香港城市大学研发的NRE-skin电子皮肤模拟人类神经系统，具备高分辨率触觉感知、主动疼痛感知和自检功能，通过将触觉转化为神经脉冲，实现快速反应和模块化维护，为机器人领域带来突破。

本研究提出了一种新方法AdvWT，通过利用物体自然损耗生成对抗样本，克服了现有方法的局限性。实验结果表明，AdvWT能够保持损伤外观的自然真实性，并有效误导深度神经网络。

本研究解决了在电子健康记录中识别认知损伤的困难，特别是通过人工审查非结构化临床笔记的低效和易错问题。研究创新性地使用零-shot GPT-4o自动评估认知损伤阶段，发现其在临床笔记分析中的表现优秀，尤其在判断正常认知、轻度认知损伤和痴呆时达到了0.96的加权其中系数。研究结果显示，GPT-4o在今后可能成为辅助诊断及研究数据集创建的重要工具。

本研究解决了多模态建筑损伤评估数据集缺乏的问题，提出了BRIGHT数据集，结合光学和SAR影像，实现全天候、昼夜灾害响应。研究表明，BRIGHT是第一个专为支持AI灾害响应而创建的开放访问的全球分布事件多样化数据集，能够提供详细建筑信息，有助于提高灾后响应的效率。

本研究提出了多样化道路损伤数据集（DRDD）和新模型RDD4D，通过优化特征的Attention4D模块，显著提升了大规模道路裂缝检测的平均精度至0.458，对基础设施维护具有重要影响。

本研究探讨如何将语言损伤研究及其临床治疗的见解整合，开发人性化学习策略和评估框架，以提升语言模型的表现。研究强调了源自神经语言学与失语症学的理论基础，为复杂句法现象的处理设计更严格的语言模型评估，推动创建更具可持续性和认知合理性的自然语言处理模型。

本研究解决了结构健康监测中损伤预测的资源分配问题，采用基于人群的监测方法，将过去的结构数据用于当前损伤的推断。通过主动学习方法优化高保真监测系统的分配，提高损伤预测的准确性，目标是最大化监测资源的使用效率。

本研究解决了从皮肤病变图像中自动分割恶性黑色素瘤的难题，因为纹理表示难以有效融入学习过程中。我们提出了一种新型的变换器网络SkinFormer，通过设计库尔特斯引导的统计计数算子，结合全局注意力机制，高效提取和融合统计纹理表示。实验表明，SkinFormer在多个公开数据集上优于现有方法，能显著提升分割性能。

本研究提出了一种优化的物理信息神经网络(PINN)，用于识别金属板中的表面裂纹，采用自适应激活函数以提高收敛速度和准确性。同时，介绍了轻量级深度学习模型和张量卷积神经网络(T-CNN)，在缺陷检测中表现优异，显著提升了训练速度和性能，具有重要的工业应用价值。

本文介绍了一种嵌入无人机的立体视觉系统，能够实时评估道路状况，提升交通安全。研究提出了多种目标检测算法和模型，如NDFT、JointYODNet和DAPONet，优化了小目标检测和道路损坏识别的性能，展现出高精度和鲁棒性，适用于实时应用。

本文介绍了新型混凝土缺陷数据集CODEBRIM，研究了基于强化学习的元学习方法在多目标分类中的应用，结果表明该方法在参数和准确性上优于传统神经网络。此外，探讨了深度学习在结构损伤检测和评估中的应用，提出了多种高效模型，显示出良好的性能和应用前景。

本研究解决了在传统媒介（如绘画、摄影、纺织品等）中准确检测和分类损伤的挑战，尤其在无先验知识的情况下机器学习模型的不足。提出的DamBench数据集包含超过11,000个标注，涵盖15种损伤类型，为损伤检测提供了新方法。研究发现当前模型在不同媒介类型之间泛化能力有限，强调了可靠损伤检测的必要性。

本文研究了结构健康监测中的数据驱动损伤检测，采用自编码器和生成对抗网络等深度学习方法，提出了一种无监督损伤检测方法。实验结果表明，该方法在不同非线性系统中有效。此外，开发了基于多视角卷积神经网络的损伤预测模型，提升了灾后建筑损伤分类的准确性。

该论文研究了自动化深度学习工具在多发性硬化症患者MRI扫描中对白质病变分割的不确定性量化。提出了一种新方法，通过分析多中心MRI数据集，捕捉模型在病变和患者尺度上的错误，强调了不确定性在医学图像分割中的重要性，并提出结合贝叶斯神经网络和注意机制的模型，以提高分割的准确性和可解释性。

本研究利用深度学习和卷积神经网络开发了多种植物病害检测方法，包括基于无人机和智能手机的应用，提升了作物健康监测效率。研究评估了不同模型在叶病害诊断中的表现，并提出了新框架以实现作物自动识别和收获。

本文研究了人体姿态估计模型的对抗攻击和鲁棒性，提出了新算法AdvMix以提高模型在数据噪声下的表现。通过多个基准数据集评测，发现热力图模型更具鲁棒性，并提出了增强3D姿态提升器稳健性的技术。此外，研究分析了多实例姿态估计算法中的错误影响，为算法评估提供了新方法。

通过使用 Pixel-Wise T-Test 算法结合合成孔径雷达成像和统计变化检测的方法，该研究提供了在广阔区域定期获得准确冲突破坏估计的新方法，并在乌克兰、加沙、叙利亚和伊拉克等地的 12 个城市上进行了评估，达到了与使用深度学习和高分辨率成像方法相媲美的建筑级准确性统计水平（在乌克兰是 AUC=0.88，在加沙是 0.81）。该 workflow 是开源的，并完全部署在 Google...