CNN-RNN Based Intelligent Recommendation for Online Medical Pre-Diagnosis Support
PulseAugur coverage of CNN-RNN Based Intelligent Recommendation for Online Medical Pre-Diagnosis Support — every cluster mentioning CNN-RNN Based Intelligent Recommendation for Online Medical Pre-Diagnosis Support across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
深度学习模型提升电池健康状态估计精度
研究人员开发了一个新的框架，使用混合深度学习模型来估计电池的健康状态（SOH）。该模型结合了卷积神经网络（CNN）和双向长短期记忆（BiLSTM）网络，并通过贝叶斯优化调整超参数。研究评估了独立的循环模型、CNN-RNN架构以及通过中间全连接层增强的模型，发现后者最准确。该框架整合了容量和电压等各种电池数据特征，并使用MAE、RMSE和FLOPs作为指标在三个公开数据集上进行了验证。
-
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）。
-
新系统通过LLM和CNN-RNN引导优化Stable Diffusion图像生成
研究人员开发了一个新系统，以使用Stable Diffusion提高图像生成质量。该系统集成了由微调LLM驱动的负面提示优化，以及潜在空间分类器引导。该方法自动创建优化的负面提示，并使用CNN-RNN分类器来优化扩散步骤，防止低质量的潜在更新。据报道，这种双重引导框架可以减少伪影并提高生成图像的语义保真度。