首篇《深度学习不确定性量化: 技术、应用与挑战》2020综述论文，61页pdf582篇文献
在优化和决策过程中，不确定性量化(UQ)在减少不确定性方面起着至关重要的作用。它可以用于解决科学和工程中的各种实际应用。贝叶斯逼近和集成学习技术是目前文献中使用最广泛的两种UQ方法。
在任何基于人工智能的系统中，以一种值得信赖的方式表示不确定性是非常可取的。通过有效地处理不确定性，这样的自动化系统应该能够准确地执行。不确定性因素在人工智能中扮演着重要的角色
AI Agent多模态融合策略研究与实证应用
本文从多模态信息融合的理论基础出发，构建了一个结合图像与文本的AI Agent模型，并通过PyTorch代码实现了完整的图文问答流程。未来，多模态智能体将在医疗、自动驾驶、虚拟助手等领域展现巨大潜力。模型优化的核心是提升不同模态的协同理解与推理能力，从而打造真正“理解世界”的AI Agent。
史上最全 | 基于深度学习的3D分割综述（RGB-D/点云/体素/多目）（上）
3D目标分割是计算机视觉中的一个基本且具有挑战性的问题，在自动驾驶、机器人、增强现实和医学图像分析等领域有着广泛的应用。它受到了计算机视觉、图形和机器学习社区的极大关注。传统上，3D分割是用人工设计的特征和工程方法进行的，这些方法精度较差，也无法推广到大规模数据上。在2D计算机视觉巨大成功的推动下，深度学习技术最近也成为3D分割任务的首选。近年来已涌现出大量相关工作，并且已经在不同的基准数据集上进行了评估。本文全面调研了基于深度学习的3D分割的最新进展，涵盖了150多篇论文。论文总结了最常用的范式，讨论了它们的优缺点，并分析了这些分割方法的对比结果。并在此基础上，提出了未来的研究方向。