3D-convolutional neural network
PulseAugur coverage of 3D-convolutional neural network — every cluster mentioning 3D-convolutional neural network across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
EquiPocket: E(3)-equivariant GNN advances protein binding site prediction
一篇研究论文介绍了一种名为 EquiPocket 的 E(3)-equi-variant 图神经网络，用于预测蛋白质结合位点，这是药物发现中的关键一步。与难以处理不规则蛋白质结构和旋转敏感性的传统 3D CNN 方法不同，EquiPocket 利用几何信息和 equi-variant 消息传递来更有效地模拟化学和空间结构。所提出的模型还包含一个密集注意力输出层，以处理蛋白质大小的变化，在基准数据集上的表现优于现有最先进的方法。
-
新的HMD框架提供高效高光谱图像分类
研究人员开发了一种名为整体多变量分解（HMD）的新框架，用于高光谱图像分类。这种新颖的方法旨在通过捕获复杂时空光谱相互依赖性来提高准确性和效率，而无需传统卷积神经网络（CNN）的高计算成本。HMD框架，包括其HMD-0、HMD-1和HMD-2变体，被设计为一个可微分的神经网络层，可以进行端到端优化。在基准数据集上的评估表明，HMD层在性能上优于Tucker和Tensor Train等经典张量分解方法，同时在参数数量显著减少的情况下，提…
-
深度学习在热锻环境中追踪工件
研究人员开发了一个新的框架，使用深度学习和事件驱动有限状态机来追踪热锻环境中的工件。该系统通过分析观察搬运设备的多个静态摄像机的数据来推断工件位置。它识别抓取和释放活动，将它们验证为离散的搬运事件，并持续更新工件状态和位置。该框架在实际工厂环境中实现了100%的事件检测准确率和317.8毫米的平均定位误差。
-
6G ISAC框架利用AI进行铁路入侵检测
研究人员开发了一个新颖的铁路安全框架，采用了集成感知与通信（ISAC）技术，该技术结合了感知和通信能力以优化无线资源使用。该框架利用了5G-Advanced和6G系统的先进特性，特别是利用信道状态信息（CSI）进行物理层感知。一个由3D卷积神经网络（3D CNN）和双向长短期记忆（BiLSTM）网络组成的机器学习模型，在合成CSI数据上进行了训练，以检测铁路轨道上的入侵者并预测碰撞风险。该模型表现出高精度，实现了99.57%的入侵者检…
-
深度学习框架自动进行MRI胎儿脑生物测量
研究人员开发了一个新的深度学习框架，使用MRI扫描自动进行胎儿脑生物测量。这个四步流程联合估计线性测量及其解剖标志点，旨在与手动方法相比提高可靠性和可复现性。该系统在两个公开的胎儿MRI数据集上进行了评估，并显示出与现有自动流程相当或更优的准确性，表明其有潜力整合到临床工作流程中。
-
用于COVID-19 CT扫描分类的AI模型显示出有希望的结果 · 2篇论文
提交至arXiv的两篇研究论文提出了从胸部CT扫描中对COVID-19病例进行分类的新颖方法。第一篇论文介绍了一种混合2D/3D卷积神经网络（CNN），该网络从CT容积内的多个平面提取特征，在一个包含1288次扫描的数据集上达到了83.3%的准确率。第二篇论文提出了一种结合3D CNN和3D MLP-Mixer的混合模型，该模型利用类似Vision Transformer的架构来捕捉局部和全局图像特征，在一个包含1205次扫描的数据集…
-
新AI模型通过时空面部分析增强驾驶员监控
研究人员开发了一种新颖的时空架构，称为双循环自编码器（TCA），用于驾驶员监控系统中的面部动作单元（AUs）检测。该新模型通过同时处理空间外观和时间动态来解决诸如光照变化和部分遮挡等挑战。TCA架构包括用于空间和时间分析的耦合自编码器分支，在基准数据集和自然驾驶数据集上，其性能优于现有方法，尤其是在检测与疲劳和打哈欠相关的细微和快速变化的AUs方面。该系统还能够进行实时处理，使其适用于生产级高级驾驶辅助系统（ADAS）。
-
AI框架优化遗传算法超参数用于材料设计
研究人员开发了一个多保真度框架，用于优化晶格材料设计的遗传算法（GA）超参数。该系统在贝叶斯优化（BO）框架内，结合了高保真度快速傅里叶变换（FFT）均质化、中保真度3D卷积神经网络代理模型以及低保真度高斯过程（GP）代理模型。研究发现，logNEI采集函数表现最佳，并且惩罚性BO目标在保持机械性能的同时，将所需的晶格数量减少了24%。
-
贝叶斯优化框架增强了材料科学中遗传算法超参数的调优
研究人员开发了一个多保真度框架，用于优化晶格材料设计的遗传算法 (GA) 超参数。该框架在贝叶斯优化 (BO) 方法中结合了高保真度快速傅里叶变换 (FFT) 均质化、中保真度 3D 卷积神经网络和低保真度高斯过程。研究发现，logNEI 采集函数最有效，而惩罚性 BO 目标在保持性能的同时减少了所需晶格的数量。这种优化方法在 25 代 GA 运行中实现了与完整 75 代运行相当的弹性模量值，将计算成本降低了 24%，并消除了对晶格突变的需求。
-
新的 LaryngealCT 数据集为癌症分期深度学习设定基准
研究人员开发了 LaryngealCT，这是一个用于使用深度学习模型对喉癌进行分期的新基准数据集。该数据集包含从癌症影像数据库 (The Cancer Imaging Archive) 收集的 1,029 张 CT 扫描图像，并已用于对六种不同的 3D 深度学习架构进行基准测试。定制的 3D CNN 在对癌症早期与晚期进行分类时取得了最佳性能，而其他模型在识别 T4 期疾病方面显示出潜力，尽管对这一晚期疾病的敏感性仍然是一个挑战。
-
深度学习通过CT扫描预测手术风险
研究人员开发了一个深度学习流程，利用术前CT扫描预测术后胰腺瘘（POPF）。该系统自动化了从胰腺分割到分类的过程，旨在评估和分层POPF风险。使用各种3D卷积神经网络架构进行的评估显示出有希望的预测性能，为胰腺手术的术前决策提供了有价值的工具。
-
RealLiFe 通过稀疏梯度下降实现实时光场重建
研究人员开发了 RealLiFe，一种从稀疏输入图像进行实时光场重建的新颖方法。该技术利用分层稀疏梯度下降 (HSGD) 来优化由 3D CNN 生成的粗略多平面图像 (MPI)。该方法实现了显著更快的推理时间，比现有的离线方法快 100 倍，同时保持可比的视觉质量。RealLiFe 的性能也优于其他在线方法，展示了改进的性能指标。
-
简单的MIL在3D神经影像分类中可媲美复杂模型
研究人员发布了一项基准测试，将多种多实例学习（MIL）方法与3D CNN和ViT在3D神经影像分类任务上进行了比较。研究发现，一种简单的均值池化MIL方法，即使没有注意力机制，在多项任务上的表现也与更复杂的方法相当或更好。这种基线MIL方法训练速度也显著更快，使其成为计算资源有限的从业者的可行选择。