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

一种基于宏纤维复合材料(MFC)的自供电无人机螺旋桨故障监测方法，通过单片MFC同时实现振动感知与能量采集。在70Hz谐振频率下，系统在0-40mg质量不平衡范围内表现出0.171V/mg的灵敏度(R²>0.99)，40mg故障时信噪比达40dB。MFC采集的振动能量(峰值功率29.9μW)可驱动无源LED在1.5秒内完成视觉报警，实现了从故障激励到报警输出的全自主闭环监测。该方法创新性地将机械谐

针对深度学习故障诊断缺乏可解释性的问题，论文提出IADC-Net。该方法构建综合可解释框架：通过自适应融合去噪小波卷积提取多尺度特征，以能量-熵比加权突出故障频带，并利用稀疏表示解释卷积层，最后结合可视化分析决策过程。在公开数据集及工业机器人平台上验证，该方法兼具良好可解释性与较强诊断性能。

来自TPAMI的关于视觉语言模型的综述文章

CVPR 2025论文《基于SAM2的视觉目标跟踪干扰感知记忆》提出DAM4SAM方法，通过构建功能分化的内存架构（RAM+DRM）和自省式更新策略，有效解决目标跟踪中的干扰物问题。该方法在7个基准测试中6项领先，无需额外训练即可提升SAM2.1性能。研究者还贡献了专注干扰物场景的DiDi数据集。核心创新包括：1）区分近期外观记忆与干扰物解决记忆；2）利用SAM2的多假设输出检测干扰物；3）智能更

校准多偏好优化(CaPO)方法，用于解决文本到图像扩散模型对齐中的关键挑战。现有方法依赖人工标注或简单加权奖励模型，存在成本高、多目标平衡困难等问题。CaPO通过三大创新：1)将奖励分数校准为期望胜率，实现归一化比较；2)采用前沿拒绝采样策略，基于Pareto最优选择样本对；3)设计自适应回归损失，动态调整优化目标。实验表明，CaPO在单/多奖励设置下均优于现有方法，在GenEval等基准上实现全

一种空间卷积神经网络（SCNN），用于解决传统CNN在捕获图像行和列中像素空间关系方面的不足。SCNN通过将传统逐层卷积推广为特征映射内的逐片卷积，实现了同层像素间的跨行/列信息传递，特别适用于具有强空间相关性的长连续形状结构（如车道、电线杆等）。实验表明，在车道检测数据集和Cityscapes数据集上，SCNN显著提升了性能，分别比基于RNN和MRF+CNN的方法提高了8.7%和4.6%，并在T

综述了双目立体视觉的研究进展与应用。传统立体匹配方法在弱纹理、遮挡等场景下表现欠佳，而基于深度学习的方法展现出强大潜力。论文系统梳理了从传统匹配算法到端到端深度学习模型的演进历程，详细分析了各类方法的优缺点，介绍了双目视觉产品现状，并展望了边缘计算、复杂环境适应性等未来发展方向。研究显示，深度学习已成为主流技术方向，但工程化应用仍面临计算效率与泛化性能等挑战，Transformer架构和稀疏几何表

一种新颖的内容相似度驱动的卷积神经网络EGO，通过重新设计信息聚合机制来弥补传统CNN与Transformer的核心差异。作者创新性地利用排序操作将特征相似度转化为相对位置信息，使得卷积运算能够间接实现基于内容相似度的信息聚合。具体而言，该方法对输入特征进行通道级排序，使相似特征在序列中相邻，再通过轻量级1D卷积实现长程依赖建模，同时保留原始空间卷积分支以维持局部结构信息。