最近刷了不少PINN相关的论文，发现个明显的变化，越来越多的工作开始结合强化学习搞创新。以前我们都是关注如何更精确、更高效地求解一个特定的物理方程，得到问题的静态答案，也就是求解。现在因为AI4S强劲的发展势头，对模型动态、高维的序列决策能力要求更高，而这正是强化学习的专长。于是“PINN+强化学习”这方向开始热起来了，paper也肉眼可见地密集。今天我们就简单做个盘点，梳理一波这方向近期有代表性

近期，注意力机制+强化学习这个方向迎来了重磅突破。苏黎世联邦理工学院机器人系统实验室在《Science Robotics》（IF=26.1）中提出了一种创新的控制框架：该框架通过结合强化学习和多头注意力机制，让机器人在面对不同类型地形时，能做到精准判断和灵活适应，从而实现100%障碍穿越成功率！值得一提的是，当前注意力机制+强化学习这个方向已从方法创新阶段进入了性能优化和应用拓展阶段，而这篇顶刊成

最近“杀”疯了！前脚TPAMI 2024全新框架DIML实现更可解释的深度度量学习，拿下SOTA；后脚Nature正刊上麻省理工提出的可解释的、基于子结构的方法在药物发现领域取得了新的突破！要知道，不仅在于它可以解决医疗、金融、法律等领域伦理道德问题，在实际应用中，这类可解释性强的模型还可以帮助我们更好地理解模型在不同情况下的表现，从而。因此这方向在顶会顶刊上热门也属正常，大家想要发论文的话也能找

现在目标检测这领域，Yolo系列改进空间已经被压榨的所剩无几了，要想发论文，不如选DETR。尤其RT-DETR，更有新意，卷的人少很多。DETR的优势在于精度高，但速度上略逊色，还比较烧卡...因此未来的创新重点在“好用不贵”，即训练速度、边缘部署、任务泛化上。更具体点就是Query设计的高效化、工业界刚需的轻量化特征融合、跨模态自监督预训练等，没思路的论文er可以尝试切入。

在一些特定应用领域，获取大规模且高质量标注的数据十分困难，比如医学图像分析。为了解决这个问题，研究者们提出了。小样本目标检测是一种结合了小样本学习和目标检测两者优势的技术，能够在有限的训练数据下，训练出具有更高实用性和泛化能力的模型。目前它在工业界与学术界都与各热门研究方向强相关，因此。传统且主流的小样本目标检测方法有基于元学习、基于迁移学习、基于数据增强等。不过为了追求更高的性能和检测精度，现在

但不得不说，今年关于遥感小目标检测的研究热情尤其高涨，已经出现了很多非常优秀的成果。比如SuperYOLO方法，通过融合多模态数据并执行高分辨率的目标检测，在大幅提高遥感图像中小目标的检测准确性和速度的同时，参数减少了18倍。再比如结合顶流Mamba和YOLOv9的SOAR，在精度和效率方面都达到了SOTA，性能直接起飞，实力证明遥感小目标检测不过由于它的复杂性，遥感小目标检测还是有很多问题没有解

测试时自适应对于领域转移下真实机器感知应用的成功至关重要，近年来，研究者们仍然在不断优化现有的方法。在今年的ICML中，TTA相关的研究也有了最新进展。

在遥感图像处理领域，通过SAM捕捉复杂图像特征和细微差异，可以实现高精度的图像分割，提升遥感数据的处理效率。这种高度的准确性让展现出了比传统方法更优越的性能。不仅如此，这种策略的特性还能拓展遥感技术的应用领域，因此具有很大的创新潜力。对论文er来说，。最近发布于CVPRW24的SAM-Road模型证明了这点。SAM-Road 模型发挥了SAM模型的能力，结合了语义分割和图神经网络，在城市数据集上的

整个流程就是将一个三维的人脸经过一系列的处理，旋转，平移，光照的流程。

介绍实习项目, 聊的比较详细，但是我实习项目限制比较多，做的不够深入。IOU是交并比，图像的交集除以图像的并集 变种: GIOU DIOU CIOU。