机器之心数据服务现已上线，提供高效稳定的数据获取服务，帮助用户轻松获取所需数据。

本研究针对卫星图像中目标定位面临的高变异性和低空间分辨率等挑战，提出了一种新的YOLO-DCAP模型，以提高复杂场景下的目标定位能力。该模型结合了多尺度扩张残差卷积和注意力辅助空间池化模块，显著提升了目标定位的准确性，并在多个卫星数据集上表现出优越的性能。

本研究提出了一种基于卷积神经网络的多类别脑肿瘤分类方法，通过图像预处理和超参数调优，构建轻量级深度学习模型，实现了98.78%的分类准确率，具有临床应用潜力。

本研究解决了小卫星技术中数据传输效率低和实时异常检测不足的问题。采用卷积自编码器实现数据压缩和源头异常检测，提升了小卫星在灾害监测中的应用性能。研究结果显示，机器学习方法可有效提升小卫星数据处理效率，并推动非洲空间技术与人工智能的发展。

本研究解决了混合CNN-变换器模型在医学影像分类中可解释性不足的问题。我们提出了一种可设计可解释的混合全卷积CNN-变换器架构，能够生成直接反映模型决策过程的局部证据图，提升了模型的可解释性与性能。实验结果表明，该模型在医学图像分类任务中不仅预测性能达到最先进水平，还能在单次前向传播中提供类别特定的稀疏证据图。

本研究提出了一种新型多任务学习框架DG-STMTL，用于智能交通系统中的时空交通预测。该框架结合静态和动态邻接矩阵，通过特定门控机制提高预测精度，实验结果表明其优于现有方法，具有良好的效果与稳健性。

本研究提出了一种新颖的水下图像增强算法UIE-SNN，基于脉冲神经网络，能耗降低85%，同时保持图像清晰度，为海洋自主视觉导航提供技术支持。

本文提出了一种新颖的框架，将集成学习与增强图结构相结合，以提高图中半监督节点分类的性能和鲁棒性。该方法通过创建同一图的多个增强视图，利用“多样性人群的智慧”，有效缓解嘈杂图结构带来的挑战，并在多个真实世界数据集上的实验表明了其有效性。

本研究针对在传感器上实现卷积神经网络的现有解决方案缺乏优化的空白，首次提出了深度优先卷积神经网络在智能传感器处理单元上的优化设计。通过在传感器和微控制器之间进行卷积神经网络的分区，并采用早期退出机制，本研究显著降低了功耗，实现了与常规推理管道相同的准确率，但平均电流消耗减少了11%。

本研究解决了传统特征融合方法忽视人脸识别中关键差异特征的问题。提出的MSConv模块通过多尺度混合卷积，同时提取明显特征和差异特征，提升了特征表示的有效性和模型的识别能力。实验结果表明，MSConv在综合这两类特征后，优于仅关注明显特征的模型。

本研究解决了阿尔茨海默症（AD）诊断中关于脑淀粉样沉积的早期识别问题，提出了一种基于变换器的几何深度学习模型，结合了经过训练的高斯过程模型生成的解剖标志。该模型在AD分类任务中表现优异，并且能够有效预测中风险人群的脑淀粉样阳性，可能改善AD诊断的准确性，减少对昂贵和侵入性PET扫描的依赖。

本文解决了多智能体路径规划（MAPF）中的去中心化规划问题，提出了一种名为RAILGUN的中心化学习策略。通过采用基于卷积神经网络的架构，RAILGUN能够在不同的地图上进行有效的路径规划，显著超越了大多数基线方法，并在未见过的任务和地图上展示了卓越的零-shot泛化能力。

本研究解决了大型语言模型微调中存在的参数高效性不足的问题，尤其是在低秩适应方法的限制下。通过提出一种新的子空间反卷积微调方法（DCFT），研究者们展示了如何通过调整内核大小来动态控制参数，突破了秩一分解的局限性，并在大量实验中验证了该方法比传统LoRA更具参数效率，降低了8倍参数同时保持良好的性能。