convolutional neural network
PulseAugur coverage of convolutional neural network — every cluster mentioning convolutional neural network across labs, papers, and developer communities, ranked by signal.
- instance of ScienceCast 90%
- instance of CatalyzeX 90%
- instance of Vgg16 90%
- instance of MobileNetV2 90%
- instance of ResNet18 90%
- used by alphaXiv 70%
- instance of alphaXiv 70%
- competes with Vision Transformers 70%
- instance of Vision Transformers 70%
- instance of Gotit.pub 70%
- uses Vision Transformers 70%
- used by Gotit.pub 70%
15 天有情绪数据
-
本·阿弗莱克谈论AI在电影视觉特效中的作用以及他的Python技能
演员本·阿弗莱克讨论了他对计算机的长期兴趣以及机器学习如何影响电影制作中的视觉特效。他解释了自己编写基本Python脚本的能力，并详细介绍了卷积神经网络（transformers的前身）如何识别图像张量中的模式，以完成边缘检测和绿屏移除等任务。
-
新的MemFLoRA方法大幅削减边缘自适应CNN的内存使用
研究人员开发了一种名为Memory-Floor LoRA (MemFLoRA) 的新参数高效微调方法，专为在边缘自适应卷积神经网络 (CNN) 而设计。该方法通过减少反向传播所需的激活状态来解决设备上学习的内存限制。与完全微调相比，MemFLoRA在节省激活内存方面高达98.7%，在峰值训练状态内存方面高达97.3%，同时在人类活动识别任务上保持或提高了性能。
-
新研究系统性评估用于皮肤病变分类的AI模型
一篇新发表在arXiv上的研究论文评估了各种机器学习模型（包括通用型和皮肤病学专用型模型）在皮肤病变分类方面的表现。该研究将不同的架构（如视觉语言模型和基础模型）与传统的卷积神经网络进行基准测试。它特别评估了它们在不同数据源、模态和人口统计学差异下的鲁棒性，以识别当前AI能力与临床部署需求之间的差距。
-
机器学习模型显示出使用跨队列临床数据进行结核病筛查的潜力
研究人员使用来自乌干达和南非的临床和人口统计数据，评估了用于结核病（TB）筛查的机器学习模型。该研究将逻辑回归、多层感知器和卷积神经网络应用于CAGE-TB数据集，并结合特征选择来提高模型性能。虽然特征选择将所有模型的接收者操作特征曲线下面积（AUROC）提高了2-7%，但逻辑回归模型在保留数据上表现出一致的性能，在南非的AUROC为0.84，在乌干达为0.8。更深的神经网络在未见过的数据上显示出不太一致的结果，尽管开发用于结核病筛查…
-
CNN引导的优化增强了光声断层扫描
研究人员开发了一种新颖的光声断层扫描（PAT）框架，该框架将卷积神经网络（CNN）与无梯度优化方法相结合。该方法旨在通过模拟复杂的非线性粘性波传播来恢复生物医学成像中的初始压力分布。CNN提供了有信息量的初始猜测，而优化策略则确保了对控制偏微分方程的遵守，与现有方法相比，可提高重建质量和鲁棒性。
-
卷积神经网络详解：AI如何理解图像
卷积神经网络（CNN）是一种专门用于处理图像数据的神经网络类型，克服了传统神经网络的局限性。与将图像展平成长串数字的标准网络不同，CNN利用滤波器（或称为卷积核）扫描图像的局部区域，保留空间关系并减少参数数量。这种方法使CNN能够有效地从图像中学习特征，使其成为图像分类、面部识别和物体检测等应用的基础。
-
HyDRA 网络融合 CNN、Transformer 和 Mamba 以实现高级 RFFI
研究人员开发了 HyDRA，这是一种新颖的混合双模网络，专为射频指纹识别 (RFFI) 设计。该架构集成了优化的变分模态分解 (VMD) 与卷积神经网络 (CNN)、Transformer 和 Mamba 组件的组合。HyDRA 能够支持闭集和开集分类任务，在闭集场景中展现出最先进的准确性，并在识别未经授权的设备方面表现出强大的性能。该系统已部署在 NVIDIA Jetson Xavier NX 上，实现了毫秒级推理速度和低功耗，使其…
-
深度学习在铁路异常检测中的应用综述
本文对用于铁路系统异常检测的深度学习技术进行了结构化综述。文章根据异常位置、数据特征和时间方面对现有方法进行了分类，涵盖了卷积神经网络（CNN）、循环神经网络（RNN）和Transformer等各种架构。综述还讨论了实际部署的挑战，如边缘-云架构和计算限制，并提供了一个框架来指导智能铁路监控的深度学习解决方案的选择和实施。
-
AI框架增强了对罕见皮肤淋巴瘤的检测
研究人员开发了一种双尺度机器学习框架，以改进蕈样肉芽肿（MF）的检测，这是一种罕见的皮肤T细胞淋巴瘤。该系统结合了对两种放大倍率（10倍和20倍）下的组织病理学图像的深度学习分析，以及使用临床特征的随机森林分类器。这种多模态方法旨在帮助皮肤科医生区分MF与其他皮肤病，并在确诊病例的分期中提供帮助，在实验试验中显示出显著的准确性。
-
研究发现：AI世界模型难以精确掌握细胞自动机的动态演化
一篇新的arXiv论文探讨了为什么像基于Transformer和卷积神经网络（CNN）这样的传统世界模型难以准确学习细胞自动机的精确动态。研究发现，尽管这些模型可以捕捉表面统计数据，但在滚动预测中它们经常失败，虽然能正确预测大多数像素，但无法预测整体系统演化。该研究确定了三个关键的失败模式：空间局部性不足、时间局部性不足和时间稳定性不足，并提出了对现有架构中信息流进行简单修改以解决这些问题的方法，从而实现了近乎完美的滚动预测。
-
TopTimeNet模型解耦特征提取，实现高效时间序列分类
研究人员开发了TopTimeNet，这是一种新颖的时间序列分类模型，它将特征提取与学习过程分离开来。该方法利用来自Takens延迟嵌入和持久同调的固定几何和拓扑描述符，然后进行一个轻量级的可学习分类阶段。TopTimeNet在参数数量显著减少的情况下，实现了与大型卷积神经网络和Transformer模型相当的准确性，展示了一种区分周期性和混沌动力学更有效的方法。
-
新研究探索自监督学习在公平性、效率和多样化输出方面的应用
多篇研究论文探讨了自监督学习（SSL）的进展，这是一种在无标签数据上训练模型的技术。其中一项研究FairSSL，通过利用数据异质性和主题感知正则化，引入了一个框架来提高多模态SSL的公平性。另一篇论文研究了增加网络宽度如何使贪婪的逐层训练在SSL中能与端到端反向传播相媲美，尤其是在更宽的网络中。进一步的研究深入探讨了哪些下游任务最能从SSL中受益，发现它在异常检测和分类方面有效，但在预测方面效果不佳。此外，一种名为DRY-SFT的新方…
-
新AI方法利用压力传感器检测风力涡轮机叶片损伤
研究人员开发了一种利用气动压力测量来检测大型风力涡轮机叶片损伤的新方法。该方法采用了一种新颖的非侵入式传感系统Aerosense，该系统此前由Franz等人于2025年进行了探索。研究人员在一个实验翼型上利用压力数据训练了一个卷积神经网络，以识别和分类结构损伤，展示了有效的实时检测和量化能力。本研究通过整合基于物理的洞察和可解释的机器学习，增强了该流程，以提高损伤检测系统的透明度和鲁棒性。
-
新的SD3MF框架增强了脑网络分析的可解释性
研究人员开发了一个名为监督式深度多模态矩阵分解（SD3MF）的新框架，旨在提高脑网络分析的可解释性，同时保持高预测准确性。该方法将传统的矩阵分解技术扩展到处理多模态数据和监督预测任务。实验表明，在分析连接组数据集方面，SD3MF的表现优于卷积神经网络（CNN）和图神经网络（GNN）等深度学习模型，并提供了生物学上可解释的见解。
-
卷积神经网络预测椭圆曲线秩
研究人员将一维卷积神经网络应用于预测有理数上椭圆曲线的解析秩。该方法建立在Kazalicki、Vlah、Bujanović和Novak先前工作的基础上，在各种导体上显示出高预测精度。研究还探讨了预测显著性、群涌和Mestre--Nagao和之间的关系。
-
新图方法提升视网膜疾病预测可解释性
研究人员开发了一种新颖的生物信息异构图表示方法，以提高用于预测糖尿病视网膜病变的机器学习模型的可解释性。该方法对视网膜血管节段和其他关键特征进行建模，将预测任务构建为图级分类问题，并使用图神经网络解决。该方法实现了 84% 的 AUC-ROC，并在精确识别异常血管和无灌注区域方面优于现有方法，为临床决策支持提供了详细的解释。
-
CNN-Transformer混合模型在乳腺癌检测中达到99%的准确率
研究人员开发了一种新颖的深度学习模型，该模型集成了卷积神经网络（CNN）和紧凑型卷积Transformer（CCT），以改进乳腺癌的乳腺X线摄影检测和分类。这种混合方法采用CNN集成的CCT分词器，旨在捕捉医学图像中的局部特征和长距离依赖关系，克服了传统CNN的局限性。该模型比ViT更轻量级，参数量少，在三个数据集上均实现了近乎完美的准确率，并集成了可解释AI（XAI）以增强临床信任度。
-
新的基准测试 MuViS-C 评估 AI 虚拟传感在传感器故障下的鲁棒性
研究人员推出 MuViS-C，这是一个新颖的基准测试，旨在评估基于学习的虚拟传感系统在面临传感器故障时的鲁棒性。该基准测试涵盖了六个域和九个数据集中的十种不同的传感器故障模式，评估了性能下降和最坏情况下的脆弱性。实验表明，包括基于注意力机制的架构在内的所有测试架构在损坏下性能都会显著下降，而梯度提升树表现出强大的鲁棒性。研究还发现，专门的鲁棒化策略可以提高性能，但可能会对标称精度产生负面影响。
-
AI模型在扑翼飞行器扑翼计数方面的比较
研究人员使用光流数据，评估了三种类型的时间模型——卷积、脉冲和基于注意力——在扑翼飞行器中计数扑翼次数的性能。该研究在MuJoCo模拟环境中，使用虚拟Crazyflie飞行器进行，并在不同距离下比较了模型的性能。虽然所有模型在扑翼计数方面都表现出高精度，但由于训练和鲁棒性的差异，结果并未确立不同架构之间的明确排名。
-
新的校验和方法增强了边缘设备上CNN的故障检测能力
研究人员开发了一种名为Carry-Through Checksum的新型轻量级故障检测技术，用于边缘应用中的卷积神经网络（CNN）。该方法将校验和嵌入到卷积层中，在整个推理过程中计算和传播校验和，从而以最小的开销实现端到端的错误检测。实验表明，该技术在FP32中可检测到超过95%的关键故障，在FP16中可检测到超过86%的关键故障，而用于缓解的重新执行仅增加了嵌入式GPU上很小的运行时开销。