本文由Cristhian Sanchez等人撰写，探讨了基于Sentinel-2卫星图像的时间序列数据（SITS）中的场景分类层（SCL）在评估区域光学清洁覆盖率中的应用。文章提出了一种新技术，通过SCL数据计算特定区域的空间和时间覆盖率，并评估这些覆盖率对机器学习（ML）模型预测结果的影响。研究结果表明，高覆盖率的区域在ML模型的分类结果中表现更优。此外，该技术已在全球数据集LandCoverNet中得到应用，显示出其在不同大陆上的覆盖率分布差异。
Read more...
本文介绍了一种创新的方法，用于在商业可重构MPSoC（多处理器系统-on-chip）上实现实时航天器姿态估计，利用混合精度量化神经网络。该方法通过在Xilinx MPSoC的FPGA组件上实现，显著提高了姿态估计的速度和能效，比现有文献中的最佳值分别快7.7倍和19.5倍。此外，该研究还提供了首个实时、开源的姿态估计算法实现，使得高效的航天器姿态估计算法更加普及。
Read more...
本文探讨了现有计算机视觉方法在刚性物体识别上的广泛应用，而柔性物体识别领域仍未得到充分探索。柔性物体因其多变的形状、尺寸、半透明属性、模糊边界及细微的类别差异，识别难度极大。本文提出了一种名为Flexible Vision Graph Neural Network (FViG)的新方法，通过优化物体的自显著性来提高柔性物体表示的区分度。具体而言，该方法通过提取邻近节点的权重来最大化通道感知显著性，适应柔性物体的形状和尺寸变化；同时，基于聚类的空间感知显著性用于聚合邻近信息，为表示学习引入局部上下文信息。此外，本文首次提出了柔性物体数据集(FDA)，该数据集包含从现实场景和在线资源收集的各种柔性物体图像。大量实验证明，该方法在增强柔性物体区分度方面表现有效。
Read more...
本文介绍了一种名为“扩散集合捕获不确定性”（DECU）的创新框架，旨在估计生成扩散模型中的认知不确定性。这些模型因其庞大的参数数量（超过1亿）和高维图像空间的操作而面临传统不确定性估计方法的计算挑战。DECU框架通过引入一种新颖的方法，即在预训练参数的静态集合中训练条件扩散模型的集合，显著减少了计算负担和需要训练的参数数量。此外，DECU利用成对距离估计器（PaiDEs）在高维空间中准确测量模型输出和权重之间的互信息，从而有效地估计认知不确定性。实验结果表明，DECU框架在ImageNet数据集上能够有效地捕捉认知不确定性，特别是在采样不足的图像类别中。
Read more...
本文提出了一种用于遥感图像场景分类的无监督少样本持续学习方法（UNISA）。该方法解决了遥感图像分析中因相机参数、光谱范围、分辨率等变化而导致的持续学习问题，同时避免了对大量标注样本的依赖，适用于标注成本昂贵的遥感应用。
Read more...
本文介绍了一种利用k空间信息对前列腺MRI数据进行肿瘤可能性估计的创新预处理和预测管道。通过使用公开的MRI原始数据集，包含312个受试者和总共9508个切片，研究显示利用k空间信息进行前列腺癌可能性估计相较于仅使用图像域的幅度信息具有优势，AUROC达到86.1%±1.8%。此外，通过使用高欠采样率和简单的PCA（主成分分析）进行线圈压缩，避免了时间密集的GRAPPA重建算法，从而减少了重建所需的时间。即使在欠采样因子为16的情况下，该方法仍能实现有意义的结果，AUROC为71.4%±2.9%，使用PCA线圈组合并考虑k空间信息。本文展示了保留相位和k空间信息的可行性，同时减少了后处理时间和潜在的扫描时间，提高了患者舒适度，并实现了接近实时预测。
Read more...
本文探讨了金融市场中投资者集群的时间分布及其在预测专家建议中的应用。研究基于2015至2017年间20,000名外汇交易者的真实交易数据，展示了这些集群分布符合Ewens抽样分布的特性。此外，研究还应用了Aggregating Algorithm (AA)算法于实际交易数据，以提升交易者风险组合的回报。然而，当面对过多具有相似交易模式的“专家”交易者时，AA算法的表现受限。为克服这一挑战，研究采用了Statistically Validated Networks (SVN)与层次聚类方法，结果显示这两种方法均能显著提升AA算法的盈利能力和回报的平滑性。
Read more...
本文由北京邮电大学人工智能学院的张宇、朱创、杨国青和陈思琪共同撰写，针对弱监督目标检测（WSOD）领域，提出了一种基于负原型引导的对比学习框架（NPGC）。WSOD主要利用图像级别的标注进行训练，但现有的方法往往忽视了实例间的图像间关系，尤其是那些具有相似特征但不属于同一类别的实例。NPGC框架通过定义负原型（即被错误分类为某一类别的高置信度提案），并构建一个在线更新的全局特征库来存储正原型和负原型，从而充分利用弱标签信息。此外，论文还提出了一种伪标签采样模块，用于挖掘可靠实例并排除易被错误分类的实例。通过对比学习范式，该方法在嵌入空间中优化提案的特征表示，实验结果表明，NPGC在VOC07和VOC12数据集上达到了最先进的性能。
Read more...
本文介绍了一种名为FLOW的新型人工智能方法，用于通过惯性测量单元（IMU）进行跨用户人类活动识别（HAR）。FLOW方法通过融合和洗牌全局与局部视角，解决了IMU-HAR模型在不同用户间数据分布差异大的问题。该方法通过将IMU数据从局部坐标系转换到全局坐标系（NED坐标系），减少了由于传感器佩戴方式不同导致的数据分布差异。此外，FLOW方法还提出了一种多视角监督网络（MVFNet），通过洗牌和重组多个样本的视角，确保模型尽可能多地利用传感器信息进行最终决策。实验结果表明，FLOW方法在跨用户HAR任务中优于现有的最先进方法。
Read more...
本文介绍了一种名为MOT的混合演员强化学习方法，通过最优传输（OT）算法应用于算法交易。MOT设计了多个演员，利用解耦表示学习来模拟市场的不同模式，并通过引入正则化损失项的OT算法将样本分配给适当的演员。此外，MOT还提出了预训练模块，通过模仿学习来对齐演员的输出与专家策略，从而更好地平衡强化学习的探索与利用。实验结果显示，MOT在真实期货市场数据上表现出色，能够在平衡风险的同时实现优异的盈利能力。
Read more...