标签
本预印本表明，使用具有不同学习规则的CNN和fMRI数据，评估分辨率显著影响视觉皮层（V1）中类脑学习规则的识别。
提出了一个使用多传感器卫星数据进行森林地上生物量估算的全局训练CNN，并通过稀疏样地校准流程实现局部预测适应。与未校准的全局模型和ESA CCI产品相比，精度有所提高。
PhysAttNet 是一种物理信息注意力框架，通过领域引导的正则化增强轻量级 CNN 预测器，以提高工业与天体物理时间序列预测的准确性和泛化能力。
本文提出了一种多表征深度学习框架，结合CNN、LSTM和递归图分析来表征脆性X综合征中的α和γ脑电生物标志物，相较于单模态基线方法，分类性能得到提升。
本文评估了CNN在JONES-19文化设计数据集上的预训练策略，发现在结构化设计数据上，使用多裁剪采样从头学习可以达到与ImageNet预训练相当的效果，这表明在专门的设计领域中，较小且精心整理的数据集可能比大规模数据收集更为有效。
首尔国立大学的深度学习CNN模型比NOAA基于物理的模型提前数月预报了一次极强厄尔尼诺事件，并随着模型收敛而得到验证。该AI还预测2028年将转为拉尼娜，远超传统预报期限。
本文介绍了一种使用多臂老虎机（UCB1和Thompson采样）进行卷积神经网络损失感知的特征图剪枝框架，选择性移除冗余特征图，在降低计算成本的同时保持准确率。
本文系统评估了后训练量化如何影响使用Grad-CAM和LIME的CNN模型的可解释性，揭示分类准确性并非可解释性稳定性的可靠指标，并且架构选择对于可信部署至关重要。
本文提出了一种轻量级CNN分类器，利用基于欧氏距离的傅里叶-贝塞尔级数展开（FBSE-ED）将脑电信号表示为图像，在预测rTMS抑郁症疗法结果方面达到了93.60%的准确率，优于脑电专用深度学习和预训练深度学习模型。
本文通过分析计算，针对基本数据增强和具有平稳统计特性的自然图像，在对比损失下得到了最优表示。结果表明，最优CNN的第一层滤波器是正弦波，且权重可通过注水算法计算。
推广斯坦福大学2017年的CS231n讲座，涵盖CNN、计算机视觉和深度学习基础。
本文介绍了Manifestation Units，这是一种类型化元组协议，用于将机制可解释性分析中的每个组件的统计量组织成结构化、可查询的字段。该协议在视觉（β-VAE、CNN）和语言（GPT-2）模型上进行了演示，展示了改进的检索和因果充分性。
本文提出了一种使用CNN和ResNet架构并结合迁移学习的自动化深度学习方法，用于MRI图像中的脑肿瘤检测，准确率高达97%。
本文提出了eCNNTO，一种带有残差连接的卷积神经网络，通过从早期迭代历史中预测接近最优的密度来加速基于密度的拓扑优化，实现了最多97%的迭代次数减少，并在不同边界条件、几何形状和网格分辨率下展现出强大的泛化能力。
本文研究了用于中国方言细粒度辨识的语音驱动特征，采用了一种端到端模型，通过卷积神经网络结合基于MFCC的特征与词级嵌入，性能优于文本驱动方法。
本文研究了基于CNN的多光谱图像分类中的增强技术，这些图像来自可见光和热红外相机，利用ThermalWorld数据集来理解不同增强方法对分类准确率的影响。
本文表明，像Forward-Forward (FF)这样的层局部训练方法无法扩展到真实的图像尺寸和数据集，且合成基准测试夸大了其性能。作者引入了一个强大的FF变体（DTG-FF），并证明在真实数据（例如224x224的ImageNet-100）上，FF仅达到49.4%，而典型BP超过75%，而在合成任务上，差距缩小甚至反转。
一份精心策划的指南，通过完整的YouTube直播课程系列来学习使用PyTorch进行深度学习，内容涵盖从张量到生成对抗网络，共分为六个部分。
本文介绍了WISE-HAR，一个用于基于WiFi的人类活动识别的集成深度学习框架，实现了鲁棒的性能和跨场景的泛化能力，准确率下降极小。