实验室博士生吴彦峰、过辰楷老师等题为《Dilated residual networks with multi-level attention for speaker verification》的论文和博士生邱宇等题为《A Simple Saliency Detection Approach via Automatic Top-Down Feature Fusion》的论文被SCI 2区期刊Neurocomputing接收并网络发表。
其中，《Dilated Residual Networks with Multi-level Attention for Speaker Verification》提出了一个简单有效的神经网络架构，用于文本无关的声纹识别任务。该架构将一维空洞卷积与多层次注意力模型相结合，充分挖掘语音的上下文时频信息和关键特征。该方法在NIST SRE 2016数据集上取得了比现有方法更低的识别错误率。
《A Simple Saliency Detection Approach via Automatic Top-Down Feature Fusion》提出了一个简单有效的显著性物体检测模型，该模型使包含于高层卷积块中的全局信息自动流入低层卷积块以指导其学习，从而实现高级语义特征和低级细节特征的自上而下自动化融合。该方法在显著性物体检测的六个广泛使用的数据集上均实现较好的结果。
