关于领域自适应语义分割的新视角：T2S-DA研究 背景与研究意义 语义分割在计算机视觉领域中具有重要的应用，但其性能往往依赖于大量标注数据。然而，标注数据的获取成本极高，特别是在复杂场景中，为此，许多研究转向利用合成数据来缓解标注需求的问题。然而，由于领域间的差异性（domain gap），基于合成数据训练的模型难以泛化到真实场景中。这种情况下，无监督领域适应（Unsupervised Domain Adaptation, UDA）方法成为解决此问题的有效手段，其目标是从标注的源域（source domain）迁移知识到未标注的目标域（target domain）。 传统的UDA方法主要分为两类：对抗训练和自训练。对抗训练通过分布对齐来缩小领域间的差异，而自训练则利用目标域的伪标签进行直接监...

深度学习解释性研究：基于扰动的归因图评估方法 背景和研究动机 随着深度学习模型在各种任务中取得显著成功，人们越来越关注这些模型的解释性和透明性。然而，尽管模型在准确性上表现卓越，其决策过程的可解释性仍然存在很大不足。这种不足限制了模型在实际应用中的推广，因为许多场景需要模型不仅能提供准确的预测，还需具备鲁棒性、不确定性估计以及对决策过程的直观解释能力。 在计算机视觉领域，归因方法（Attribution Methods）被广泛应用于神经网络的解释性研究。这些方法通过生成归因图（Attribution Maps，AMs），显示输入图像中哪些区域对模型的决策贡献最大。然而，由于归因图的定性特性，如何定量评估这些图的有效性仍是一个未解决的问题。本研究旨在解决归因图评估中面临的可靠性和一致性问题，为...

Transformer for Object Re-Identification: A Survey 背景与研究意义 对象重新识别（Object Re-Identification，简称Re-ID）是一项重要的计算机视觉任务，旨在跨时间和场景识别特定对象。这一领域在深度学习技术的推动下取得了显著进展，尤其是基于卷积神经网络（Convolutional Neural Networks，简称CNNs）的研究。然而，随着视觉Transformer的出现，Re-ID研究开启了新的篇章。本文综述了基于Transformer的Re-ID技术，分析其在图像/视频、少数据/少标注、多模态及特殊应用场景中的优势与挑战。 研究团队与发表信息 本文由来自武汉大学、Sun Yat-Sen University和In...

专题报道：Pound–Drever–Hall 前馈技术：超越反馈的激光相位噪声抑制 作者: Yu-Xin Chao, Zhen-Xing Hua, Xin-Hui Liang, Zong-Pei Yue, Li You, Meng Khoon Tey 机构: State Key Laboratory of Low-Dimensional Quantum Physics, Department of Physics, Tsinghua University, Beijing, China 期刊: Optica 发表日期: 2024年7月9日 DOI链接: 点击这里 一、研究背景 在过去的几十年中，频率锁定到超稳光学参考腔的窄线宽激光器的出现，开创了引力波探测、光学钟、超低噪声光子微波生成、高保...

科学数据报道 | K-emophone: 一种带有原地情绪、应激和注意力标签的移动和可穿戴数据集 背景介绍 随着低成本移动和可穿戴传感器的普及，许多研究已经利用这些设备来跟踪和分析人类的心理健康、生产力以及行为模式。然而，迄今为止，尽管在实验室环境下采集的数据集已有所发展，仍存在缺少在真实世界情境中采集到情绪、应激和注意力等标签的数据集，这限制了情感计算 (Affective Computing) 和人机交互 (Human-computer Interaction) 领域的研究进展。 研究来源 本文的研究由Soowon Kang、Woohyeok Choi、Cheul Young Park、Narae Cha、Auk Kim、Ahsan Habib Khandoker、Leontios Ha...