本研究解决了在颜色表示等高维数据中定义极大值和极小值的挑战。作者提出了一种新方法，通过将极大值替换为对数求和指数近似，从而实现了高维情况下的联想性，同时探讨了最小性特征。这项工作有潜力推动颜色形态学在更复杂数据处理中的应用。

本研究探讨了形态学类型学对分词和语言建模性能的影响，比较了合成和分析结构的语言。结果表明，合成特征语言在BPE分词中展现出更高的子词规律性和生产力，从而在语言建模任务中取得更佳效果。

本文介绍了多种细胞分割方法，包括基于注意力机制的Cell-DETR和Vision Transformer的CellViT，这些方法在显微图像分析中取得了显著进展。研究提出了多模态细胞分割基准，并开发了高效的深度学习算法，提升了细胞分割的准确性和效率，推动了数字病理学和药物发现的研究。

本文研究了语言概率模型中单词子结构的影响，提出了多种语言模型和无监督中文分词方法。研究发现，不基于分词的字符级模型在复杂情况下更具鲁棒性。同时，开发了PKUSEG工具包用于多领域分词，并评估现有系统，提出新标准。研究表明，模型性能受数据集特征影响，MigBERT模型在中文NLP任务中表现优异。

研究分析了分词对多语种语言模型形态知识的影响，比较了mT5和ByT5在不同语言上的形态学理解。结果表明，中晚层编码的形态信息显著影响模型表现，尤其在处理不规则语言时，增加预训练数据能提升效果。

本研究提出了一种基于3D全卷积神经网络的MRI次皮质脑结构分割方法，显著提升了特征提取的准确性和一致性，实验结果显示该方法在神经解剖学成像中表现出色，具备高效性和鲁棒性。

为了缩小通用程序的灵活性与神经形态硬件效率之间的差距，本文提出了一种定制的用于神经形态硬件的数据流模型，名为神经形态数据流，通过引入 “when” 和 “where” 原语进行控制流的重构，结构紧凑且符合神经形态硬件的要求，在实现可编程性和塑性的同时充分利用硬件的潜力。

本文介绍了一个新数据库，整合了26个公共资源，显著提升了基因表达预测性能。研究利用卷积神经网络和概率机器学习方法，分析肿瘤基因表达及其空间分布，特别是在乳腺癌中的应用。此外，强调了形态学分析在药物发现中的重要性，深度学习技术在细胞分类和图像分析中的进展也推动了相关研究的发展。

本文介绍了一种将深度神经网络转换为脉冲神经网络的通用方法，并探讨了在神经形态硬件上部署后的性能提升。研究表明，采用新技术后，功耗降低27倍，能耗降低5倍。通过优化多芯片网络和正则化方法，确保在降低功耗的同时保持高准确性，为高效机器学习应用提供了新思路。

本文研究了深度神经网络的无监督领域适应问题，提出了Deep CORAL方法，通过对齐源域和目标域的统计信息，最小化领域偏移，取得了先进性能。此外，探讨了卷积神经网络在文化遗产图像分割、内窥镜深度估计及组织学图像分割等领域的应用，展示了深度学习的有效性。

这项研究介绍了一种利用土壤的三维微计算机断层扫描图像模拟有机物质微生物分解的新的计算方法。该方法利用一个连接的体素的评估图来模拟微生物分解过程中涉及的转化和扩散过程。该模型可被用于模拟多孔介质中的任何扩散 - 转化过程。我们实施了并行化策略，并探索了不同的数值方法，包括隐式、显式、同步和异步方案。为了验证我们的方法，我们将模拟输出与 LBioS 和 Mosaic...

本文提出了语义链模型和话语信息模型，探讨其在自然语言处理中的应用。研究表明，语义语言模型（SemLM）能提升共指消解和话语分析的性能，并通过自动标记和情感分析增强Argument Mining系统的鲁棒性。此外，结合主题模型与语言模型提升了语言理解能力，尤其在文档级上下文抽取方面表现优异。

腐蚀、膨胀、开运算、闭运算、梯度运算、顶帽运算和黑帽运算是图像处理中常用的操作。通过使用不同的操作，可以实现图像的收缩、扩张、抹除细节和噪音等效果。以上操作可以通过使用OpenCV库中的相应函数来实现。

本文提出了一种有效的边缘计算推理方法，重点在设备模型计算成本与中间特征通信成本的权衡。通过模型拆分、通信感知模型压缩和任务导向特征编码，构建了三步框架，显著降低推理延迟，并探讨了边缘机器学习在高风险应用中的有效性。

该研究探讨了脉冲神经网络（SNNs）和联邦学习（FL）在神经形态数据中的后门攻击脆弱性。尽管SNNs和FL在低功率设备上具有潜力，但它们易受攻击。研究提出了新的攻击策略，并强调在部署这些系统时需加强安全措施。同时，提出了基于SNN的在线联邦学习规则FL-SNN，以解决有限数据问题并优化通信负载与准确度的平衡。

本研究提出了一种基于形态学的单词分割方法，以提高神经机器翻译的性能。实验结果表明，该方法在土耳其-英语和维吾尔-中文翻译任务中显著提升效果，降低了数据稀疏性。同时，研究比较了监督与无监督模型的表现，发现监督模型在多种语言上效果更佳。

本文介绍了脉冲神经网络（SNNs）作为深度神经网络的替代方法在信号处理应用中的广泛应用，包括静态和时间输入的处理。同时，讨论了SNNs的训练和扩展方法以及算法-架构共设计的最新研究成果。此外，还探讨了开发基础硬件和构建可部署SNN系统的挑战。

本文提出了一种基于单个预训练AffectNet的EfficientNet模型的帧级情感识别算法，可在移动设备上实现实时视频人脸情感分析。该算法在第三届野外情感行为分析竞赛的Aff-Wild2数据集上，相较于VggFace基线，性能指标高0.15-0.2。该方法可作为四个子挑战的新基准。