IEEE TPAMI

Benchmarking Semantic Segmentation Models via Appearance and Geometry Attribute Editing

通过外观和几何属性编辑评估语义分割模型

Zijin Yin, Bing Li, Kongming Liang, Hao Sun, Zhongjiang He, Zhanyu Ma, Jun Guo

AI总结 本文提出Gen4Seg数据生成管道，通过生成具有不同属性变化的挑战样本来评估语义分割模型，构建了Pascal-EA和COCO-EA两个新基准，发现开放词汇模型在几何变化下不比封闭集方法更鲁棒，数据增强技术在提升外观变化鲁棒性上有限。

Comments Accepted to IEEE TPAMI 2026

Track-On2: Enhancing Online Point Tracking with Memory

Track-On2：通过记忆增强在线点跟踪

Görkay Aydemir, Weidi Xie, Fatma Güney

AI总结 本文提出Track-On2，一种基于Transformer的高效在线长时跟踪模型，通过架构优化和内存利用提升性能与效率，适用于实时和流式应用。

Comments TPAMI 2026

On the Adversarial Transferability of Generalized "Skip Connections"

关于通用“跳跃连接”的对抗迁移性

Yisen Wang, Yichuan Mo, Dongxian Wu, Mingjie Li, Xingjun Ma, Zhouchen Lin

AI总结 本文研究了跳跃连接在对抗场景下的迁移性，提出Skip Gradient Method (SGM)提升攻击迁移性，并验证其在多种模型和攻击场景下的有效性。

Journal ref IEEE Transactions on Pattern Analysis and Machine Intelligence, 2026

Survey of Computerized Adaptive Testing: A Machine Learning Perspective

计算机自适应测试综述：机器学习视角

Yan Zhuang, Qi Liu, Haoyang Bi, Zhenya Huang, Weizhe Huang, Jiatong Li, Junhao Yu, Zirui Liu, Zirui Hu, Yuting Hong, Zachary A. Pardos, Haiping Ma, Mengxiao Zhu, Shijin Wang, Enhong Chen

AI总结 本文从机器学习角度综述了计算机自适应测试，探讨了测量模型、题目选择算法、题库构建与测试控制等核心问题，分析了当前方法的优劣与挑战，旨在推动更高效、公平的自适应测试系统。

Comments accepted by IEEE TPAMI 2026

Locally Linear Continual Learning for Time Series based on VC-Theoretical Generalization Bounds

基于VC理论泛化界限的局部线性持续学习用于时间序列

Yan V. G. Ferreira, Igor B. Lima, Pedro H. G. Mapa S., Felipe V. Campos, Antonio P. Braga

机构 * Department of Electronic Engineering, Universidade Federal de Minas Gerais（米纳斯格拉斯联邦大学电子工程系） ； Graduate Program in Electrical Engineering, Universidade Federal de Minas Gerais（米纳斯格拉斯联邦大学电气工程研究生项目） 纠错

AI总结 本文提出SyMPLER模型，通过动态分段线性近似实现非平稳环境下时间序列预测，利用统计学习理论的泛化界限自动决定新增局部模型时机，兼顾准确性和可解释性。

Comments 12 pages. Accepted at IEEE Transactions on Pattern Analysis and Machine Intelligence

Journal ref IEEE Transactions on Pattern Analysis and Machine Intelligence, Early Access, 2026