客，再加上YOLO在自动驾驶、机器人导航等领域的广泛应用，用它发论文还是比较容易的。关于，现在比较流行的有（如引入Mamba）、（如CIoU）、（如YOLOv10的NMS-Free设计）。针对现有的工业需求和未来发展趋势，我们也可以从等实际问题角度进行探索。如果大家想发论文，建议先从上述主流（如新模块设计）入手，参考多资源也多，入门轻松。我这边整理了。
2025-03-14 17:56:47
793
原创 李飞飞＆DeepSeek都在用！模型蒸馏爆火！在CVPR上杀疯了...
被李飞飞成本不到150元的推理模型s1震撼到了，甚至他们只花了26分钟...研读后发现秘诀只有一个：蒸馏。简单来说，就是将谷歌Gemini 2.0的推理能力蒸馏到阿里Qwen2.5模型中，得到s1，效果媲美DeepSeek-R1和OpenAI o1。不得不赞叹的强大，这种将大模型知识迁移到小模型上的技术，在降低训练和部署成本方面遥遥领先。这也是它成为s1秘诀和DeepSeek核心技术的原因，非常贴合当下“技术普惠”的发展趋势，研究前景明确。当前，模型蒸馏仍然是，但成熟度比较高。
2025-03-14 17:54:52
474
原创 拿下CV顶会！多模态特征融合+Mamba新方法，性能超越SOTA！
Mamba，一种具有强大信息整合能力的技术，加上多模态特征融合，不仅能提升模型在处理复杂任务时的准确性和鲁棒性，还拓宽了应用边界：从智能交互到复杂数据分析的多个领域...都涵盖了。创新空间和落地应用前景可见一斑。去年至今，相关的论文呈爆发式增长，其中顶会顶刊成果占比可观，比如ICASSP 2025的DepMamba模型，计算效率、准确率等都优于SOTA。如果有同学也对此感兴趣，想出成果，推荐优先探索，结合真实场景需求设计创新点。为方便大家找参考，我已经整理好了。
2025-03-12 17:44:57
1069
原创 创新耐打！时间序列+聚类这么做，顶会稳了！
它同时也是数据挖掘与模式识别的核心课题，能高效挖掘数据模式，提高预测和分析的准确性，非常适合多变的数据环境，比如金融、医疗、零售、制造业等领域。这方向近年来在工业界的需求增长不断，研究前景广阔。当前顶会上相关论文成果多聚焦于跨领域模型构建与实际场景适配，比如华东师大的DUET。如果想发论文，建议从切入，结合最新技术（如扩散模型）搞创新。本文整理了，开源代码已附，包含最近的顶会顶刊成果，供各位做参考，没思路或有其他问题也欢迎交流~全部论文+开源代码需要的同学看文末。
2025-03-11 17:43:18
632
原创 深度学习+多模态数据融合，顶刊超神了！
还在搞传统的？不如考虑。优势在于能融合不同模态的特征信息，实现模型理解、预测和决策能力的大幅提升，可以帮助我们开发出拥有更高性能的智能算法和模型，近期的不少一区顶刊上陆续发表了相关研究，热度可见。不过深度学习+多模态数据融合仍然处于快速发展期，数据异构性、模态缺失等问题尚未解决，还是有创新空间的，尤其在解决实际挑战或提出新型融合架构方面。在未来更复杂场景下，显然这类多模态融合技术将成为核心支撑，且技术迭代必然很快，如果大家感兴趣就得抓紧了，找idea可以直接看我整理的，速度上车。
2025-03-07 17:21:02
780
原创 融合LSTM与Transformer做时间序列预测，发高分轻轻松松！
不仅巧妙融合了二者的优势，还构建了一个强大而灵活的预测框架，为我们处理复杂时间序列数据提供了更牛x的工具。这方向如今是深度学习领域的热门研究主题，前景非常可观，在工业物联网(如设备故障预警)、智慧城市(如交通流量预测)、生物医学、环境科学(如气象预测)等领域都有广泛应用。相关成果频繁发表于顶会顶刊，尤其是跨学科相关的。如果想做创新，建议聚焦，并结合实际工业需求设计实验(如大时滞、多变量场景)。本文整理了，需要参考的自取~全部论文+开源代码需要的同学看文末。
2025-03-06 18:29:48
1245
原创 喜提CVPR 2025满分！数据蒸馏取得新突破！速度up20倍，GPU占用仅2G
敢信一块2080Ti就能做大模型？上交大提出的全新数据集蒸馏方法NFCM做到了，不仅速度提升了20倍，GPU占用更是只有2G！相关论文获得了CVPR 2025满分！作为DeepSeek的核心技术，数据蒸馏因为能通过压缩数据集或知识迁移，，成为了资源受限场景（比如移动设备）必备技术。又因为其涉及子领域众多（比如分布匹配），还与生成模型等技术交叉，从而拥有了相当。可谓产业与学术的双重落地，无疑是机器学习领域的研究焦点。
2025-03-05 17:17:37
1144
原创 Kimi“撞车”DeepSeek！新一代注意力机制的极限突破！
近期，各方大佬在注意力机制上又“打起来了”。首先登场的是顶流DeepSeek，新论文梁文锋署名，提出了一种新的注意力机制NSA。同天，Kimi杨植麟署名的新注意力架构MoBA开源。紧接着，华为诺亚提出高效选择注意力架构ESA。这神仙打架的场面太震撼（论文解析在下文），同时也证明注意力机制依然是2025最受追捧的研究热点之一，仍处于快速发展期，深度学习搞创新少不了。
2025-03-04 17:02:39
982
原创 特征融合这样创新！与GNN结合顶天，一区TOP刊如囊中物！
在处理具有复杂关系结构的数据时，为增强模型的表示能力和预测性能，我们考虑。优势在于能整合多种特征信息，并通过GNN捕捉节点间的复杂关系，尤其适合医疗数据分析、情感识别等应用场景。这结合也是双热点叠Buff，加上数据驱动优势（适用于非欧数据，覆盖场景广，有实验对比优势），关注度自然水涨船高，顶会顶刊成果已然不少。比如一区TOP刊IEEE TC上的基于GNN的时频双流网络，表现超越了SOTA。为方便感兴趣的同学找创新点，本文整理了。
2025-03-03 17:52:19
844
原创 狂发顶会的Mamba，融合傅里叶变换再出神作！
核心优势在于通过增强频率相关性建模和优化计算过程，可以显著提升信号和图像处理的效果与效率，应用场景已扩展到了医学影像分析、视频时序建模等各种任务。这方向近期的研究趋势逐渐火爆，新成果有图像去雨框架Fouriermamba，去雨性能超越SOTA；还有新型3D医学图像分割框架EM-Net，参数量比SOTA少一半，训练速度快了2倍...这些成果主要是围绕。如果大家想入手，除了上面热门的角度，还推荐往等细分方向考虑，趁着还不太卷抓紧上车。我这边整理了，需要参考的同学不用多花时间了，直接来拿~
2025-02-28 17:59:46
801
原创 结合CNN与Transformer，实现遥感图像处理性能巅峰，霸榜顶会顶刊！
还记得这个热门组合吗？最近发现它在领域有不少高质量成果。比如顶刊Nat. Commun.上的GlaViTU 模型，一区IEEE TGRS上的SparseFormer（用于稀疏点标注遥感语义分割）、 LGCNet 模型等。其实这也是遥感图像领域的发展趋势，这类混合架构通过轻量化设计（如Lite-Mono参数减少80%）和高效注意力机制（如LeWin模块），显著提升任务性能，完美契合工业界需求，研究前景很广阔（论文er可试）。
2025-02-27 20:04:19
1107
原创 物理信息强化学习爆火！登上IEEE Trans一区顶刊！
近日顶刊IEEE TSE（一区）上还发表了相关成果，提出了一种基于约束强化学习的PIRL方法，计算速度大幅提升。PIRL属于PIML与强化学习的交叉领域，结合了物理规律的严谨性与强化学习的灵活性，在数据稀缺领域（如航空航天）、动态复杂系统（如湍流控制）、工业自动化等场景表现相当突出。所以这方向无论，当下还有很多创新思路可搞，比如...没idea的同学可考虑。本文整理了物理信息强化学习，有代码的都贴上了，需要参考的可无偿获取。全部论文+开源代码需要的同学看文末。
2025-02-26 18:07:05
793
原创 多模态LLM+Mamba组合出击！推理加速约20倍！GPU显存减少75%！
发现一篇效果很好的论文，上周刚刚发表，论文提出了Multimodal Mamba多模态解码器模型，通过将Transformer模型的知识蒸馏到线性复杂度的Mamba架构中，实现了20.6倍的速度提升和75.8%的GPU内存节省。这效果在MLLM+Mamba一众成果中也算非常突出。近些年MLLM发展迅猛，再加上Mamba高效的分布式计算和强大的上下文理解能力，MLLM+Mamba这一结合已是当前极具潜力的研究方向，
2025-02-25 17:34:09
1018
原创 变种PINN，更小的误差，更高的性能！
刷到篇2025年西工大刚发的文章，讲的是PINN的新变种——VW-PINNs（PINN中PDE残差的体积加权方法），研究表明其具有更小的误差，更好的性能。如果对PINN比较熟悉，应该很好理解VW-PINNs（下文有解析）。近年来PINN相关的研究频繁发表于《Nature》等顶级期刊，加上其在交叉学科的应用需求，以及丰富的开源代码资源（多数改进方案都开源），PINN的变种研究已经成了的一个方向。当前，PINN改进比较热门的创新有算法优化、架构创新、应用拓展等，未来也可进一步聚焦。
2025-02-21 17:21:33
683
原创 KAN备受审稿人青睐！结合小波变换就能发一区，厉害了
自提出至今，一直备受顶会青睐，前不久KAN被ICLR25接收为Oral Paper，与之相关的研究越发火热，其中的思路尤盛。一方面，小波变换的多尺度分析能力可以为KAN提供更丰富的特征表示，从而提高模型的性能。另一方面，KAN的灵活性和表达能力可以让这组合在处理复杂数据集时表现出色。二者可谓相辅相成，在特征提取、故障诊断等方面发挥了重要作用，如今更是作为热门前沿方向，KAN+小波变换的多篇高质量的论文已经在多个顶会顶刊上发表，比如一区上的一篇成果，通过结合两者，在乳腺癌诊断各指标上都非常出色。
2025-02-20 18:01:53
707
原创 喜提Nature正刊！小样本机器学习突破性新方法来了！
前不久，Nature发表了一篇小样本机器学习论文，讲的是一个表格处理模型TabPFN，平均2.8s解读任意表格，开箱即用，在精度和速度上实现了突破性进展。有人说这是电子表格的ChatGPT时刻，倒也不夸张，本身对于解决数据稀缺问题就十分重要（），如今也正处于快速发展阶段（），关于它的研究，现在有了如此突破，后续发展态势必将更加火爆。目前，小样本机器学习尚有很多问题没解决，对于科研人来说，潜在创新方向或可考虑：模型架构优化、数据增强技术、跨领域迁移与泛化、绿色高效算法、安全与鲁棒性研究...
2025-02-19 17:21:43
1184
原创 “特征融合+小目标检测”新热点不可错过！中稿顶会顶刊就靠它！
它通过整合不同层次或尺度的特征信息，有效提升了小目标的检测精度。比如北理工的轻量级特征融合EFC，即插即用，实现小目标检测高效涨点！当前，这方向是，基本围绕等展开创新。鉴于其仍然存在的不足，未来可能会在长尾分布问题、跨尺度特征对齐、无监督/弱监督学习、硬件协同设计等角度有新的破局思路。今年刚开年，这方向就有不少新研究了，且开源代码丰富，很适合快速复现与改进。我这边挑选了，都很值得参考，想找灵感的同学可以看看。全部论文+开源代码需要的同学看文末。
2025-02-18 18:24:38
552
原创 正在爆发！“LSTM+卡尔曼滤波”成论文新赛道！
核心思想是结合两者各自优势（LSTM的时序建模能力+卡尔曼滤波的动态状态估计），以提高系统的性能和准确性，非常适用于多种时间序列预测和状态估计任务。这方向属于深度学习与传统滤波算法的交叉领域，目前处于技术上升期，在自动驾驶、无人机跟踪、传感器融合等领域都有很大需求，这边推荐从等入手做创新，未来也可考虑模型可解释、训练数据需求、参数耦合问题...如果需要参考，可以看我整理的全部论文+开源代码需要的同学看文末。
2025-02-17 18:35:43
1030
原创 端到端聚类成顶刊新宠！新作训练速度超Transformer百倍
一区二区都有不少新成果，比如IJCV 2024的IDDC方法，性能优于所有现有无监督语义分割方法，还有LoSTer算法，训练速度比Transformer快数百倍！这方向，因为它能自动化完成从数据输入到聚类结果输出的整个过程，无需人工干预中间步骤，，在机器学习与数据挖掘领域，尤其是无监督学习和复杂数据建模中，拥有超级强大的潜力。如今，大模型的进步推动着端到端聚类在更多领域实现“从数据到知识”的无缝衔接，未来关于它的创新将集中在等方面。本文整理了。
2025-02-14 18:04:32
883
原创 强化学习+多目标优化，get到这种思路，发一区TOP就不远了！
有个核心优势，叫"动态决策能力"，意思是通过智能体与环境的持续交互，能自主探索高价值区域。而之后，系统能同时权衡路径长度、时间成本、资源消耗等多个维度。因此，这种"双轮驱动"的研究范式在电力调度、物流规划等工业场景中潜力巨大，而在学术圈，因其突破了传统算法的性能瓶颈，又延展出了新的理论框架，也未来，此方向的创新可从等方向突破，如果大家感兴趣，可以看我整理的作参考，开源代码已附。全部论文+开源代码需要的同学看文末。
2025-02-13 18:08:53
911
原创 因果机器学习(CausalML)前沿创新思路
结合了传统因果推断与机器学习的是目前AI+领域的前沿研究方向，其核心优势在于将因果逻辑融入数据驱动模型，从根本上解决了传统方法的缺陷。因此，它也是突破传统机器学习瓶颈的关键方向，今年，我们关于因果机器学习的创新可围绕这些方面展开，比如结合深度学习与稀疏因果图，开发轻量化混杂控制方法...既有理论深度又有实际价值，故事编好发高区问题不大。当然，还是建议大家多关注顶会顶刊中相关的最新工作，结合一些具体领域（比如医疗）来展开。我这边整理好了，大家需要参考的可直接领取。全部论文+开源代码需要的同学看文末。
2025-02-12 18:01:39
1031
原创 CNN+Mamba+UNet，“三巨头” 合体！
一方面，这种组合融合了CNN的局部特征提取能力、Mamba的全局建模能力和UNet的结构特点，实现更全面的特征理解；另一方面，这一架构凭借高效建模能力与多模态适应性，已成为遥感、医学、视频分析等领域的创新标杆，相关研究在CVPR、AAAI等顶会中占比飙升，堪称发Paper的“黄金配方”！可见，各大顶会对这类融合模型接受度还是很高的，如果大家感兴趣，我建议就从模块设计或跨领域应用切入，结合开源代码快速验证。我这边整理好了可用作参考，代码也有，需要的同学速领。全部论文+开源代码需要的同学看文末。
2025-02-11 19:43:00
1587
原创 还在死磕传统PINN？自适应版本训练效率狂飙，审稿人直呼“这才是真创新“！
各位搞AI+物理研究的同学们注意啦，今天咱们来盘一盘这个被顶会顶刊审稿人偏爱的热门主题——（物理信息神经网络）。众所周知，传统PINN虽火，但它训练不稳定、计算成本高，导致很多人在顶会deadline前依然疯狂改代码...而自适应PINN直接从底层重构优化逻辑，引入动态权重分配和自适应采样策略，不仅，在流固耦合、非稳态传热这些地狱级场景照样OK！因此，与其在传统PINN里卷损失函数，不如考虑自适应PINN创新。
2025-02-10 20:16:20
1247
原创 DeepSeek-R1同款算法！强化学习2025发论文的核心思路
最近DeepSeek-R1系列犹如一记炸雷响彻整个AI圈，功能比肩ChatGPT-o1还是开源，用过之后大家纷纷宣布退订20刀乐（hh）。而DeepSeek-R1最关键的创新其实已经发布了，就是LLM算法GRPO（还有多阶段训练策略）。这个在RL领域的创新为学术界和工业界提供了重要的思路，尤其在等方面。同时，它也为未来RL的研究指明了方向——，啊对，还有开源（doge）。为方便刚入门RL的小白以及想要进一步创新的同学了解前沿，我整理了全部论文+开源代码需要的同学看文末。
2025-02-08 18:00:10
1011
原创 又一篇CCF-A！多尺度Mamba“ 杀疯了 ” ....
在各大顶会中，多尺度Mamba也是很受欢迎的选题。比如收录于医图顶会 MICCAI的基于多尺度融合的Mamba架构Deform-Mamba，实现了SOTA性能！还有NeurIPS 2024上的多尺度视觉MSVMamba，兼顾效率与性能，适配各种模型配置，具有极高适应性和可扩展性！另外还有超低参数量和内存，但性能依然优越的MUSE...可以说优秀成果相当多了，强烈建议想发论文的同学研读。本文整理了，方便有需求的同学快速了解这方向的前沿技术，找到灵感，代码已附。全部论文+开源代码需要的同学看文末。
2025-02-08 11:12:19
1382
原创 太全了！多模态深度学习的大热门idea！
未来AI发展的必然趋势是什么？必然是。它不仅是当前人工智能领域的热门研究方向之一，也是学术界和工业界共同关注的重点，值得长期投入。当然，这方向仍存在大量开放性问题，但对论文er来说也意味着更多的创新空间，推荐还没有idea的同学尝试。（比如最近爆火的DeepSeek-R1的多模态版Align-Anything）、为方便大家研究的进行，我这边整理好了，每个方向都有参考（附代码），不想多花时间找论文的同学可以直接拿~全部论文+开源代码需要的同学看文末。
2025-02-07 20:24:07
942
原创 Transformer结合特征融合依旧可以卷！来跟着斯坦福学习怎么创新！
Transformer现在还能怎么做创新？不妨考虑结合特征融合。这种思路意在利用Transformer的自注意力机制和特征融合技术的优势，以提高模型的性能、降低计算成本以及增强模型的泛化能力。比如斯坦福最近的新作Fusion-Vital，一种新颖的视频-射频（RGB-RF）融合Transformer，采用了Transformer-based fusion strategies和cross-attention机制来对齐和融合多模态特征，有效地捕捉微观生理标志，预测误差降低了83.4％。
2025-02-07 13:57:24
752
原创 SHAP可解释性竟然还能做聚类分析？11个结合idea带你一网打尽顶会顶刊！
这种结合不仅能深入理解模型的决策过程，还能通过聚类揭示数据中的潜在模式，进一步提升模型的可解释性和性能，在医疗、金融风控、电子商务等领域应用超级广泛，是个研究价值高、创新空间大的方向，非常适合我们做创新。目前，这方向主要围绕基于SHAP值的监督聚类、聚类辅助的SHAP解释增强、交互式特征分析与模式发现等核心思路进行研究，如果大家想发论文，也建议从这些角度入手。感兴趣的同学可以看我整理的，开源的代码都附上了，有问题欢迎评论区交流~全部论文+开源代码需要的同学看文末。
2025-02-06 19:36:31
667
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