本文提出了一种无监督的语音分割方法，克服了传统方法在多种声学风格变化中的局限性。研究表明，该方法在边界检测和分段纯度方面优于现有基线，对语音处理技术的改进具有重要意义。

本文提出了一种新方法InpDiffusion，旨在解决图像修复定位中的过度自信和边界检测困难问题。通过引入边缘条件和监督策略，提升了修复图像的细节感知，显著提高了定位的准确性和鲁棒性。

本研究解决了语音分割在词和音素层面上的重要性，提出了一种模型无关的框架，实现词边界的监督检测。采用标签增强技术和输出框选择策略，我们的HuBERT编码器方法在Buckeye和TIMIT数据集上超越了其他先进架构，建立了新的性能标准，展示了其在音频标记化研究中的潜在影响。

本文探讨了利用自然语言处理和机器学习技术建立检测器，以区分机器生成文本与人类书写文本。研究提出了基于信息理论的度量方法，设计了多种检测器，并通过实验验证了其在不同领域的有效性和鲁棒性，显著提高了检测准确率，尤其在大型语言模型生成文本的背景下。

本文介绍了多种基于深度学习和图像分析的树木检测与年轮定位方法，包括改进的椭圆物体检测、CrownCAM算法、INBD算法及木材髓心检测技术。这些方法在不同数据集上表现优异，具有高精度和自动化潜力，为森林监测和分析提供了新工具。

本文介绍了在SemEval2024任务8中检测机器生成文本的方法，包括统计、神经网络和预训练模型。研究表明，在单语和多语境下的准确率分别为86.9%和83.7%。提出了一种基于RoBERTa的新方法，超越了人类准确度，并强调了对混合文本的检测需求。研究还探讨了大型语言模型生成文本的检测技术现状及未来方向，呼吁加强相关研究以实现负责任的人工智能。

本文提出了一种新型网络结构CTO，结合卷积神经网络、Vision Transformer和边界检测，显著提升医学图像分割的准确性和效率。实验结果表明，该方法在多个数据集上表现优异，特别是在复杂形状文本和视频边界估计方面效果良好。

研究人员提出了一种新的后门攻击检测方法Model X-ray，通过对决策边界进行分析，可以确定目标API是否受到后门攻击，并确定攻击标签。实验证明该方法对不同后门攻击、数据集和架构的MLaaS都有效。

本文介绍了通过对齐熵监督神经语音识别模型的方法，以提高模型的准确性和延迟。实验证明，对齐蒸馏可以改善师生蒸馏模型在流媒体场景下的性能。

使用预训练的生成模型与人工生成的文本进行区分的重要性逐渐增加。改善语言模型后，基于转换器的分类器的准确度达到0.9以上，而浅层学习分类算法的准确率在0.6至0.8之间。强化学习方法可以成功逃避BERT-based分类器，使其检测准确率降至0.15或更低。

该研究提出了一种简化的自监督方法，结合可区分的运动特征学习模块，用于识别视频中的事件边界检测问题。实验证明该方法在两个数据集上的可行性和有效性，并展示了无需显式预文本任务的学习运动特征的简单自监督方法。

该文提出了一种半监督学习方法，用于解决工程视频中行为分割的问题。该方法适用于只有一小部分有标签数据和大量没有标签数据的情况。作者提出了两个新的损失函数和自适应边界平滑方法，并在三个基准测试中评估，结果表明它们显著提高了行为分割性能，并在使用少量标记数据的情况下取得了与全监督相当的结果。

该系统使用多个检测系统来识别拼接区域并确定其真实性。系统包括边界检测和深度伪造检测的两个帧级系统，以及使用真实数据训练的第三个VAE模型。该系统在ADD 2023的二号任务中表现出色，句子准确率达到82.23％，F1分数为60.66％，最终得分为0.6713的第一名。