本文介绍了VITAL策略学习框架，通过将操作任务分为到达和局部交互两个阶段，结合视觉和触觉感知，提高机器人在精细操作中的成功率和泛化能力。VITAL利用视觉-语言模型进行目标定位，并通过触觉反馈实现高精度操作，克服了模仿学习和强化学习的局限性。

该研究针对现有心电图分类方法在捕捉局部形态细节和长期时间依赖性方面的不足，提出了一种新颖的多粒度混合模型Cardioformer。该模型通过跨通道补丁、分层残差学习和双阶段自注意力机制，显著提高了心电图分析的准确性和鲁棒性，在多个基准数据集上表现优异，展示了其在心血管疾病诊断中的潜在影响。

本研究针对急性淋巴细胞白血病（ALL）诊断中的技术应用和可靠性问题，采用图像处理和深度学习方法来显著提高检测精度。通过使用YOLOv8、YOLOv11、ResNet50和Inception-ResNet-v2等先进模型，研究实现了高达99.7%的准确率，能够有效区分不同阶段的ALL及其早期阶段，并准确识别与ALL相混淆的造血细胞。

本研究解决了深度线性ResNet的最小范数权重问题，发现该架构的归纳偏差介于最小化核范数和秩之间。这表明，在适当的超参数下，深度非线性ResNet对最小化瓶颈秩具有归纳偏差，具有重要的理论意义和应用潜力。

本研究针对脑龄估计这一领域中缺乏准确预测的方法进行了研究，提出了一种新颖的深度学习方法，利用残差神经网络（ResNet101V2）模型从MRI扫描图像中预测脑龄。研究结果表明，该方法在国际脑映射联盟（ICBM）数据集上实现了高准确度，MAE值为0.9136年和0.8242年，能够有效识别脑部衰老的初始迹象。

本文探讨了利用深度学习改善胃肠道癌症诊断的框架，提出了多种算法和模型，包括基于混合卷积神经网络的异常检测和结合CNN与Transformer的混合模型，这些方法在多个数据集上取得了高准确率。此外，研究介绍了GastroVision数据集，以促进AI在胃肠疾病检测中的应用。

本文探讨了深度残差网络（ResNet）的逼近能力，证明了其在动态同构和随机梯度下降中的有效性。研究表明，ResNet增强了窄深度网络的表征能力，并揭示了神经网络与控制系统之间的关系。通过数值实验验证了ResNet在分类任务中的训练效果，并提出了一种新的耗散式训练方法。

本文介绍了如何在纯C#环境下实现ResNet18模型的训练和推理。ResNet是一种经典的深度学习模型，文章详细描述了其结构和图像预处理过程。训练使用Adam优化器，推理通过SoftMax获取结果。作者希望推动C#在深度学习领域的发展，并在GitHub上分享了代码。

本研究提出了一种新型滤波器，结合推拉抑制机制，以提高图像处理中的噪声稳健性。实验表明，视觉transformer模型在数据破坏情况下表现优越。此外，研究探讨了通过生物启发的神经元表示和动态网络架构来增强视觉感知的稳健性。

90后AI大牛张祥雨加入国产大模型独角兽阶跃星辰，他是ResNet论文的作者之一，该论文被引用超过23万次。阶跃星辰估值超过10亿美元，吸引了腾讯俞刚和MSRA段楠等AI人才加入。

我们将 Layer-wise Relevance Propagation (LRP) 方法扩展到 ResNet 模型，引入 Relevance Splitting 以在跳跃连接输出与残差块输出相交汇的点进行追踪，从而提供一个透明的解释方法。我们的方法在 ImageNet 和 Caltech-UCSD Birds-200-2011 数据集上实验，并通过标准评估指标如插入 -...

本文介绍了基于Transformer的模型在视频中识别和定位人类动作的应用。研究表明，视觉Transformer在动作识别中优于CNN，并通过知识蒸馏和新模块的引入显著提升了识别准确性。该模型在多个数据集上表现优异，展示了其在动作识别领域的潜力。

传统的基于深度学习的目标检测网络通常会在数据预处理阶段调整图像大小，以实现特征图的统一大小和比例。然而，调整大小不可避免地导致对象变形并丢失图像中的有价值信息。为了解决这个问题，我们提出了一种放弃调整大小操作的方法，而是引入了位置编码多头交叉注意力。这使得模型能够捕捉上下文信息并从多个表示子空间中学习，有效丰富了配电塔的语义。此外，我们还通过将三个池化特征图重塑为一个新的统一特征图来增强空间...

本文介绍了一种基于ResNet模型的图像分类方法，结合轻量级注意力机制框架，显著提升了分类性能。在Breakhis数据集上的验证结果显示，精确度、准确度和F1分数等指标均有显著改进，增强了该算法在实际图像分类任务中的应用前景。

本文提出了一种新颖的脉冲自注意力（SSA）和脉冲变换器（Spikformer），通过自监督学习训练，实验证明在ImageNet上分类准确性超过80%。Spikformer架构结合了脉冲神经网络的生物特性，显著提高了能效和性能，尤其在大规模数据集上表现优异。此外，研究展示了通过线性变换加速SSA的潜力，提升了训练和推断速度，减少了内存使用。

本文探讨了深度残差网络的连续极限，提出了多层神经网络的全局收敛结果及训练方案，展示了在基准数据集上的优异表现。研究表明，当网络足够大时，ResNet可实现近似无误差的解决方案，并分析了梯度下降算法在深度神经网络中的应用及其收敛性。