Convolutional autoencoder and conditional random fields hybrid for predicting spatial-temporal chaos
PulseAugur coverage of Convolutional autoencoder and conditional random fields hybrid for predicting spatial-temporal chaos — every cluster mentioning Convolutional autoencoder and conditional random fields hybrid for predicting spatial-temporal chaos across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新框架使AI模型能够从稀疏视觉数据中识别材料
一个名为稀疏表面理解框架（SSUF）的新框架已被开发出来，用于从不完整的视觉数据中改进材料识别。SSUF同时适配了四个预训练架构——ConvAE、ViT、Swin Transformer和MAE——用于表面重建和材料分类。在仅使用10%可见图像数据的Touch-and-Go数据集上进行的实验表明，Swin Transformer在分类准确率上达到了最高的89.21%，而MAE在重建方面表现出色。ViT提供了均衡的性能，所有模型都展示了…
-
新的自编码器方法使用潜在表示量化图像差异
研究人员开发了一种使用基于自编码器的潜在表示来量化图像差异的新方法。该方法利用深度神经网络捕获高级语义信息，提供了比传统的像素级指标（如MSE和PSNR）更具感知相关性的度量。在包括狗猫图像和TID2013数据集在内的各种数据集上的评估表明，潜在空间距离能有效区分视觉上不同的图像，并与人类对图像质量的感知相关。该方法计算效率高，在图像检索和质量评估方面具有潜在应用。
-
新框架利用AI对结构损伤进行诊断，数据有限 · 跟踪3个来源
研究人员开发了一种新颖的多保真迁移学习框架，用于使用导波进行结构健康监测。该方法结合了轻量级的基于物理的模拟与卷积自编码器（CAE）以及少量实验数据，以准确诊断板状结构的损伤。该框架在大型合成数据集上进行有效预训练，然后利用有限的真实世界测量数据进行微调，在损伤定位方面显著优于传统的CNN模型。
-
自监督学习通过高效深度滤波器增强纹理识别
研究人员开发了一种新颖的用于纹理识别的自监督学习框架，解决了训练数据有限的常见挑战。他们的方法利用了带有深度滤波器和Fisher向量池化的卷积自编码器，该方法在没有Transformer架构的计算开销的情况下捕获了基本的像素级信息。与各种纹理数据库上现有的最先进技术相比，该方法展示了改进的分类准确性和计算效率。