Convolutional Block Attention Module
PulseAugur coverage of Convolutional Block Attention Module — every cluster mentioning Convolutional Block Attention Module across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
AI模型对野火烟雾密度进行分类并提供不确定性估计
研究人员开发了一个新的深度学习框架，用于从卫星图像中对野火烟雾密度进行分类，将其分为轻度、中度和重度。与之前仅提供点估计的方法不同，该模型能够一次性提供分解后的认知不确定性和偶然不确定性估计。该系统在超过16,000个卫星图像块上进行了评估，取得了高精度，并证明了不确定性随着图像质量下降而增加，其中中度烟雾类别表现出最高认知不确定性。
-
新的WiFi跌倒检测系统利用AI适应未知环境
研究人员开发了一种使用WiFi信道状态信息（CSI）的无设备跌倒检测新框架。该系统采用注意力增强的CNN-Transformer混合架构，以克服在未知环境中性能下降的问题。它利用物理驱动的动态方差门（DVG）来过滤静态背景噪声并放大人体运动，以及物理感知的数据增强和卷积块注意力模块（CBAM）来改进特征细化。该方法在跨域评估中取得了高精度，并成功部署在边缘计算系统上，实现了连续、低延迟的监控。
-
新网络SANet通过注意力机制改进红外小目标检测
研究人员开发了SANet，一种新颖的基于注意力选择的网络，旨在改进红外图像中小而暗目标的检测。该网络通过引入一个双路径语义感知模块来解决现有编码器-解码器架构的局限性，该模块使用专门的卷积和注意力机制进行更好的特征重新校准。此外，一个注意力选择融合模块用动态加权系统取代了静态跳跃连接，以实现更具适应性的跨尺度特征融合，旨在减少复杂背景下的误报。
-
研究人员通过 CBAM 增强 CNN 以改进多标签 X 光诊断
研究人员开发了一种新策略，以提高深度学习模型从胸部 X 光片中诊断多种疾病的准确性。他们的方法将卷积块注意力模块 (CBAM) 与传统卷积神经网络 (CNN) 主干相结合，以增强特征细化和提取。该方法专门解决了类别不平衡和识别共存病理学等挑战，在 ChestXray14 数据集上实现了 0.8695 的平均 AUC。
-
AI模型高效检测无人机图像中的桥梁裂缝
研究人员开发了一个轻量级卷积神经网络框架，用于无人机桥梁检测中的实时裂缝分类。该系统解决了裂缝特征弱、成像质量差、类别不平衡和计算能力有限等挑战。它包含一个注意力模块，以增强对裂缝轨迹的关注，并以最少的参数数量实现了高推理速度，为结构健康监测提供了实用的解决方案。
-
增强型YOLOv8n模型通过注意力和高效卷积提升实时车辆检测性能
研究人员开发了一种改进的YOLOv8n模型，用于实时车辆检测，该模型集成了Ghost模块、CBAM和DCNv2。该增强模型旨在通过减少特征冗余和优化特征表示来提升智能交通系统中的性能。在KITTI数据集上测试，该模型达到了95.4%的[email protected]，比标准YOLOv8n提高了近9%。