机器之心数据服务现已上线，提供高效稳定的数据获取服务，帮助用户轻松获取所需数据。

本研究提出了一种基于深度学习的新方法，用于膝关节骨关节炎的自动诊断和分析。通过深度孪生卷积神经网络，实现了对X射线和CT图像的自动评分和分类，显著提高了准确性和效率。同时，研究还探讨了股骨CCD角度的预测，展示了深度学习在医学影像分析中的潜力。

本文介绍了MURA数据集及其在医学影像分析中的应用，训练了高性能的DenseNet模型用于检测骨骼肌肉系统异常。研究探讨了合成数据在兽医医学中的重要性，提出多种生成模型和方法，以提升数据采集和机器学习模型的效果，强调真实数据多样性对医疗AI算法的重要性。

本文探讨了利用深度学习和生成对抗网络（GAN）提升骨骼疾病诊断的技术，包括MR-CT合成、骨头三维结构估计、异常脊柱图像生成及新型数据标注流程，展示了其在医学图像分析中的有效性和准确性。

本文探讨了基于深度学习的医学图像分割中的不确定性评估，提出了一种生成空间不确定性映射的方法，以帮助临床医生理解系统错误。研究表明，现有方法在个体水平存在偏差，需开发个性化评估。通过多层不确定性模块，研究实现了高分割性能和有意义的不确定性图，从而提升医学图像分析的准确性和效率。

本文提出了针对基于骨架的动作识别的对抗攻击方法，包括CIASA、SMART和BASAR，展示了这些方法在黑盒和白盒场景中的有效性。研究表明，骨骼动作识别模型易受攻击，提出的防御机制能提高鲁棒性。此外，探索了物理骨骼后门攻击（PSBA），显示其在多种环境下的有效性，为未来研究提供了新视角。

本文介绍了医学图像处理的研究进展，包括MURA数据集的构建、深度学习模型在MRI和CT图像分割中的应用，以及通过迁移学习提高稀疏标注的分类准确性。这些研究旨在降低标注成本，提高临床诊断能力，推动医学影像分割技术的发展。

本研究针对骨骼动作识别（SAR）模型在物理环境中的安全漏洞进行探索，提出了物理骨骼后门攻击（PSBA）方法。该方法通过在原始骨骼数据中植入不易察觉的触发动作，导致系统在出现触发动作时将任何骨骼序列错误分类到目标类别。研究表明，PSBA在多种数据集、污染比例和模型架构下均显示出有效性，为物理攻击的实际应用提供了新的视角。

本文提出了一种多模态协同学习框架（MMCL），通过结合骨架序列和RGB帧信息，实现高效的动作识别。实验结果表明，该方法在性能、网络复杂性和鲁棒性方面优于现有技术。

本文探讨了多粒度语义交互机制在零样本动作识别中的应用，提出了多层次对齐方法和多语义融合模型，以提高动作识别的准确性。通过结合骨骼特征和文本描述，利用无监督学习和自监督学习方法，增强了模型的鲁棒性和性能，并验证了其在多个数据集上的有效性。

骨架动作识别在数据不平衡方面存在挑战。本文提出了一种新颖的平衡表示学习方法，通过空间-时间动作探索策略和分离的动作感知学习计划，解决长尾动作识别问题。实验结果表明，该方法在多个数据集上显著提升了识别性能和泛化能力。

本文介绍了多种基于Transformer的骨架动作识别方法，如STTFormer、SkateFormer和ST-TR。这些方法利用自注意力机制建模关节间的依赖关系，显著提升了在大型数据集上的识别精度，优于现有技术。

本文探讨了生成对抗性模仿学习和深度强化学习在机器人运动控制中的应用。研究通过有限的仿人体运动数据训练神经网络，以实现类人的运动模式，提升机器人在复杂环境中的步态稳定性和鲁棒性。所提出的系统能够自动学习四足机器人运动，并在现实世界中成功部署，展现出高效的学习能力和适应性。

本研究探讨了基于骨骼的人类活动识别（S-HAR）的敌对可转移性，并通过平滑损失函数景观和后期训练的双贝叶斯策略成功提高了S-HAR的敌对可转移性。评估结果显示，传递成功率分别为35.9％和45.5％，高于现有攻击方法。研究还提供了关于替代模型可转移性的见解。

我们提出了一种新的敌对攻击方法，通过引入情感特征和动态距离函数，使用交替方向乘法算法 (ADMM) 生成具有更好的隐蔽性的敌对样本，以欺骗动作识别器，实验证明我们的方法在多个动作分类器和数据集上是有效的。

使用单个低成本 RGBD 摄像头的生物力学方法，可提供高精度的上肢运动学重建和全面上肢生物力学研究的潜力。

我们提出了一种新颖的端到端基于骨架的模型，称为 Action-OOD，用于识别人类动作中的 ODD，通过引入基于注意力的特征融合块和能量损失函数，我们的模型在识别未知类别的能力和分类准确性方面表现出了优越的性能。