-
AttMamba:一种结合注意力机制的多模态抑郁检测模型
抑郁症多模态检测模型AttMamba通过双路径架构(双向Mamba与线性注意力)和HierSparse融合机制,在计算效率(O(L)复杂度)与捕捉长程非线性行为间取得平衡,有效识别视频中的稀疏抑郁特征。
来源:Neurocomputing
时间:2026-04-08
-
多层次特征融合与几何表示在无监督点云配准中的应用
多级邻域特征融合与三角形几何约束的未监督点云配准方法MFGRNet,通过多尺度邻域特征融合和Transformer编码器捕捉全局上下文,结合三角形几何约束增强配准精度和鲁棒性,在合成与真实数据集上显著优于现有方法。
来源:Neurocomputing
时间:2026-04-08
-
结合神经形态计算的Rat-SLAM(一种机器人导航算法)
本研究提出将基于忆阻器的改进型Leaky Integrate-and-Fire(MLIF)模型应用于Rat-SLAM算法的自主移动机器人SLAM问题,通过软件仿真与真实机器人实验验证其有效性,重点分析神经形态计算硬件实现对能耗和性能的优化作用,并比较CPU/GPU与神经形态硬件的能量效率差异。
来源:Neurocomputing
时间:2026-04-08
-
基于深度感知的稀疏查询技术,用于高效的多视图BEV(Bird's-Eye View,鸟瞰图)感知
多视角3D目标检测中,现有稀疏查询方法在融合2D检测先验时面临深度估计不准确、误差传播和计算效率问题。本文提出DASQ框架,通过融合概率与回归深度估计提升精度,设计动态自适应查询生成机制优化3D先验初始化,采用注意力机制有效整合2D信息,并开发轻量化DG-Net骨干网络。实验表明DASQ在nuScenes数据集上mAP提升3.2%,Jetson AGX Orin平台推理速度达10.1FPS。
来源:Neurocomputing
时间:2026-04-08
-
从多视图图像到驾驶控制:基于场景表示的强化学习实现端到端自动驾驶
本研究提出一种端到端自动驾驶框架,通过结构化的空间表示模块将多视角图像转换为分离静态路标、动态目标和车辆状态的BEV表征,并采用增强的PPO规划模块实现感知与规划的无缝集成。结合IL预训练与RL微调的混合范式,有效提升复杂场景下的泛化能力和闭环控制性能,在CARLA和Bench2Drive基准测试中取得优于传统方法的结果。
来源:Neurocomputing
时间:2026-04-08
-
一种集成了故障模式识别的增强型多任务模型,用于剩余使用寿命(RUL)预测
剩余寿命预测、故障模式识别、半监督学习、潜在变量共享、健康指标构建
来源:Neurocomputing
时间:2026-04-08
-
评估在具有真实标签噪声的3D分割任务中自动检测标签噪声的方法
自动标签校正方法在3D数据中的应用研究,比较真实与人工噪声下的修正效果及性能。
来源:Neurocomputing
时间:2026-04-08
-
用于多变量时间序列插补的偏差校正多尺度时空网络
针对多变量时间序列缺失值填补问题,提出BMSTN框架,通过改进图卷积结构、引入多尺度时间卷积模块及轻量化门控机制,有效校正预定义图偏差并提升时空依赖建模能力,实验表明其性能优于11种基线方法且训练速度提高超30%。
来源:Neurocomputing
时间:2026-04-08
-
AutoTraj:一种用于离线元强化学习(meta-RL)中在线外数据(OOD)任务适应的自回归轨迹合成方法
离线元强化学习通过预收集多任务数据实现零样本适应,但存在静态数据覆盖不足和简单拼接政策架构不优的问题。本文提出融合超网络政策生成与自回归扩散轨迹合成的统一框架,前者通过特征提取与任务调制分离提升学习效率,后者基于条件扩散模型生成时序连贯的增强轨迹数据,二者协同实现鲁棒的任务表征学习与高效自适应控制。实验表明在稀疏奖励导航和复杂运动控制任务中,本方法显著优于现有基线。
来源:Neurocomputing
时间:2026-04-08
-
FairFU:一项通过融合结构交互和信息瓶颈来研究图比较中公平推荐机制的研究
公平推荐模型FairFU通过深度交互融合、图扰动对比学习和双路径信息瓶颈正则化,有效抑制敏感属性偏见并提升推荐性能,实验验证其优于现有方法。
来源:Neurocomputing
时间:2026-04-08