• DiffMSR：一种用于服务推荐的多语义图扩散模型

  摘要：随着云计算和服务计算的快速发展，服务推荐系统在帮助用户高效筛选合适的服务方面发挥着至关重要的作用。然而，服务数据的稀疏性以及交互过程中存在的噪声使得准确捕捉用户偏好变得极其困难。现有的基于图神经网络（GNN）的服务推荐方法主要依赖于ID聚合，常常忽视了文本语义的丰富性，并且容易受到交互噪声的影响，从而导致用户与服务关系建模效果不佳。尽管大型语言模型（LLM）在捕捉文本语义方面表现出显著优势，但目前的方法在将结构化表示与文本表示对齐方面存在困难，这限制了推荐性能的提升。为了解决这些问题，我们提出了一种创新的多语义图扩散模型DiffMSR，该模型旨在在对齐文本和结构化表示的同时，以去噪的方式

  来源：IEEE Transactions on Services Computing

  时间：2025-11-20

• 利用机器学习辅助的步态识别实现GNSS拒止环境下的行人导航：改进与二维扩展

  摘要：本文介绍了一种名为“机器学习辅助步态识别用于惯性导航与定位”（Mario）的行人导航系统，该系统能够在全球导航卫星系统（GNSS）不可用的情况下进行导航。Mario系统采用卷积神经网络，从用户佩戴的惯性测量单元（IMU）中估计用户的正向和侧向运动速度数据。扩展卡尔曼滤波器结合这些速度数据以及背部安装的IMU的数据来计算位置。实验表明，Mario系统的导航精度在行驶距离上的误差小于0.6%。引言在许多环境中，尤其是那些需要精确知道行人位置的关键场景中，全球导航卫星系统（GNSS）信号不稳定是普遍存在的现象。例如，在多层建筑、洞穴或野外进行搜救时。对于GNSS不可用的情况，通常使用惯性测量单

  来源：IEEE Sensors Letters

  时间：2025-11-20

• 通过扩展卡尔曼滤波器在毫米波雷达中优化人体运动估计

  摘要：本文提出了一种利用毫米波（mmWave）雷达进行人体运动估计的新方法，该方法结合了扩展卡尔曼滤波器（EKF）、卷积神经网络（CNN）和双向长短期记忆网络（BiLSTM）。通过运用EKF提高跟踪的鲁棒性并抑制噪声，该方法解决了毫米波雷达系统中的关键问题，如帧丢失和背景噪声。CNN-BiLSTM分类器能够捕捉空间和时间特征，从而准确识别四种人体运动。实验结果表明，该系统的性能优于现有文献中的方法，具有较高的准确率。通过引入一种新的三维状态空间模型和混合EKF-CNN-BiLSTM框架，这项工作显著提升了基于毫米波雷达的运动检测技术，相比传统的信号处理和深度学习方法具有更优的性能。引言近年来，

  来源：IEEE Sensors Letters

  时间：2025-11-20

• 多特征对齐与匹配网络：突破SAR与光学影像配准的模态差异瓶颈

  在遥感技术飞速发展的今天，合成孔径雷达(SAR)与光学影像的协同解译已成为地球观测领域的重要研究方向。SAR具备全天时、全天候成像能力，但受斑点噪声干扰严重；光学影像则纹理清晰、色彩丰富，却易受天气条件制约。二者优势互补，在军事侦察、地质监测、精准农业等领域展现出巨大应用潜力。然而，由于SAR与光学影像之间存在显著的非线性辐射差异，加之SAR图像固有的斑点噪声干扰，导致传统配准方法面临关键点重复率低、特征相似性弱、匹配成功率不高等三大挑战，严重制约了多模态遥感影像的深度融合与应用。为解决这一难题，西安电子科技大学电子工程学院遥感图像处理与融合团队在《IEEE Journal of Select

  来源：IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing

  时间：2025-11-20

• 基于超分辨率与模糊深度学习的航空遥感数据土地覆盖与滑坡分类架构设计

  当我们仰望星空时，或许不会想到，从太空俯瞰地球的"天眼"正面临着独特的视觉挑战。航空遥感技术就像给地球做CT扫描，能够捕捉地表的高清图像，但在实际应用中，这些图像往往受到噪声污染、类间干扰和图像失真的困扰。特别是在土地覆盖分类和地质灾害监测领域，相似的场景特征（如农场与森林、河流与海滨）常常让传统算法"眼花缭乱"，而滑坡等地质灾害的及时识别更关系到人民生命财产安全。传统的机器学习方法如支持向量机(SVM)、随机森林等虽然取得了一定成效，但在处理高维度、非线性特征的遥感数据时往往力不从心。随着深度学习技术的兴起，卷积神经网络(CNN)展现出强大的特征提取能力，但标准的VGG、ResNet等预训练

  来源：IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing

  时间：2025-11-20

• SAR图像量化方法对神经网络目标识别的影响及泛化能力提升研究

  在合成孔径雷达(SAR)目标识别领域，深度学习技术虽在标准测试条件下取得了超过99%的识别率，但其实际应用仍面临严峻挑战。SAR独特的成像机制、背景相关性、成像参数变化以及预处理方法的多样性，导致图像统计特征极易发生改变。其中，数据集偏差——特别是由不同SAR图像量化方法引起的偏差，成为影响模型泛化能力的重要因素。量化作为SAR图像处理的关键步骤，直接影响着图像的固有特征分布。固定量化级别与自适应量化等不同策略，可能导致模型对特定强度范围内的特征过度敏感，而忽略其他范围内的有效信息。当处理采用新量化方法的样本时，模型的识别性能就会显著下降。这种因量化方法差异导致的模型泛化能力不足问题，严重制约

  来源：IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing

  时间：2025-11-20

• 基于深度学习的星载高光谱图像语义分割：1D-Justo-LiuNet模型在轨部署优势分析

  随着卫星技术的飞速发展，地球观测领域正迎来一场革命性的变革。特别是搭载高光谱成像仪的小型卫星，如挪威科技大学主导的HYPSO-1任务，能够以前所未有的细节捕捉地球表面的光谱特征。然而，这些先进传感器产生的海量数据给卫星下行链路带来了巨大挑战——有限的带宽如何优先传输最有价值的科学数据？这就迫切需要智能化的在轨数据处理技术。传统上，卫星将全部数据下行传输，由地面站进行处理分析。但这种模式存在明显缺陷：当卫星经过感兴趣区域时，可能因云层遮挡而采集到大量无效数据；在监测有害藻华等时效性强的海洋现象时，数据传输的延迟可能导致错失最佳应对时机。为解决这些问题，卫星开始搭载人工智能模型，实现在轨数据筛选和

  来源：IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing

  时间：2025-11-20

• 融合局部与全局特征的光学遥感图像目标检测：CNN-Transformer混合网络新方法

  在自然灾害管理、城市规划和资源勘探等领域，高分辨率光学遥感图像（RSIs）的目标检测技术发挥着至关重要的作用。然而，与自然图像（NIs）相比，遥感图像存在显著差异：目标仅从俯视角度采集，同一类目标在不同样本中的尺度变化极大，不同目标间的标注框差异显著，且类别空间分布不均可能导致目标嵌套。这些挑战使得通用目标检测器难以直接应用于遥感图像，亟需设计专用于RSIs的检测方法。传统基于卷积神经网络（CNN）的方法虽擅长提取局部特征，但缺乏对全局位置信息和上下文关联的建模能力，往往需额外设计注意力模块来增强感知。而基于Transformer的模型虽能捕捉长程依赖，却容易在自注意力机制中覆盖局部细节，导致

  来源：IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing

  时间：2025-11-20

• 基于混合编码器与边缘引导的拉普拉斯金字塔网络在遥感变化检测中的创新研究

  随着高分辨率遥感技术的快速发展，如何精准捕捉地表动态变化已成为环境监测、灾害评估和城市管理等领域的关键挑战。传统变化检测方法在面对复杂多变的遥感场景时，往往难以兼顾全局语义信息和局部细节特征，尤其对建筑物扩建、农田变迁等多尺度目标的边缘轮廓识别存在明显不足。现有基于卷积神经网络（CNN）的方法虽能提取局部特征，却受限于感受野大小而难以建模长程依赖；而基于Transformer的方法虽擅长全局上下文捕捉，又易忽略空间细节信息。更棘手的是，遥感图像与自然图像存在显著域差异，导致直接应用视觉基础模型（如SAM）时性能下降。这些瓶颈严重制约了高精度变化检测在实际应用中的推广。为解决上述问题，山东大学研

  来源：IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing

  时间：2025-11-20

• 基于全局-局部多粒度Transformer的高光谱图像分类新方法

  高光谱成像技术能够捕获地物在数百个连续窄波段上的反射信息，形成具有丰富光谱特征的三维数据立方体。这种"图谱合一"的特性使得高光谱图像在环境监测、军事侦察、地质勘探等领域发挥着不可替代的作用。然而，面对高光谱图像分类这一核心任务，研究人员始终在寻找更有效的特征表示方法。传统机器学习方法如支持向量机（SVM）和随机森林（RF）严重依赖手工特征，难以捕捉高光谱数据中复杂的光谱-空间关联。随着深度学习的发展，卷积神经网络（CNN）通过其局部感受野和参数共享机制，在提取空间特征方面展现出强大能力。从1D-CNN专注于光谱特征，到2D-CNN处理空间信息，再到3D-CNN同时挖掘光谱-空间特征，CNN模型

  来源：IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing

  时间：2025-11-20

• SATVIO：基于立体视觉注意力机制的视觉惯性里程计研究及其在自主导航中的性能提升

  在自主机器人导航领域，精确的里程计技术是实现可靠定位与运动规划的核心支撑。然而，单一传感器存在固有局限：激光雷达（LiDAR）成本高昂且笨重，惯性测量单元（IMU）易受噪声与漂移干扰，而单目相机系统虽成本低廉却难以克服尺度漂移与误差累积问题。为突破这些瓶颈，视觉惯性里程计（Visual Inertial Odometry, VIO）通过融合相机图像与IMU数据，成为提升位姿估计鲁棒性的重要途径。传统方法如ORB-SLAM2和直接稀疏里程计（DSO）依赖手工标定且对环境变化敏感，而深度学习技术为端到端可训练框架的开发提供了新可能。在此背景下，马尔默大学的Raoof Doorshi等人提出了一种名

  来源：IEEE Journal of Selected Areas in Sensors

  时间：2025-11-20

• 基于毫米波雷达的鲁棒骨骼图重建及其在人体活动识别中的应用研究

  在智能化时代，精准感知人体活动是实现人机交互、智能医疗和安防监控的核心技术。传统基于摄像头或Kinect传感器的骨骼图提取技术虽已成熟，却存在难以克服的局限性：依赖充足光照、无法穿透障碍物、易侵犯个人隐私。这些痛点严重制约了其在黑暗环境、复杂遮挡场景下的实际应用。毫米波雷达技术的出现带来了转机，它能够穿透衣物和非金属障碍物，在完全黑暗环境中实现非接触式感知，同时保护用户隐私。然而，从稀疏且含噪声的雷达点云中重建精确的骨骼图，仍面临巨大挑战。为此，研究团队在《IEEE Journal of Selected Areas in Sensors》上发表了一项创新研究，提出了一种基于毫米波雷达的鲁棒骨

  来源：IEEE Journal of Selected Areas in Sensors

  时间：2025-11-20

• 基于深度学习与YOLOv8 OBB的精准智能医疗系统：实时根尖片定位与种植体周围炎严重程度评估

  随着牙科种植手术的日益普及，其成功率已超过90%，但种植体周围炎作为进行性骨吸收伴随临床炎症的并发症正成为突出难题。传统诊断依赖根尖片进行人工评估，但低质量影像和序列射线片角度不一致使骨变化评估变得复杂，给医生带来巨大工作负担且易导致误诊。种植体周围炎不仅会引起种植体松动移位，更可能引发咬合问题、颞下颌关节紊乱等连锁反应，表现为关节疼痛、咀嚼不适、面部肌肉疼痛等症状。为突破这一瓶颈，研究人员在《IEEE Journal of Selected Areas in Sensors》上发表了创新性研究，开发了一套基于深度学习的精准智能医疗系统。该系统通过三个核心模块实现突破：首先利用YOLOv8 O

  来源：IEEE Journal of Selected Areas in Sensors

  时间：2025-11-20

• 基于多感官虚拟现实头盔的脑电监测技术在创伤后应激障碍干预中的应用与神经机制研究

  虚拟现实（VR）技术近年来在心理健康领域展现出巨大潜力，特别是对于创伤后应激障碍（PTSD）的治疗。PTSD患者常经历侵入性记忆、过度警觉和严重焦虑等症状，严重影响日常生活。传统的暴露疗法虽有一定效果，但存在高脱落率和难以模拟真实创伤场景的局限。而VR技术能通过沉浸式环境模拟帮助患者逐步面对创伤，提高治疗依从性。然而，现有VR系统多仅刺激视觉和听觉，忽略了嗅觉等多感官整合对沉浸感的增强作用。更关键的是，干预效果的评估仍依赖问卷和访谈，无法实时监测神经生理变化，限制了治疗的个性化调整。为解决上述问题，Belmir J. de Jesus Jr.等研究人员在《IEEE Journal of Sel

  来源：IEEE Journal of Selected Areas in Sensors

  时间：2025-11-20

• 人工智能安全盲区：AI技术高速发展下的安全隐忧与应对策略

  在当今技术飞速发展的时代，人工智能（AI）正以远超工业革命的速度和规模重塑着人类社会。从加速药物发现到自动化代码生成，AI技术已渗透到各行各业，展现出巨大的潜力。然而，在这股AI热潮背后，一个严峻的问题却被普遍忽视：安全与隐私。正如Gabriela Ciocarlie在《IEEE Security & Privacy》杂志上所警示的，AI技术的快速应用往往将安全视为“事后补救”，而非设计之初的核心考量。这种“先发展、后安全”的模式，与过去50年技术演进中的安全困境如出一辙，但AI的普及速度更快，潜在风险也更大。研究人员指出，当前AI领域存在一种危险的盲目性：各界热衷于讨论AI带来的效率

  来源：IEEE Security & Privacy

  时间：2025-11-20

• L-BIRD：一种轻量级、仿生设计的旋翼无人机

  摘要：在自然界中，鸟类展现了出色的姿态控制能力，能够实现灵活高效的起飞、悬停和降落——这些能力至今尚未被完全复制。因此，我们推出了这款轻量级的仿生旋翼无人机（L-BIRD）。它采用球形结构，可以模仿鸟类的姿态变化，并能够适应性地降落在复杂的表面上。L-BIRD利用模型预测控制（MPC）框架，根据仿生参数对实时追踪类似鸟类的姿态轨迹。为了在资源有限的硬件平台上实现轻量化部署，我们通过多路径原始-对偶神经网络（PDNN）、矩阵稀疏性和乘法优化技术对MPC框架进行了改进。实验结果（包括仿真和实际应用）表明，L-BIRD实现了精确高效的仿生姿态控制以及良好的环境适应性。姿态轨迹的均方误差（MSE）降低

  来源：IEEE Robotics and Automation Letters

  时间：2025-11-20

• 迈向工业4.0：一种基于神经人体工程学的工作站，用于以人为中心、由协作机器人辅助的手动装配流程

  摘要：本文提出了神经人体工程学工作单元的概念及其核心组成部分（心理和生理评估、非物理支持、物理支持和战略支持），旨在提升工人工作场所的幸福感和生产力。在一个真实的工厂环境中，针对典型的工业繁重任务（装配作业），展示了这一基于神经人体工程学的人本主义工作站的可行性。该试点工作站配备了完全便携式的、无创的脑电图（EEG）用户心理负荷评估系统、不显眼的人机界面、图文并茂的装配指南、协作机器人辅助系统以及智能任务调度器。通过NASA任务负荷指数问卷、三种EEG负荷指标、手势检测准确性、错误数量和任务持续时间来评估参与者的表现和负荷情况。研究发现，多种EEG负荷指标与NASA评分结果之间存在显著相关性。

  来源：IEEE Robotics & Automation Magazine

  时间：2025-11-20

• 基于语义结构不变性的机器翻译系统变形测试

  摘要：近年来，深度神经网络被应用于机器翻译系统中，从而产生了所谓的神经机器翻译（NMT）模型，这些模型显著提高了翻译质量。然而，由于深度神经网络的脆弱性，机器翻译系统可能会返回错误的翻译结果，导致误解甚至造成严重的损失。为了检测翻译错误，人们提出了各种测试技术。其中一种广泛使用的技术是变形测试（metamorphic testing），它主要依赖于翻译的文本或语法结构，而忽略了句子的含义（即语义信息）。与文本和语法信息相比，在处理词汇丰富且词序灵活的语言时，句子的语义信息更为稳定。基于这一观察，我们提出了基于语义结构不变性的变形测试（SSIMT）方法用于机器翻译系统。其核心思想是：在上下文相似

  来源：IEEE Transactions on Reliability

  时间：2025-11-20

• 通过集成SRR传感器、去嵌入处理和人工神经网络建模来提升磁电材料表征的准确性

  摘要：本研究提出了一种改进的方法，用于表征磁电（MD）复合材料的有效介电常数（ε）和磁导率（μ），该方法利用分散在PDMS聚合物基质中的Fe3O4纳米颗粒。所提出的方法结合了平面分裂环谐振器传感器设计和人工神经网络模型来进行参数提取，并通过线-线去嵌入技术消除测量中的寄生效应。实验结果与基于Maxwell-Garnett和Polder-Van Santen有效介质模型的预测结果进行了比较，显示出理论与实验之间的一致性。本研究强调了精确的实验程序和先进的建模技术在理解MD复合材料的电磁行为方面的重要性，并为开发下一代微波组件提供了见解。

  来源：Radio Science

  时间：2025-11-20

• 利用偏振毫米波MIMO雷达对动态脆弱道路使用者进行分类

  摘要：本文探讨了利用极化汽车雷达对动态弱势道路使用者（VRUs）进行分类的方法。为此，提出了一种极化汽车MIMO雷达的信号处理流程，该流程包括通过结合所有极化通道的数据来提高角度分辨率的方法。所提出的信号处理流程应用于使用与Huber+Suhner AG合作开发的定制汽车极化雷达收集的三种不同类型VRUs和一辆汽车的测量数据。从测量目标的距离-速度特征中提取了几种极化特征，并对其进行了分析。随后提出了基于贝叶斯分类器和卷积神经网络（CNN）的分类方法，并将其性能与仅使用单极化信息的分类方法进行了比较。研究发现，与仅使用单极化信息的相同分类器相比，贝叶斯分类器的分类性能显著提升；对于基于CNN的

  来源：IEEE Transactions on Radar Systems

  时间：2025-11-20

知名企业招聘：