CNN
PulseAugur coverage of CNN — every cluster mentioning CNN across labs, papers, and developer communities, ranked by signal.
12 天有情绪数据
-
新的CNN-Transformer网络增强了高光谱图像分类
研究人员开发了一种新的网络架构，该架构协同地结合了卷积神经网络（CNN）和Transformer来对高光谱图像（HSI）进行分类。这种方法旨在改进空间和光谱特征的提取与融合，这对于准确地对HSI数据中的像素进行分类至关重要。所提出的方法包括一个用于全面特征捕获的双分支特征提取模块和一个用于全局光谱分析的级联Transformer编码器，以及一个最小化信息丢失的跨层特征融合模块。
-
混合CNN-ViT模型在脑肿瘤MRI分类中达到97.6%的准确率
研究人员开发了一种新颖的混合深度学习模型，该模型融合了卷积神经网络（CNN）和视觉Transformer（ViT），用于改进从MRI扫描中对脑肿瘤进行分类。这种新架构利用自适应注意力门控来动态地权衡CNN捕获的局部特征和ViT识别的全局依赖性。该模型在脑肿瘤MRI数据集上取得了97.60%的高测试准确率，优于现有的单分支模型和融合方法。
-
AI模型提供可解释的糖尿病视网膜病变分级，并附带视觉和文本解释
研究人员开发了一种新的糖尿病视网膜病变（DR）分级方法，该方法将深度学习模型与可解释的解释相结合。该方法使用卷积神经网络（CNN）和Transformer架构，通过加权软投票集成实现了高达0.934的QWK分数。为了实现可解释性，该研究使用Grad-CAM++生成了视觉归因图，并使用视觉语言模型生成了文本解释，旨在从视网膜图像中提供具有临床意义的见解。
-
物联网增强型CNN以99.54%的准确率检测增材制造中的裂纹
研究人员开发了一个物联网增强型深度学习系统，用于检测增材制造中的裂纹。该框架集成了实时监控、边缘计算和卷积神经网络（CNN），在缺陷分类方面实现了高准确率。它支持监督和半监督学习，在一个大型数据集上展示了99.54%的准确率，并通过数据平衡和增强提高了泛化能力。该系统还将制造参数与缺陷形成联系起来，并整合了数字孪生技术用于预测分析和过程控制。
-
研究人员开发基于浏览器和设备端的TinyML视觉训练
两篇研究论文详细介绍了直接在低成本微控制器上训练和部署机器学习视觉模型的新方法。其中一篇论文介绍了一个基于浏览器的应用程序，该应用程序支持完整的本地ML流程，能够实现不到十分钟的快速训练周期。另一篇论文则侧重于完全在设备端的C++实现，用于数据采集、CNN训练和实时推理，实现了9分钟的训练运行和6.3 FPS的推理。
-
New OCR pipeline enhances retail bill digitization with adaptive enhancement
Researchers have developed and benchmarked an adaptive Optical Character Recognition (OCR) pipeline designed for digitizing retail bills across various commercial sectors. The system incorporates a CNN-based image enhan…
-
新框架提供无梯度和分层学习，实现稳定深度网络训练
两篇新研究论文提出了训练深度神经网络的替代方法。一篇论文介绍了一个名为 PJAX 的基于投影的框架，该框架将训练视为一个可通过迭代投影解决的可行性问题，提供了一种无梯度且可并行的方法。另一篇论文提出了自抽象学习（SAL），一种分层方法，其中较简单的网络依次指导更复杂网络的训练，旨在提高稳定性和克服梯度消失等问题。
-
Blanche 称赞执法部门迅速应对白宫记者协会晚宴枪击事件
代理司法部长 Todd Blanche 称赞执法部门迅速抓获了在白宫记者协会晚宴上开枪的枪手，称之为重大的安全成功案例。嫌疑人在距离闯入活动现场仅几英尺处被阻止，这与 2024 年总统 Trump 生命遭遇袭击的安保失误形成鲜明对比。尽管受到称赞，但前反恐官员指出，此类在公共场所发生的事件仍然带来持续的安全挑战。
-
CNN和个性化阈值提高了驾驶员困倦检测的准确性
研究人员开发了一种新的驾驶员困倦检测系统，该系统使用个性化的眼部纵横比（EAR）和口部纵横比（MAR）阈值来考虑个体差异。该系统将这些个性化指标与卷积神经网络（CNN）模型相结合，以提高在各种条件下的准确性。评估显示，个性化阈值将检测准确率提高了2-3％，而CNN组件在眼部状态和打哈欠检测方面实现了超过98.8％的准确率。
-
研究人员在新论文中探讨时空卷积、可解释AI和后门缓解
研究人员探索了用于脑电图（EEG）信号分类的时空卷积，发现二维卷积可以在高维任务中显著缩短训练时间，同时保持性能。另外，一项研究将一种解释技术应用于像DNABERT-2这样的基于Transformer的基因语言模型（gLMs），证明这些模型可以提供与卷积神经网络（CNNs）相当的生物学见解。
-
ImageHD加速器通过超维度计算提升设备端持续学习能力
研究人员开发了ImageHD，这是一种新颖的FPGA加速器，旨在使用超维度计算（HDC）实现视觉表示的节能设备端持续学习。该系统通过提供快速、非迭代的在线更新来解决传统方法的局限性，适用于资源受限的边缘AI设备。ImageHD集成了硬件感知持续学习算法、量化CNN前端和流式数据流架构，与CPU和GPU基线相比，实现了显著的速度提升和能效比。
-
Richard C++ CNN 利用 Vulkan 进行 GPU 加速，无需 ML 库
Richard 是一款新推出的命令行应用程序，用于使用神经网络执行分类，完全用 C++ 和 Vulkan 编写。它支持密集层和卷积层，并通过 Vulkan 计算着色器实现 GPU 加速。该项目还包括用于性能分析的分析工具。