机器如何与人一样具有认知能力？认知能力可用智能度量，人的智能是认知过程的涌现，人们从认知的模型出发研究其结构，结构决定机器的认知功能。本文旨在探讨机器认知的模型和构建方法，为设计新一代认知机器提供新的模型、结构和方法论。本文用分析、归纳和演绎的方法综述认知机器模型和结构的起源、演进与发展趋势。首先，从20世纪初计算机器的发明和DNA双螺旋结构模型的发现谈起，阐述了“图灵机模型 + 冯·诺依曼结构”划时代意义的科学研究成果的形成，这一模型和结构催生了通用计算机器的发明，并对计算机科学与技术等新学科的形成起到奠基作用；此后，图灵的天问“机器能思维吗”及 “图灵测试”对后来创立人工智能有重大启示和影响；然后评述近20年来 “深度学习模型 + 卷积神经网络结构”以及 “大语言模型 + 转换器结构”等的里程碑式进展和存在的问题；在最新进展部分综述当前国内外有代表性的3位科学家提出的模型和结构：“世界模型”、“空间智能”和“四要素说”，特别是以“四要素说”为基础的认知物理学，为人的认知和机器认知提供了统一的理论框架，构成了机器认知的4种基本模式——认知螺旋模型和OOXA结构链，讨论了认知核、洋葱模型和负熵概念，以驾驶脑认知为案例进行具身智能的实验验证；最后，展望了本领域未来研究和发展趋势。模型定义了机器认知的约束边界，结构决定认知机器的涌现性，通过模型 + 结构的研究方法和评价，为探索“人和机器认知的机制”和解决“机器如何认知”这样的人工智能发展的重大问题提供了一种新研究视角、路径和范式。

从单个视图恢复物体三维结构信息是计算机视觉的重要研究方向，在工业生产、医疗诊断和虚拟现实等领域发挥重要作用。传统单视图三维物体重建方法需要结合几何模板和几何假设以完成特定场景对象的三维重建任务。而当前基于深度学习的单视图三维物体重建方法通过数据驱动的方式，在重建对象适用范围和重建模型鲁棒性等方面取得进展。本文首先讨论近年来单视图三维物体重建领域常用的数据集与评价指标。然后围绕基于深度学习的单视图三维物体重建领域，对有监督学习单视图三维物体重建、无监督学习单视图三维物体重建和半监督学习单视图三维物体重建等相关研究工作进行系统性地分析和总结。最后，对基于深度学习的单视图三维物体重建方法未解决难题进行总结，并展望未来可能的发展趋势与关键技术。

本综述探讨了基于人脸视频的心率变异性（heart rate variability，HRV）估计技术，突出了其在健康监测和疾病诊断中的无创性和实时监控的优势。首先，解析了HRV的生理学基础和核心参数的定义，阐明了其在医疗保健领域的应用潜力。接着，详细介绍了人脸视频采集的技术细节、数据预处理流程，重点讨论了多种HRV参数估计方法，包括传统信号处理技术和深度学习算法。分析表明，深度学习技术在HRV估计方面因其强大的模式识别能力，能够有效提取复杂视觉特征和处理非线性生理信号，在提高估计精度方面展现出显著优势。本综述还对比了传统方法和深度学习方法在不同应用场景中的表现，指出了各自的优势与局限性，并总结了基于人脸视频HRV估计技术的实际应用案例，如健康评估、情绪识别、精神压力评估、疲劳检测和心血管疾病早期预警等。因此，本综述提出了未来研究的方向，包括降低头部运动和环境光变化的干扰、优化模型选择及减少对训练数据的依赖等，以促进HRV估计技术的发展。本综述旨在提供基于人脸视频的HRV估计技术的全面视角，为学术界和工业界的技术创新和应用拓展提供重要参考。

目的经颅超声成像技术作为高效率、低成本且无创的诊断手段，已逐步应用于帕金森病患者认知功能障碍诊断。由于经颅超声图像信噪比低、成像质量差、目标组织复杂且相似度高，需要依赖专业医生手动检测。但是人工检测不仅费时费力，还可能因为操作者的主观因素影响，造成检测结果出现差异性。针对这一问题，提出了一种基于Swin Transformer和多尺度深度特征融合的YOLO-SF-TV（YOLO network based on Swin Transformer and multi-scale deep feature fusion for third ventricle）模型用于经颅超声图像三脑室检测，以提高临床检测准确率，辅助医生进行早期诊断。方法YOLO-SF-TV模型在YOLOv8的基础上使用基于窗口注意力的Swin Transformer作为模型特征提取网络，并引入空间金字塔池化合模块SPP-FCM（spatial pyramid pooling fast incorporating CSPNet and multiple attention mechanisms）扩大网络感受野，并增强多尺度特征融合能力。在网络的多尺度特征融合部分结合深度可分离卷积和多头注意力机制，提出了PAFPN-DM（path aggregation and feature pyramid network with depthwise separable convolution）模块，并对主干特征输出层增加多头注意力机制，以提高网络对不同尺度特征图中全局和局部重要信息的理解能力。同时，将传统卷积替换为深度可分离卷积模块，通过对每个通道单独卷积提高网络对不同通道的敏感性，以保证模型准确度的同时降低训练参数和难度，增强模型的泛化能力。结果在本文收集的经颅超声三脑室图像数据及对应标签的数据集上进行实验，并与典型的目标检测模型对比。实验结果表明，本文提出的YOLO-SF-TV在经颅超声三脑室目标上的平均精确度均值（mean average precision， mAP）达到98.69%，相比于YOLOv8提升了2.12%，与其他典型模型相比检测精度达到最优。结论本文提出的YOLO-SF-TV模型在经颅超声图像三脑室检测问题上表现优秀，SPP-FCM模块和PAFPN-DM模块可以增强模型检测能力，提高模型泛化性和鲁棒性。同时，本文制作的数据集将有助于推动经颅超声三脑室图像检测问题的研究。

目的高光谱（hyperspectral， HS）全色锐化旨在融合高空间分辨率全色（panchromatic， PAN）图像和低空间分辨率高光谱（low resolution hyperspectral， LRHS）图像，生成高空间分辨率高光谱（high resolution hyperspectral， HRHS）图像。现有全色锐化算法往往忽略PAN和HS图像之间的模态差异，从而造成特征提取不精确，导致融合结果中存在光谱畸变和空间失真。针对这一问题，提出一种基于混合注意力机制的双分支U-Net（dual-branch U-Net based on hybrid attention， DUNet-HA），实现PAN与HS图像的多尺度空间—光谱特征的提取和融合。方法设计混合注意力模块（hybrid attention module， HAM）对网络中的每个尺度特征进行编码。在HAM中，利用通道和空间自注意力模块来增强光谱和空间特征，构建一个双交叉注意力模块（double cross attention module， DCAM），通过学习PAN与HS图像跨模态特征的空间—光谱依赖关系来引导两种特征的重建。与经典的混合Transformer结构相比，设计的DCAM可以通过计算与查询位置无关的交叉注意力权重来实现两种图像特征的校正，在降低模型计算量的同时，提升网络的性能。结果在3个广泛使用的HS图像数据集上与11种方法进行对比，在Pavia center数据集中，相比性能第2的方法hyperRefiner，峰值信噪比（peak signal-to-noise ratio， PSNR）提升了1.10 dB，光谱角制图（spectral angle mapper， SAM）降低了0.40；在Botswana数据集中，PSNR提升了1.29 dB，SAM降低了0.14；在Chikusei数据集中，PSNR提升了0.39 dB，SAM降低了0.12。结论实验结果表明，所提出的DUNet-HA结构能更好地融合空间—光谱信息，显著提升高光谱全色锐化结果图像的质量。

目的卷积神经网络（convolutional neural network，CNN）因其强大的特征归纳和学习能力，在遥感场景分类任务中收获了广泛的关注。然而，由于卷积采取的是一种局部归纳机制，这阻碍了全局依赖关系的获取，并限制了模型的性能。而视觉Transformer（visual Transformer，ViT）的核心在于自注意力机制，它能够建立全局依赖关系，这一属性可以缓解基于卷积神经网络算法的局限性。然而，自注意力机制也带来了更大的计算代价：在计算成对的key-value之间的交互关系时，需要在所有空间位置上进行相关计算，从而带来巨大的计算压力和内存负担。此外，自注意机制关注于建模全局信息，而忽略了局部特征细节。为了解决上述问题，提出了一种全局—局部特征耦合网络用于遥感场景分类。方法一方面为了缓解自注意力机制所带来的计算压力，提出了一种双粒度注意力来动态感知数据内容，从而实现更灵活的计算分配；另一方面，为了更好地结合全局和局部特征，利用了一种自适应耦合模块来实现全局和局部特征的融合。结果在UCM（UC merced land-use）、AID（aerial image dataset）和NWPU-RESISC45（Northwestern Polytechnical University remote sensing image scene classification dataset） 3个数据集上进行了实验。为了更好地展示本文方法的优越性，与当前先进的基于卷积神经网络和基于视觉Transformer的方法进行了对比，在不同的训练比率下，本文方法在3个数据集上分别取得了99.71%（UCM数据集），94.75%（AID数据集训练比率20%），97.05%（AID数据集训练比率50%），92.11%（NWPU-RESISC45数据集训练比率10%）以及94.10%（NWPU-RESISC45数据集训练比率20%）的最优分类表现，相较于其他对比方法分别有至少0.14%，0.06%，0.27%，0.43%以及0.21%的效果提升。结论本文方法不仅缓解了自注意力机制中沉重的计算和内存负担，同时将局部细节特征与全局信息相结合，有效提升了模型的特征学习能力。