Convolutional Block Attention Modules
PulseAugur coverage of Convolutional Block Attention Modules — every cluster mentioning Convolutional Block Attention Modules across labs, papers, and developer communities, ranked by signal.
-
深度学习增强4D流MRI，改善血流评估
研究人员开发了一个深度学习框架，用于提高4D流MRI数据的分辨率并降低噪声。4D流MRI是一种用于可视化血流的技术。所提出的模型集成了多尺度特征提取和注意力机制，特别是使用卷积块注意力模块（CBAM），以增强壁面剪切应力和压力梯度等关键血流动力学生物标志物。该模型在患有颈动脉狭窄的120名患者的数据上进行训练，与基线相比，均方根误差显著降低，表明其在无创血流动力学评估方面具有提高4D流MRI临床实用性的潜力。
-
MSCA-UNet 通过多尺度上下文和注意力增强图像分割
研究人员开发了 MSCA-UNet，这是一种用于图像分割的增强型 U-Net 架构，在基线模型性能的基础上有所提升。通过在瓶颈处引入多尺度上下文聚合和在解码器中进行基于注意力的特征细化，MSCA-UNet 实现了精度的显著提高。仅注意力变体增加了极少的参数，同时提升了性能，而组合方法产生了最高的精度改进。
-
ForensicNet：轻量级AI模型提升人脸识别准确率
研究人员开发了ForensicNet，一个专为法庭环境中的自动人脸识别设计的轻量级深度学习模型。该模型集成了MobileNetV2架构和卷积块注意力模块（CBAM），以增强特征学习并保持计算效率。通过两阶段迁移学习方法，ForensicNet在公开数据集上达到了92.4%的准确率，优于AlexNet和ResNet-50等成熟模型，同时每次推理仅需2.1 GFLOPs，可实现实时应用。
-
新AI框架通过可解释性增强胸部X光片分类
研究人员开发了PulmoSight-XAI，一个用于胸部X光片分类的新颖框架，解决了类别不平衡和特征丢失等挑战。该系统利用多视图注意力集成和梯度提升元学习，并结合了卷积块注意力模块和混合损失函数等技术。在大型数据集上进行评估，PulmoSight-XAI取得了最先进的性能，并通过可解释性分析展示了强大的解剖学一致性。
-
新的AG-EfficientNet改进了监控图像中的罪犯识别
研究人员开发了一个名为AG-EfficientNet的新框架，以改进监控图像中的罪犯识别。该模型集成了EfficientNet-B0和卷积块注意力模块（CBAM），以便在低分辨率和运动模糊等挑战性条件下更好地学习面部特征。该系统还采用了多尺度特征融合策略和混合Softmax-Triplet优化来增强身份区分能力，在基准数据集上达到了98.2%的识别准确率。