• 皮层回路的内禀混沌控制：初级视觉皮层的极小E-I-M速率模型

  皮层回路表现出可变但有界的活动模式，这表明其运行在接近但未进入完全混沌状态的区域。研究人员开发了一个针对初级视觉皮层（V1）的最小三变量速率模型，揭示了生物学启发的反馈机制如何作为内禀混沌控制器发挥作用。研究人员采用已知最简单的混沌Lotka–Volterra

  来源：Journal of Computational Neuroscience

  时间：2026-06-23

• WMDCNN：一种利用特征相关性与CACLoss的用于气体传感器阵列的深度学习方法

  许辉|隋文浩|卢慧琳|尹云楠|王超|孙圆圆|曹阳杰 中国河南省郑州市450001，郑州大学网络科学与工程学院 摘要 现有的气体识别方法主要依赖于两种技术路径：传统机器学习方法，虽然资源消耗较低，但难以应对复杂的交叉干扰问题；深度学习方法则能有效处理复杂场景，但计算成

  来源：Talanta

  时间：2026-06-23

• 基于新型非线性距离策略的虚拟耦合列车组神经自适应有限时间巡航控制

  袁曹|王迪|葛晓华|文涛|赵庆远|孙永魁 摘要 虚拟耦合列车组（VCTS）的巡航控制在铁路运输研究领域备受关注。列车间距策略对系统性能、安全性和稳定性有着重要影响。现有的间距策略大多采用固定距离或固定时间间隔的方法，但这些方法未能与相对制动距离这一安全保护概念建立清晰的联系。本

  来源：Neurocomputing

  时间：2026-06-23

• MiddleCLIP：释放CLIP中间层的潜力，实现无需训练的开放词汇语义分割

  肖锦|陈代伟|石伟|庄绍 摘要 开放词汇语义分割旨在通过利用CLIP等视觉语言模型的泛化能力来识别任意类别。然而，现有的无训练方法主要优化最终层的注意力机制，忽视了CLIP编码器的层次结构。这导致中间层的多尺度局部特征丢失，使得最终阶段的密集表示过于均匀，降低了局部区域的区分度

  来源：Neurocomputing

  时间：2026-06-23

• Mamba-MAGAIL：基于Mamba的多智能体生成对抗式模仿学习方法，用于人群行为模拟

  周文|邱业辉中国安徽芜湖市安徽师范大学计算机与信息学院，邮编241002摘要由于难以捕捉行人交互中的长时序依赖关系和多样化的运动模式，基于观测轨迹对真实人群动态进行建模仍是一项挑战。现有的多智能体生成对抗式模仿学习方法通常依赖基于MLP的架构，这类架构在处理涉及密集交互、突然的运

  来源：Neurocomputing

  时间：2026-06-23

• 基于掩码引导的双重反向修复技术用于视觉检测中的工业异常生成

  胡新宇|刘振松|杨华 中国武汉，华中科技大学智能制造装备与技术国家重点实验室，430074 摘要 异常检测在制造业的缺陷检测中起着至关重要的作用。然而，现有的大多数异常检测方法都受到异常训练样本匮乏的制约，这限制了它们准确定位缺陷区域的能力。近期的一些研究试图通过利

  来源：Neurocomputing

  时间：2026-06-23

• 一种用于多标签类增量学习的负锚点自重标策略

  杜凯乐|谢俊州|吕凡|周一帆|叶子涵|刘光灿 中国南京东南大学自动化学院 摘要 多标签类增量学习（MLCIL）因其在实际应用中的可行性以及较低的标注成本而近年来受到广泛关注。现有的MLCIL方法依赖于有限的蒸馏框架来完成标签补充，以此避免灾难性遗忘问题；然而我们发现

  来源：Neurocomputing

  时间：2026-06-23

• ADI-SAM：用于处理质量下降图像的适配分块模型

  杨钊|刘兆祥|南一冰|王书华|卢科|连世国中国联通数据科学与人工智能研究院，北京摘要Segment Anything Model（SAM）被视为具有出色零样本泛化能力的里程碑式视觉基础模型，被广泛应用于各种下游任务中。然而，在面对复杂场景时，图像质量下降会严重削弱其性能。为解决这

  来源：Neurocomputing

  时间：2026-06-23

• 小数据集上文本到图像模型的数据密度缩放

  叶森茂|刘飞|张大卫|范赫赫|魏伟|Madal Artur|王华|郑中龙中国浙江省金华市浙江师范大学，邮编321004摘要本文表明，提高数据密度比增加数据量更具计算效率。实验显示，缩放规律的收敛性取决于数据密度而非数据量。当数据密度远未达到饱和状态时，数据量随数据量的变化几乎呈线

  来源：Neurocomputing

  时间：2026-06-23

• 具有结构感知扫描功能的空频混合Mamba算法用于人脸超分辨率处理

  曹建安|李海峰|楚书阳|徐健|石景刚 中国西安交通大学软件工程学院，西安710049 摘要 面部超分辨率技术旨在从低分辨率图像中恢复清晰逼真的高分辨率面部图像，这一过程需要同时保持面部的对称性、整体比例以及细微特征。基于CNN的方法由于感受野有限，容易产生几何变形；而Transf

  来源：Neurocomputing

  时间：2026-06-23

知名企业招聘：