EPFL（洛桑联邦理工学院）

Country-wide, high-resolution monitoring of forest browning with Sentinel-2

全国范围内的高分辨率森林枯黄监测：利用哨兵-2卫星

Samantha Biegel, David Brüggemann, Francesco Grossi, Michele Volpi, Konrad Schindler, Benjamin D. Stocker

机构 * ETH Zurich（苏黎世联邦理工学院） ； ETH AI Center（ETH人工智能中心） ； Swiss Data Science Center（瑞士数据科学中心） ； EPFL（洛桑联邦理工学院） ； Swiss Federal Institute for Forest, Snow and Landscape Research WSL（瑞士联邦森林、雪与景观研究所） ； University of Bern（伯尔尼大学） ； Oeschger Centre for Climate Change Research（厄施格气候变化研究中心） 纠错

AI总结 本文提出一种可扩展方法，利用哨兵-2卫星数据在10米分辨率下对森林绿度异常进行全国范围监测，通过植被周期模型检测瑞士森林枯黄现象，模型解释了65%的观测变化。

Comments 9 pages, 7 figures, to be published in the ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences (ISPRS Congress)

How and why does deep ensemble coupled with transfer learning increase performance in bipolar disorder and schizophrenia classification?

如何以及为何深度集成学习结合迁移学习在双相障碍和精神分裂症分类中提高性能？

Sara Petiton, Antoine Grigis, Benoit Dufumier, Edouard Duchesnay

机构 * NeuroSpin, CEA Saclay, Université Paris-Saclay（NeuroSpin, CEA Saclay, 巴黎-萨克雷大学） ； EPFL（瑞士洛桑联邦理工学院） 纠错

AI总结 本文研究了深度集成学习与迁移学习如何减少单个受试者分类模型的变异性，探讨其在双相障碍和精神分裂症分类中的性能提升原因。

Journal ref ISBI 2024 - IEEE International Symposium on Biomedical Imaging, May 2024, Athenes, Greece

End-to-End Shared Attention Estimation via Group Detection with Feedback Refinement

通过群体检测与反馈细化的端到端共享注意力估计

Chihiro Nakatani, Norimichi Ukita, Jean-Marc Odobez

机构 * Toyota Technological Institute, Japan（丰田工业大学） ； Idiap Research Institute, Switzerland（Idiap研究所） ； École Polytechnique Fédérale de Lausanne, Switzerland（洛桑联邦理工学院） 纠错

AI总结 本文提出一种端到端的共享注意力估计方法，通过群体检测解决传统方法的不足，通过两步过程生成并细化共享注意力热图，提升群体检测和共享注意力估计性能。

Comments Accepted to CVPR2026 Workshop (GAZE 2026)

Where You Place the Norm Matters: From Prejudiced to Neutral Initializations

规范的位置至关重要：从偏见到中性的初始化

Emanuele Francazi, Francesco Pinto, Aurelien Lucchi, Marco Baity-Jesi

机构 * Physics Department EPFL（洛桑联邦理工学院物理系） ； Department of Statistics Sapienza, University of Rome（罗马大学统计系） ； Department of Mathematics and Computer Science University of Basel（巴塞尔大学数学与计算机科学系） ； SIAM Department Eawag (ETH)（瑞士联邦水科学与技术研究所SIAM部门（苏黎世联邦理工学院）） 纠错

AI总结 本文研究了规范化层在初始化阶段对类预测分布的影响，揭示了预规范化与后规范化对模型行为的系统性影响，为网络设计提供理论指导。

Comments Proceedings of the 29th International Conference on Artificial Intelligence and Statistics (AISTATS) 2026, Tangier, Morocco. PMLR: Volume 300. Copyright 2026 by the author(s)

Journal ref AISTATS 2026