-
FETrack:基于单流框架的对象跟踪特征增强技术
特征增强与跨深度模板融合的一流跟踪器FETrack提出,通过全局增强模块抑制背景干扰,跨深度模板融合模块提升上下文信息传递,结合无监督困难样本学习与蒸馏微调优化,在六项基准数据集上实现32fps的SOTA性能。
来源:Digital Signal Processing
时间:2026-01-23
-
利用结构感知的图表示方法和自适应锚图学习技术进行多视图聚类
多视图聚类通过整合互补信息提升聚类性能,但现有方法难以同时建模全局拓扑和局部相似性,且锚点选择静态无法适应动态数据分布。本文提出SAGA²G框架,融合结构感知图表示和自适应锚点图学习,通过统一目标函数平衡全局与局部结构建模,采用动态锚点优化策略提升数据表达能力,并设计高效交替优化算法实现线性时间复杂度与稳定收敛。实验表明SAGA²G在八大数据集上显著优于现有方法。
来源:Digital Signal Processing
时间:2026-01-23
-
RetinexWT:一种基于Retinex技术的低光照增强方法,结合了小波变换
低光图像增强方法提出结合传统Retinex理论与深度学习的RetinexWT框架,通过小波变换分解图像高频(亮度/色调)与低频(边缘细节)特征,利用Vision Transformer捕捉全局依赖优化光照估计,引入门控机制选择性融合特征以平衡噪声抑制与细节保留,实验证明其性能优于现有方法。
来源:Digital Signal Processing
时间:2026-01-23
-
En FuseNet:一种结合尾部特征增强与动态融合的双模块方法,用于长尾皮肤病变诊断
针对皮肤疾病诊断中长尾分布导致的样本不均衡问题,本文提出EnFuseNet框架,集成双视角交互融合模块和尾部表征增强模块,结合自适应加权交叉熵损失函数,有效提升罕见皮肤病的诊断准确性和AUC值至86%-88%和97%,优于现有方法。
来源:Digital Signal Processing
时间:2026-01-23
-
利用速率分割多址技术提升多用户多天线系统中的保密性能
多天线与速率分裂多址接入结合提升多用户无线系统保密性能,推导了保密outage概率与ergodic保密容量的闭式表达式,分析了天线数、功率分配、带宽及信道状态信息不完美对加密性能的影响。
来源:Digital Signal Processing
时间:2026-01-23
-
基于先验知识引导的自适应多尺度深度学习方法,用于表面增强拉曼光谱在肝脏疾病分类中的应用
本研究提出一种基于先验知识的自适应多尺度深度学习框架,通过双路径神经网络架构整合分子标记峰位先验与全局光谱信息,有效提升SERS肝脏疾病分类的准确性和泛化能力,在215例五分类任务中达到93.66%的准确率,较基线模型提升5.37个百分点,并在数据受限和跨中心验证中展现鲁棒性。
来源:Engineering Applications of Artificial Intelligence
时间:2026-01-23
-
Shapley估计解释法:一种用于解释智能机械故障诊断的快速事后归因方法
智能故障诊断的可解释性研究面临计算效率挑战,提出基于域变换的SHAP近似方法SHEP。通过特征分块和两代表例评估,将计算复杂度从指数级降至线性级,同时保持解释的准确性。实验验证了其在振动信号分析中的高效性和可靠性,并开源代码促进学术应用。
来源:Engineering Applications of Artificial Intelligence
时间:2026-01-23
-
一种用于骨髓细胞分类的新型特征重建方法
骨髓细胞图像分类中冗余特征导致模型性能下降,提出RR-Block模块通过保留高频特征并过滤低频信息解决该问题,可无缝集成至ResNet等CNN架构。实验在PBC(8类)和Matek(21类)数据集上分别达到98.54%和91.69%准确率,Cohen's Kappa系数达99.37%和89.14%,优于现有方法。
来源:Engineering Applications of Artificial Intelligence
时间:2026-01-23
-
通过基于身份条件的合成数据增强技术与推理时嵌入融合技术来提升面部重新识别的准确性
人脸重识别中通过Arc2Face生成身份一致性合成图像,并采用嵌入聚合策略提升表征能力。实验表明在LFW和SCFace数据集上,Rank-1准确率平均提升6.97和10.98-31.33点,验证基准匹配或超越AdaFace。引入LCM-LoRA加速生成,框架具备架构无关性和单注册隐私保护特性。
来源:Expert Systems with Applications
时间:2026-01-23
-
综述:层次化评估函数:一种用于优化需求预测模型的多指标方法
需求预测中多指标评估函数HEF的优化应用与实证研究,提出整合R²、MAE、RMSE的层级评估框架,通过网格搜索、粒子群优化和贝叶斯优化在Walmart、M3、M4、M5数据集验证,HEF在全局指标上优于单一MAE评估,尤其在异质时序和高度粒化场景中提升预测稳定性与泛化能力。
来源:Expert Systems with Applications
时间:2026-01-23