-
用于时空风速预测的动态关键节点注意力机制
时空注意力关键图双图卷积网络提升风速预测精度,实验表明其RMSE和MAE分别降低26.3%和26.7%,优于现有气象模型。
来源:Neurocomputing
时间:2026-03-13
-
综述:智能动物姿态跟踪技术的进步:用于神经行为学研究
动物行为姿态跟踪技术从传统计算机视觉方法发展到深度学习驱动的2D/3D高精度跟踪及多模态神经信号对齐,显著提升了行为量化与神经机制关联分析能力,推动神经医学研究从被动观察到机制解析。
来源:Neurocomputing
时间:2026-03-13
-
通过多样性共识图注入实现的多视图聚类
多视图聚类通过多样性共识图融合(DCGI)方法,整合锚图构建与优化,学习跨视图共识锚和视图特定图,捕捉共同结构并避免性能损失。通过融合多尺度共识图,DCGI保持线性时间复杂度,有效处理大规模多视图数据,实验表明其优于现有方法。
来源:Neurocomputing
时间:2026-03-13
-
基于Q学习的持续预测性注意力强化机制,采用优先级经验回放策略
针对传统注意力机制依赖静态相似度函数导致动态适应能力不足的问题,本文提出Q-Attention框架,将Q-learning与注意力机制结合,通过离散动作调整注意力权重,利用任务损失作为可微分奖励信号,并引入优先级经验回放和持续预测学习模块,有效优化动态环境下的权重分配,在多个基准数据集上验证了其性能优势。
来源:Neurocomputing
时间:2026-03-13
-
重新探讨基于多尺度特征表示与融合的无人机道路故障检测技术
多尺度道路 distress 检测算法研究:提出MS-RDDNet框架,通过MSGC模块融合大核分离卷积与门控注意力,MSDHA机制结合多率膨胀卷积与双流注意力,以及LMSADet检测头优化多尺度特征融合,在UAV-PDD2023数据集上mAP@0.5达65.9%,验证其在复杂背景下的检测鲁棒性。
来源:Neurocomputing
时间:2026-03-13
-
结合任务特定批量归一化(task-specific batch normalization)和分布外检测(out-of-distribution detection)的增量学习方法
增量学习研究如何通过任务特定归一化(BN)层和分类头,结合OOD检测预测任务ID,平衡学习新任务与保留旧知识,在医学和自然图像数据集上达到最优性能。
来源:Neurocomputing
时间:2026-03-13
-
UniFuse:统一的原型优化与校准方法,用于小样本命名实体识别任务
小样本命名实体识别(Few-shot NER)面临原型不稳定、监督不足和跨域分布偏移等问题,UniFuse提出后编码原型优化与校准框架,通过语义提示增强原型语义一致性,反事实原型混合提升类间可分性,信任加权校准调节预测置信度,结合高斯对比融合与跨度一致性正则化,在CoNLL 2003和Few-NERD数据集上F1达89.3%和81.2%,ECE仅0.12且推理速度低于26ms/次。
来源:Neurocomputing
时间:2026-03-13
-
一种基于音频增强技术的融合模型,用于弱监督视频关键帧检索
本研究提出音频增强融合模型(AFM),首次在弱监督视频时刻检索中整合音频信息,通过音频中介特征交互器、多源提案生成器和扩散模型重构器提升跨模态对齐与检索精度,实验表明优于现有方法,验证了音频的重要性。
来源:Neurocomputing
时间:2026-03-13
-
使用超图神经网络对节点和属性进行共嵌入
CnaHGNN基于超图神经网络,通过构建节点-属性二分图和超图结构,融合网络拓扑与节点属性信息,迭代优化嵌入表示并引入动态调整策略,有效提升嵌入质量与鲁棒性,实验验证其优于现有方法。
来源:Neurocomputing
时间:2026-03-13
-
通过深度非一致性均值教师模型和完全协作学习来减轻半监督分割中的模型耦合问题
ComMatch通过深度不一致架构和全协作学习策略解决半监督分割中的子网耦合和未标注数据利用问题,在PASCAL VOC和Cityscapes上mIoU分别达78.68%和77.89%。
来源:Neurocomputing
时间:2026-03-13