本研究提出REMEDI框架，以解决车主购车行为预测中的极端类不平衡和复杂模式问题。通过多样化模型捕捉用户行为特征，显著提升购车者识别精度，具备工业应用潜力。

本研究提出了一种无线协作推理框架，旨在提高植物病害识别的速度和准确性。通过边缘设备与云服务器的协作，结合深度强化学习优化深度神经网络，实验证明该框架在加快推理速度的同时保持了良好的识别精度，为植物病害的快速诊断和防治提供了新方案。

本研究提出了一种新方法，通过结合动作的层次结构和文本上下文信息来提升动作识别效果。实验结果表明，该方法在相同超参数下优于现有预训练方法，使用真实上下文信息时识别精度提高了17.12%。

本文提出了多种基于深度学习的车辆重新识别方法，包括自适应注意力模型和局部注意力机制，以提高车辆识别精度。研究评估了不同方法在多个数据集上的表现，并探讨了未来研究方向，推动车辆再识别技术的发展。

该研究提出了一种新型交通灯检测方法，结合可视化分析系统VATLD，提升了自动驾驶中交通灯检测的精度和鲁棒性。同时，研究建立了交通灯数据集，开发了多摄像头感知管道和尾灯数据集，显著提高了识别精度，降低了碰撞风险。

本文探讨了视觉地点识别（VPR）的新定义及其挑战，介绍了基于Transformer的模型TransVPR，提升了多尺度特征聚合和全局视觉特征的性能。研究提出了通用VPR解决方案，显著提高了识别精度，并分析了图像分辨率对VPR的影响，旨在推动VPR在商业应用中的发展。

本文提出了一种基于编码器-解码器网络的数学公式识别方法，结合语法规则和树遍历过程，显著提高了识别精度。实验结果表明，该方法在多个数据集上优于现有技术，并创建了一个包含10万个手写数学表达式图像的数据集，相关代码和模型将公开。

本文介绍了一种创新的生物特征认证系统，利用图像扭曲技术使面部图像对肉眼不可识别，但可被神经网络识别。研究探讨了生物识别技术的安全性、模板和数据库大小对识别精度的影响，并提出了隐私保护的多生物特征识别系统和对抗性蒙版技术，实验结果表明其在保护用户数据隐私方面的有效性。

本研究提出了一种新方法，通过SHAP值重新训练模型，提高可解释人工智能的透明度和可信度。实验结果表明，该方法在准确率上优于传统训练方法，并引入草图作为可解释性数据形式，展示了草图编码器的高识别精度，推动了可解释人工智能领域的发展。

本研究探讨了使用隐私友好的合成人脸数据集，通过条件生成对抗网络生成高质量人脸图像，并提出多种学习策略进行人脸识别训练。研究结果表明，合成数据在识别精度上具有显著优势，并提出了减小合成与真实数据之间性能差距的方法。

该研究使用深度学习模型直接预测整个图像的棋盘配置，避免了传统的棋盘检测、方格定位和棋子分类的流程。在新的基准数据集上，该方法实现了15.26%的棋盘识别精度，是当前最先进方法的7倍。