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.
4 天有情绪数据
-
AI模型利用基于注意力的MRI分割技术区分脑部病灶
研究人员开发了一种基于注意力的MRI分割方法，用于分割脑部MRI扫描中的脑白质高信号（WMHs），旨在区分血管性和脱髓鞘病灶。该研究评估了多种注意力机制，如Bottleneck Attention Module (BAM)和Convolutional Block Attention Module (CBAM)，以及Attention U-Net等架构。通过提取分割病灶的形态学特征，该方法有助于根据病灶成因对WMHs进行分类，尽管样本量…
-
Blasto-Net：用于卵裂球分析的AI模型 · 跟踪到2个来源
研究人员开发了Blasto-Net，这是一种新颖的多任务深度学习模型，专为体外受精（IVF）中的卵裂球进行全面分析而设计。该模型可同时执行关键区域（ZP、TE、ICM）的分割、形态分级以及着床结果的预测。Blasto-Net采用EfficientNet-B3编码器和UNet风格的解码器，并通过注意力模块进行增强，以捕获语义和边界信息，并采用专门的头部和复合损失函数来处理不同的区域拓扑结构。在公共数据集上进行评估，Blasto-Net在…
-
深度学习框架通过提高可解释性来增强精子形态学分类
研究人员开发了一种注意力引导的深度学习框架，以提高精子形态学分类的可解释性和准确性。通过将预训练的EfficientNet-B0模型与卷积块注意力模块（CBAM）集成，该系统有效地关注了关键的精子头部特征。该方法在公共数据集上实现了90.2%和93.9%的高准确率，优于简单的模型，并为分类提供了视觉解释。
-
AI模型在ICRA 2026 GOOSE 2D分割挑战赛中取得顶尖排名 · 追踪4个来源
研究人员为ICRA 2026 GOOSE 2D细粒度语义分割挑战赛开发了先进的方法，并取得了顶尖排名。一个团队利用Segment Anything Model 3 (SAM3) 结合自蒸馏技术和多尺度测试时增强，以69.73%的mIoU获得第四名。另一组利用DINOv3结合Mask2Former解码器和集成方法，以76.57%的综合得分获得第一名。第三个参赛项目GOOSE-M2F，通过调整Mask2Former并结合特定模块和训练策略…
-
新架构统一材料本体以符合法规要求
研究人员提出了一种新颖的面向可复用材料本体的多层次架构，以解决该领域的碎片化问题。该架构具有独立的抽象级别和消费者受众分类轴，旨在将材料特定数据与法规合规性要求相结合。提出的OntoCrafter陶瓷本体(OCO)作为参考实现，将陶瓷材料数据组织成一个七层机械解释框架。
-
新框架提升了AI在嘈杂海洋生物声学监测中的性能
研究人员开发了GetNetUPAM，一个新颖的嵌套交叉验证框架，旨在提高海洋生物声学监测系统的可靠性。该框架通过将数据划分为站点-年份块来模拟不同的环境状态，从而解决了高噪声和低信噪比的问题，防止了过拟合并暴露了与部署相关的故障模式。当应用于自适应分辨率池化和注意力网络（ARPA-N）时，GetNetUPAM通过集成卷积块注意力模块（CBAM）作为学习到的噪声抑制器，显著减少了误报，提高了生态监测的准确性。
-
新流程增强了航空影像中微小目标的检测
研究人员开发了改进航空影像中微小目标检测的策略，这项任务对YOLOv8等标准目标检测模型提出了挑战。他们的方法包括提高输入分辨率、采用数据增强以及在一个名为MoonNet的新流程中集成注意力机制。该流程包含SE Block和CBAM等模块，在一个特定的微小目标基准测试中显示出比现有方法更高的准确性。
-
AI模型利用注意力机制准确分类桃叶损伤
研究人员开发了一种新的深度学习模型用于分类桃叶损伤，在基准数据集上取得了高精度。该模型是增强型EfficientNetB5，集成了卷积块注意力模块（CBAM），准确率达到93.3%。随后应用迁移学习策略使模型适应实际条件，一个增强了注意力的EfficientNetB3在本地数据集上取得了93%的宏F1分数，展示了改进的鲁棒性和泛化能力。
-
新的审计协议评估视觉检测中AI解释的忠实度
研究人员开发了一种新的方法来审计用于工业视觉检测的深度学习模型所生成的解释。该“架构感知”协议评估解释方法在多大程度上忠实地识别了对模型决策至关重要的图像区域。研究发现，解释的忠实度高度依赖于所使用的特定模型架构、解释器技术和扰动方法，这表明解释路径应与模型架构协同设计，并附带量化的忠实度指标。
-
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%。