1d Cnn
PulseAugur coverage of 1d Cnn — every cluster mentioning 1d Cnn across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
物理信息机器学习提升卫星云检测能力
研究人员开发了一种用于地球静止卫星多层云检测的物理信息特征工程方法，该方法适用于一维卷积神经网络（1D-CNN）模型。该方法将基于阈值算法导出的通道选择作为特征工程先验嵌入到1D-CNN中，使机器学习能够学习潜在的物理关系，从而简化物理反演。改进后的1D-CNN在多层云检测的准确率（PODmul）和虚警率（FARmul）方面表现优于传统的阈值算法，分别达到了0.620和0.240。研究强调了结合辐射传输理论中的先验物理知识的有效性，并…
-
轻量级CNN解读毛绒玩具的情感触碰
研究人员开发了一种用于对软体机器人伴侣的情感触碰进行分类的轻量级一维卷积神经网络（CNN）。本研究介绍了一个开源MATLAB框架和一个包含25名参与者标记的1326个手势序列的数据集。该紧凑型CNN模型拥有13.2k个参数，测试准确率达到75%，并能在微控制器上实现实时运行，从而在治疗设备中实现保护隐私的触碰解读。
-
XRFormer transformer架构增强XRF光谱分析
研究人员开发了XRFormer，这是一种新颖的transformer架构，旨在改进复杂一维X射线荧光（XRF）光谱的分析。该新模型利用多尺度卷积标记器来更好地捕捉光谱细节和多分辨率归纳偏置，在颜料识别任务上优于ViT、SpectralFormer和1D-CNNs等现有模型。XRFormer在颜料混合分离方面也展示了卓越的参数效率，其使用的参数更少，标记分辨率低于SpectralFormer。
-
新的DAH-Net模型在脑电图情感识别中达到99.19%的准确率
研究人员开发了DAH-Net，这是一种新颖的双注意力混合网络，旨在实现更准确和可解释的基于脑电图（EEG）的情感识别。该模型集成了1D-CNN、BiLSTM和一个双多头注意力机制，用于从脑电图信号中分类情感。DAH-Net在包含2,479个样本的数据集上达到了99.19%的准确率，显著优于多个基线模型，并证明了其注意力机制在识别相关特征方面的有效性。
-
评估方法质疑 Transformer 入侵检测能力
一项新的研究论文质疑了 Transformer 模型在网络入侵检测中的有效性，特别是在 CIC-IDS2017 数据集上。研究发现，评估方法，特别是填充约定和数据拆分，显著影响了报告的性能，常常高估了 Transformer 的能力。在没有填充的、现实的、无泄漏的条件下进行评估时，Transformer 的性能会大幅下降，这表明架构选择的重要性不如严格的评估实践。
-
新的深度学习模型可高效地对网络中的影响节点进行排序
研究人员开发了一种名为1D-CGS的新型轻量级深度学习模型，用于识别复杂网络中的影响节点。该混合模型结合了1D卷积神经网络和GraphSAGE，能够高效处理节点度和邻居度等拓扑特征。在各种真实网络上的实验表明，1D-CGS在排序准确性和运行时间方面优于现有方法，在相关性和相似性指标上显示出显著的改进。
-
研究：更短的数据窗口可优化AI在医院再入院预测中的应用
一篇新发表在arXiv上的研究探讨了预测医院再入院的最佳历史数据窗口。研究人员发现，对于非结构化的临床记录，手术前三到六个月的较短窗口能产生最佳的预测性能。相比之下，结构化数据在更长的时间窗口下表现出性能提升，并在十二个月后趋于平稳。这些发现表明，仅仅使用更多的历史数据并不总能带来更好的机器学习预测，为优化再入院预测模型提供了指导。
-
VAMP-Net 使用人工智能高精度预测结核病耐药性
研究人员开发了VAMP-Net，一种新颖的双通路神经网络，用于预测结核分枝杆菌的耐药性。该网络结合了用于分析基因组变异及其相互作用的Set Attention Transformer和考虑测序质量的1D-CNN。VAMP-Net在某些药物上的准确率超过95%，其可解释性有助于识别已知的和新颖的与耐药性相关的遗传靶点。
-
AI利用数字孪生和LLM增强飞机故障诊断
研究人员开发了一种通用的航空飞机智能故障诊断系统，解决了真实世界故障数据有限等挑战。该系统集成了高保真飞行动力学模拟器和基于失效模式与影响分析（FMEA）的故障注入模块。它利用多保真残差特征提取和大型语言模型（LLM）生成可解释的诊断报告。