本文介绍了MPIIGaze数据集及其在注视估计领域的研究进展，提出了多种深度学习模型（如GazeNet、Dilated-Net、FR-Net等），并通过实验验证了这些模型在不同条件下的准确性和鲁棒性。研究表明，最新模型在多个数据集上实现了显著的性能提升，推动了注视估计技术的发展。

2014年，美国俄亥俄州托莱多市因伊利湖蓝藻繁殖导致自来水不适合饮用。浙江大学GIS实验室提出了一种深度学习模型ChloroFormer，结合傅里叶分析和Transformer网络，提高了叶绿素a浓度预测的准确性。该模型可为赤潮预警提供重要信息。

本论文研究了眼动追踪模式的学习过程，并提出了一种将involution与convolution相结合的深度学习模型。实验结果表明，具有三个involution层的IC方法优于先前的方法。

本研究利用深度学习模型解决了类人机器人在真实环境中的控制难题，降低了对操作者技能的要求。自我意识模型能够准确预测机器人模仿动作时的跌倒风险，提升了机器人的适应性和安全性。

本研究提出了一种新的在线模型选择框架，解决了时间序列预测中深度学习模型复杂性导致的可解释性不足问题。通过元学习识别特定预测需求，仅在必要时使用复杂模型，结果表明，选择简单的线性模型可以取得竞争力的预测性能，降低了使用不透明黑箱模型的需求。

本研究提出了一个图像识别遮挡数据集（IRUO），用于评估深度学习模型在遮挡条件下的识别能力。研究发现现代CNN模型在遮挡图像上的准确率有所提高，而ViT模型在遮挡图像上的表现更优，接近人类识别的准确率，但某些遮挡类型仍然会影响模型的表现。

本研究利用多传感器、多光谱影像和深度学习模型解决全球森林碳储量测量挑战，全球测试数据集上取得显著性能提升，验证了模型有效性，展示了未来碳核算和环境监测潜力。

该研究利用深度学习模型减小粗网格计算流体力学问题的空间离散化误差。通过替换对流项的差分方案，提高低分辨率模拟的质量。实验结果显示，该方法可将误差减小到传统求解器的约50%。

本研究提出了一种新方法，将T细胞受体（TCR）蛋白序列转化为图像，利用深度学习模型分类并揭示其与癌细胞的关系，开辟了蛋白质分析领域的新方向。

该研究介绍了一种名为HLOB的大规模深度学习模型，用于预测限价单簿的中间价格变动。该模型通过信息过滤网络和同源卷积神经网络的灵感，揭示了限价单簿信息的空间分布和预测时间范围内的退化情况。实验证明，HLOB模型在金融市场预测中优于其他深度学习模型。

本研究发现深度学习模型中的认识不确定性崩溃现象，并指出大模型内部的隐性集合是导致此崩溃的原因。研究为不确定性估计提供了理论依据和新的视角。

深度学习模型的发展速度、数据量和模型规模的增加会导致其展示出解决新问题的突然能力。本文提出了一个基于技能的框架，解析了新能力的出现和丢失的尺度规律。通过与神经网络的比较，发现简单模型能够捕捉到多个新技能的发生现象。

自闭症谱系障碍 (ASD) 对儿童的生活造成困难，早期诊断对治疗和关怀很重要。研究提出了一种深度学习模型，通过分析儿童对感官刺激的反应来捕捉 ASD 和非 ASD 患者之间的差异。数据结果表明，模型能够很好地理解患者不同运动之间的关键差异。

自闭症谱系障碍 (ASD) 对儿童的生活造成困难，早期诊断对治疗和关怀很重要。研究提出了一种深度学习模型，通过分析儿童对感官刺激的反应来捕捉 ASD 和非 ASD 患者之间的差异。数据结果表明，该模型能够很好地理解患者不同运动之间的关键差异。

本研究使用深度学习模型检测蚜虫簇集，并提出了一种新的方法来估计感染水平。通过构建庞大的数据集并比较四种目标检测模型的性能，结果显示它们在精度和召回率方面表现相似。进一步的方法使性能提升了约17%。该研究证明了使用机器学习模型自动检测和管理昆虫的可行性，并公开提供了标注数据集。

该研究提出了一种创新的老年人跌倒检测系统，结合了加速度计、陀螺仪传感器和深度学习模型，通过树莓派实现实时执行能力。实验结果显示该系统具有高召回率和96%的特异性，为跌倒预防和干预提供了有效解决方案。

本研究提出了一种统一框架，通过评估多种深度学习模型，解决了基于咳嗽声音的呼吸疾病诊断方法的数据规模限制和模型性能不足的问题。实验结果显示该方法在COVID-19和慢性阻塞性肺疾病的分类任务中表现优异，其AUROC达到了92.5%。

本研究发现对称性会降低深度学习模型的容量，影响训练效果。提出了syre算法，通过消除对称性诱导的低容量状态，显著提高神经网络的训练效率，并证明其通用性。该研究为提高模型性能提供了新的思路与方法。