

【DEIM 创新改进】TGRS 2026 | 卷积创新改进篇 | 引入AEDConv自适应专家级深度卷积,自适应选择并融合多个深度卷积专家,助力高光谱目标检测、小目标检测任务,有效涨点
🔥本文提出了一种基于自适应专家级深度卷积(AEDConv)改进的DEIM网络模型,用于高光谱图像分类。AEDConv模块通过动态选择并融合多个深度卷积专家,增强局部纹理、边缘及光谱特征,同时抑制复杂背景干扰。该模块包含轻量级注意力机制生成专家权重,并结合独立深度卷积进行特征提取,实现内容自适应的特征融合。实验表明,AEDConv显著提升小目标、遮挡及相似类别目标的区分能力,在多个基准数据集上优于CNN和Transformer方法,且计算效率更优。改进后的DEIM模型在保持实时性的同时,降低了误检和漏检率。
美股 AI 财报波动下如何用 Python 获取多市场 K 线?基于 QuantDash、Pandas 与 Backtrader 的回测数据接入方案
摘要:针对2026年7月美股科技股财报季带来的多市场数据需求,本文提出使用QuantDash统一获取A股、港股、美股的标准化行情数据。该方案解决了量化开发中常见的symbol格式混乱、交易日历差异、复权口径不统一等问题,通过Python SDK直接输出Pandas/Backtrader兼容的DataFrame。文章对比了QuantDash与AkShare等工具的差异,强调其在生产级回测中的稳定性优势,并提供了包含异常处理的完整代码示例,帮助开发者快速构建多市场量化分析框架。

CARE-AD:利用纵向临床笔记预测阿尔茨海默病的多智能体大语言模型框架文献速递/医学智能体前沿
多智能体预测在诊断前1天、1年、2年、3年、5年、7年和10年多个时间点进行,准确率从临近诊断的0.83降至诊断前10年的0.53,显示模型能够在较早阶段捕获一定风险信号。作者提出CARE-AD,一个多智能体大语言模型框架,先由数据抽取智能体识别并分类AD相关体征和症状,再由初级保健、神经科、精神科、老年医学、临床心理等专科智能体分别评估,最后由AD专科智能体综合判断风险。系统先构建患者长期临床记录,再由数据抽取智能体扫描临床笔记,识别与AD相关的症状和体征,并按患者年龄对齐形成AD相关患者画像。

