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.
2 天有情绪数据
-
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。