该研究提出了一种多模态混合损失方法（MMHL），通过混合融合模块在RGB和热感特征融合时考虑了空间和通道信息。通过顺序训练策略，先对RGB图像进行训练，再学习跨模态特征，提高了显著性检测性能。性能评估结果显示，该方法优于现有方法。

本文提出了一种增强模型对细粒度视觉和布局特征的捕捉能力的新方法，通过引入颜色先验知识，并在基准数据集上实验证明其优于强大的 LayoutLM 系列基线。研究不同的颜色方案对该方法的影响，为优化模型性能提供了启示。

本文提出了一种基于U-Net的注意力模型，用于增强深度神经网络语音识别系统中的对抗性信号，并通过可解释的语音识别度量评估模型性能。实验结果表明，该模型可以提高语音质量感知评估、语音传输指数和短期客观清晰度等指标，并可以增强DNN基于ASR模型的鲁棒性和泛化能力，从而确保弹性ASR系统的安全性。

本文介绍数字签名的鉴别过程，使用私钥签名，公钥验签，确保报文完整性和不可否认性。同时，为保证机密性，需要使用非对称加密算法加密明文。

终于知道公钥、私钥、对称、非对称加密是什么了

本文提出了一种鲁棒的不对称损失函数，解决长尾和多标签分类问题，适用于医学图像分类任务。该方法能够缓解超参数优化困难和模型过拟合的风险，实验证明在长尾多标签医学图像分类和其他长尾单标签数据集上具有较好的性能，并在ICCV CVAMD 2023竞赛的CXR-LT数据集上取得Top-5结果。

本文介绍了一种基于偏态 t 因子 copula 模型的金融数据建模方法，该模型允许非对称和极端尾部依赖。作者使用贝叶斯变分推断方法估计高维度的 copula 模型，并应用于93只美国股票的日内收益预测。结果表明，偏态 t copula 提供了更准确的预测密度，并且基于估计的两两尾部依赖的投资组合选择策略相对于基准指数表现更好。