热点事件持续更新
论鞋类鲁棒性的可学习性：未见条件下的脚步识别
1 篇报道1 个报道来源22 小时前更新
先了解这件事
AI 综述
该预印本提出 BiStepNet，将脚步识别中的身份线索分解为空间流与时间流，报告在未见鞋类条件下识别表现有所提升。研究提示，鞋类变化带来的干扰或可通过这种双流分解部分缓解；但报道未说明数据集规模、被试构成与具体准确率，结论仅适用于该研究设定的脚步识别任务，尚不能推广到其他生物特征识别场景。该文为 arXiv 预印本，尚未经同行评审。
AI 根据报道生成 · 3 小时前更新
最新进展11月4日 13:00
arXiv 预印本提出 BiStepNet 双流分解，称在未见鞋类条件下提升脚步识别。报道时间线
沿着报道，了解事件的不同侧面。
11月4日
本事件热度走势
当前热度 4·可比范围峰值 4（11月5日 09:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。