一种基于微调条件扩散模型（DI-CDM）的新型结构健康监测损伤成像框架。针对复合材料结构在疲劳载荷下分层损伤监测的难题，该方法创新性地将超声导波稀疏阵列的DAS波束成像与X射线图像相结合，通过LoRA微调预训练扩散模型，实现了高分辨率损伤成像。实验验证采用NASA公开复合材料数据集，结果表明DI-CDM在交并比（IoU）指标上达到传统DAS方法的3倍，能有效追踪分层扩展过程。该框架突破了现有方法在

自动驾驶数据集中的点云语义分割要求模型高效处理大量点。稀疏 3D 卷积通过利用点云稀疏性降低内存与计算开销，已经成为这一任务中构建深度网络的事实标准。本文提出一种不依赖稀疏卷积的替代方案，并表明仅依靠看似并不适合大规模高性能 3D 感知的基础工具，也可以达到先进方法的性能水平。作者提出新的 3D Backbone——WaffleIron，它几乎完全由 MLP 和稠密 2D 卷积组成，并给出了在 S

这个问题困扰了我一天半，下载的时候显示的信息是aar64的系统，但是这并无意味着一个问题，那就是你的操作系统是64位的。我在树莓派得出来的操作系统是32位。这就使得你在解压系统的时候会出现一些问题，比如conde.exe无法找到。

一种两阶段多模态深度学习方法，用于轮胎表面缺陷的自动检测与严重程度分类。针对轮胎缺陷在尺寸（几毫米至几十厘米）和类型（污渍、脱模痕迹、异物等）上的显著差异，研究团队设计了一套立体光度相机采集系统，构建了包含25,450张图像的数据集。方法采用解耦架构：第一阶段基于改进Mask-RCNN进行实例分割（增加Mask-IoU和Bbox-IoU分支），第二阶段融合图像特征与轮胎元数据进行严重性分类。实验表

一种融合视觉Transformer(ViT)与卷积神经网络(CNN)的混合模型ViT-CNN，用于轮胎X射线图像缺陷检测。针对轮胎多层结构的复杂性，设计轻量级注意力Inception模块实现多尺度特征提取，CNN路捕获局部特征，ViT路提取全局上下文，在包含15类缺陷、50种花纹的工业数据集上达到97.33%准确率和95.48%召回率。通过Friedman和Wilcoxon检验证实模型显著优于单架

一种基于Mamba架构的跨模态目标检测方法Fusion-Mamba，通过将特征映射到隐藏状态空间进行交互，有效解决了传统CNN和Transformer方法中存在的伪目标信息干扰问题。创新性地设计了Fusion-Mamba Block(FMB)，包含状态空间通道交换(SSCS)模块和双态空间融合(DSSF)模块，通过双向门控注意力机制实现跨模态特征深度融合。实验表明，该方法在M3FD、Drone-V

Mask-SLRCNN，一种特征增强的3D点云目标检测网络，解决了传统方法特征提取不完整和ROI区域语义特征不足的问题。该方法包含三个创新：1）改进的最远点采样（M-FPS）增强点级特征；2）球面邻域全局特征层（SL）补充全局特征；3）基于顶点注意力的网格池化层挖掘ROI边界特征。在KITTI数据集上，相比PointRCNN，该方法在行人检测上取得显著提升（简单场景mAP提高6.32%），整体检测

针对航空发动机孔探图像微小损伤检测及嵌入式设备算力限制，提出轻量级实时网络GMA-Net。通过C3Ghost骨干、SegNext_Attention模块和Detect_MBConv检测头协同优化，在保证特征表达的同时大幅降低计算开销。自建数据集实验表明，相比YOLOv13n，参数量降低46.5%，计算量降低37.1%，mAP@50-95提升0.86%，召回率提升7.17%，在Jetson Nano

一种面向无人机旋翼故障检测的轻量化声学识别方法，针对现有深度学习模型计算量大的问题进行了三方面改进：1）采用PCA降维压缩416维MFCC特征；2）将单一LSTM分类器拆分为四个单通道弱分类器实现并行计算；3）基于麦克风空间位置设计加权决策融合策略。在Raspberry Pi 3B+平台上的实验表明，改进后的EM-PCA模型在保持98%以上准确率（仅下降0.8%）的同时，单帧处理时间从22ms降至

一种基于频域分集调制（FDM）的单通道无人机螺旋桨损伤诊断方法，通过优化设计的L型谐振器工程机架，在振动传播阶段实现损伤信息的物理编码。该方法利用非均匀有效质量分布和局部谐振频率调制，使四条机臂的振动传递响应平均相关系数从0.54降至0.10，显著增强信号差异性。实验表明，仅需单个加速度计和轻量级单层感知器（SLP），即可实现97.7%-99.6%的损伤定位与识别准确率，模型尺寸为0.2MB，推理