由斯坦福大学、SLAC 国家加速器实验室、北京大学、意大利国家天体物理研究院布雷拉天文台、伦敦大学学院、加州大学伯克利分校等众多科研机构组建的团队，开发了一套数据驱动的流程，用于在 DESI DR1 的光谱数据中识别作为强引力透镜的类星体，极大扩展了类星体原本微小的样本。

NeurIPS 2025最佳论文和时间检验奖揭晓，阿里Qwen门控注意力获最佳论文，何恺明的Faster R-CNN获时间检验奖。今年共七篇论文，涉及扩散模型和自监督学习等领域的突破。

本案例基于开发者空间 - AI Notebook，使用Fashion-MNIST数据集，构建了一个智能衣柜服装分类系统，展示了深度学习技术在实际生活场景中的应用价值。系统采用卷积神经网络（CNN）架构，实现了对10类服装物品的精准识别，准确率达到93.75%。

本文探讨了Transformer和CNN模型在恶意URL识别中的应用。由于识别恶意流量效率低下，神经网络模型成为解决方案。通过字符级嵌入将URL转化为向量序列，CNN和Transformer分别利用卷积和自注意力机制提取特征，实现正常与恶意流量的分类。

ViT（视觉变换器）通过将图像分割为小块并利用自注意力机制，成为计算机视觉领域的重要模型。尽管缺乏先验知识，但在大数据集上表现优越。Swin Transformer在此基础上进一步改进，适应多尺度特征，提升检测和分割效果。

本研究提出了一种基于卷积神经网络（CNN）的肺炎诊断方法，采用MobileNetV2和ResNet101V2架构，提升了肺部疾病检测的有效性和稳定性。结果表明，MobileNetV2在训练稳定性和防止过拟合方面表现更佳。

本研究解决了医学成像中标签获取困难的问题，通过引入nn-MobileNet框架，采用BERT式自监督学习方法，利用大量未标记的视网膜图像进行预训练，以提高下游应用的性能。研究结果表明，此方法在阿尔茨海默病、帕金森病及多种视网膜疾病的识别中显著提升了表现，展示了在标签稀缺情况下，CNN的潜力。

本研究解决了混合CNN-变换器模型在医学影像分类中可解释性不足的问题。我们提出了一种可设计可解释的混合全卷积CNN-变换器架构，能够生成直接反映模型决策过程的局部证据图，提升了模型的可解释性与性能。实验结果表明，该模型在医学图像分类任务中不仅预测性能达到最先进水平，还能在单次前向传播中提供类别特定的稀疏证据图。

本研究提出了一种综合诊断系统，利用深层卷积神经网络、Transformer编码器和集成架构，通过基金图像准确预测20种视网膜疾病。C-Tran模型得分0.9166，超越基线0.9，为医疗资源匮乏地区提供了重要解决方案。

本研究提出了一种新颖的Attention Xception UNet（AXUNet）架构，优化了脑胶质瘤的肿瘤分割模型，平均Dice分数达到93.73，显示出良好的临床应用潜力。

本文提出了一种高效的物联网botnet攻击检测方法，结合流量模式分析和注意力模型，基于混合CNN-BiLSTM架构，在N-BaIoT数据集上实现99%的分类准确率，有效识别botnet攻击。

本研究提出了一种新型混合框架CB-Res-RBCMT，旨在提高乳腺超声图像癌症检测的准确性。该框架结合了残差卷积神经网络和视觉变换器，显著增强了对细微对比度和纹理变异的识别能力，最终在标准数据集上实现了95.57%的F1分数和95.63%的准确率。

本研究提出了一种基于深度学习的计算机视觉方法，能够自动识别施工现场的脚手架和交叉支撑，从而提高检查效率，节省时间和人力成本，增强施工安全性。