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 alphaXiv 90%
- instance of Gotit.pub 90%
- instance of CatalyzeX 90%
- instance of ResNet18 90%
- instance of MobileNet 90%
- instance of Vgg16 90%
- instance of MobileNetV2 90%
- used by alphaXiv 70%
- instance of Vision Transformers 70%
- used by Gotit.pub 70%
- used by Vision Transformers 70%
13 天有情绪数据
-
新的深度集成学习框架应对分类挑战
本文介绍了一种用于多类别分类任务的深度集成学习新框架。它通过提出使用紧凑型集成(如贝叶斯神经网络和具有蒙特卡洛 Dropout 的卷积神经网络)来解决训练效率和存储方面的挑战。这些方法生成概率预测,然后用于定义代表性分布,优化统计距离。该分布有助于找到各种效用的贝叶斯最优预测 (BOP),包括为鲁棒的、集值的 BOP 设计的一系列集效用。
-
BeFit 框架提升微控制器上的 AI 效率
研究人员开发了 BeFit,一个旨在提高神经网络在资源受限传感设备上效率的新框架。该方法将计算复杂性从模型权重转移到可学习的 Bernstein 多项式激活,从而实现无乘法运算。与现有方法相比,BeFit 在微控制器上展示了更高的准确性,并显著降低了延迟和内存使用量。
-
CNNs:深度-宽度缩放影响神经切线核行为
本文研究了在深度和宽度同时缩放时,卷积神经网络(CNNs)中神经切线核(NTK)的行为。研究人员发现,在特定的初始化机制下,NTK色散(衡量核变异性的指标)随着深度与宽度之比(L/C)的增加而增加。此外,即使初始色散较低,在训练过程中发生的核旋转也普遍随着L/C的增加而增加。这些发现表明,L/C比率在CNNs偏离理论无限宽度极限方面起着重要作用,并且初始化和训练稳定性具有不同的缩放行为。
-
新的训练方法增强了 LLM 编辑神经网络权值的能力
研究人员开发了一种名为“可编辑就绪训练”(Edit-Ready Training, ERT)的新方法,以提高大型语言模型(LLMs)直接修改神经网络权值的能力。在涉及视觉模型的实验中,与标准训练方法相比,ERT 在 LLM 编辑的成功率方面显示出显著提高。具体而言,在 CIFAR-100 和 Entity-30 等数据集上,当网络通过 ERT 准备好进行重新标记和错误校正等任务时,GPT-6 Astra 和 Claude (Opus …
-
新技术使用狄利克雷过程高斯混合模型可视化卷积网络表示
研究人员开发了一种新技术来可视化卷积神经网络(Convnets)中学习到的表示。该方法利用狄利克雷过程高斯混合模型对每一层所有节点之间的内部表示进行聚类,解决了深层网络中高维度和抽象化的挑战。该方法在迁移学习场景中特别有用,有助于在将在一个数据集上训练的模型应用于不同任务时获得更好的理解。
-
拓扑特征增强了积雪图像分类AI模型的泛化能力
一篇新的研究论文探讨了使用拓扑特征来提高卷积神经网络(CNN)对积雪图像进行分类的泛化性和可解释性。积雪是冰川中的颗粒状雪,具有随深度变化的独特拓扑结构。标准的CNN往往会过度拟合有限且相关的训练数据,导致泛化能力差。该研究评估了次水平集特征、距离变换特征和持久性曲线,以从积雪图像预测样本深度,揭示了分类准确性与模型泛化性和可解释性之间的权衡。
-
新方法揭示农业CNN中可解释的视觉属性
研究人员开发了一种使用概念归纳法来理解农业卷积神经网络(CNN)中上下文偏差的方法。该方法分析隐藏神经元激活,以揭示与图像块相关的可解释视觉属性,而不仅仅依赖于分类准确性。研究发现,中间网络深度和特定纹理特征(如边缘和Gabor滤波器)最常与已验证的神经元-特征对相关。有趣的是,数据集中更强的上下文偏差不一定会导致更高的验证率,这表明行为上下文依赖性和语义可解释性是CNN行为的不同方面。
-
新框架增强AI解释X射线衍射数据的能力
研究人员开发了一个框架,用于面向2D X射线衍射(XRD)数据的解释的不确定性感知持续学习。该系统解决了模拟数据与实验数据之间的域不匹配、过度自信的预测以及顺序模型更新中的灾难性遗忘等挑战。通过整合域适应、具有谱归一化神经高斯过程用于不确定性估计的卷积神经网络,以及知识蒸馏的重放机制,该框架在减少知识损失的同时,展示了晶体结构的准确分类和改进的域对齐。
-
机器学习模型在电力系统故障检测中表现出高准确率,但也存在漏报
一篇新研究论文评估了电力系统故障检测的机器学习模型,重点关注了超出聚合分数的面向保护的指标。该研究使用PROTECT-90数据集分析了梯度提升树、卷积神经网络和逻辑回归模型。虽然这些模型取得了较高的AUC-ROC值,但它们表现出显著的漏报和误报率,其中漏报与较高的故障电阻相关。
-
新的深度学习框架统一了跨极化的SAR去斑处理
研究人员开发了一个新颖的深度学习框架,能够使用单一的卷积神经网络在各种极化配置下执行合成孔径雷达(SAR)去斑处理。这种统一的方法利用了极化协方差矩阵的九通道表示和一种极化感知的掩码策略,无需架构更改即可适应单极化、双极化和全极化SAR数据。在不同数据集上的评估显示出具有竞争力的性能,支持了SAR去斑处理灵活的单一模型解决方案的可行性。
-
AI模型分析超声图像中的甲状腺结节
研究人员开发了一种使用卷积神经网络(CNN)的深度学习模型,用于分析不定性甲状腺结节(Bethesda III)的超声图像。该AI模型旨在对恶性风险进行分层,作为昂贵的分子检测的替代或补充。在测试中,深度学习模型显示出比分子检测更高的特异性和阳性预测值,尽管敏感性较低。该模型在识别分子检测阳性但恶性风险较低的结节方面显示出潜力,表明它可以补充现有的诊断方法。
-
为实时边缘设备目标检测开发轻量级CNN
研究人员开发了一种新的、轻量级的卷积神经网络(CNN),专门用于部署在边缘设备上。该CNN专为实时目标检测和分类而设计,在标准热传感器下,推理速度可达每秒20帧,检测范围超过400米。其设计优先考虑准确性、灵敏度和低误报率,使其适用于监控、安全和物体识别等应用。
-
新的训练方法提高了CNN对抗上下文迁移的鲁棒性
研究人员开发了一种新的训练框架,以增强卷积神经网络在上下文迁移现象中的鲁棒性,该现象是指在不同的测试时段环境中模型性能会下降。所提出的方法使用空间特征归因来引导模型关注与对象相关的特征,而不是非因果的上下文线索。这包括一种称为ContrastiveCAMs的新型归因变体和一种改进的损失函数,即上下文正则化交叉熵(CR-CE),它抑制了上下文区域的影响。该方法在Waterbirds、Spawrious和ImageNet变体等多个数据集上…
-
TrustMix 方法增强预训练模型应对分布偏移能力
研究人员推出了一种新颖的后验方法 TrustMix,旨在提高预训练模型在面对分布偏移时的鲁棒性。该技术通过将其预测分布与用户指定的后备分布相结合,使模型的推断行为变得明确且可控。随着与训练数据偏差的增加,TrustMix 会平滑地过渡到该后备分布,从而实现优雅降级,而无需重新训练模型。该方法已在表格、图像和自然语言处理等各种任务中证明了其有效性,在预测不确定性和校准方面有所改进。
-
深度学习与SHAP分析增强MRI脑肿瘤检测
研究人员开发了一种增强型方法,结合磁共振成像(MRI)、深度学习和可解释AI来检测脑肿瘤。该研究探索了包括局部二值模式(LBP)、Gabor滤波器和卷积神经网络(CNN)在内的各种特征表示方案,以及支持向量分类器(SVC)和CNN等多种学习算法。实证结果表明,LBP与SVC在小型数据集上达到了98.06%的准确率,而CNN在大型基准数据集上达到了98.9%的准确率,展示了自动化肿瘤诊断的高精度。
-
人工智能精确预测复杂热条件下的材料晶粒生长
研究人员开发了一个新的框架,用于预测非等温条件下多晶材料中晶粒的生长。该方法结合了卷积神经网络来编码晶粒尺寸分布,多层感知机来处理热描述符,以及循环网络来进行时间预测。该模型在前端跟踪模拟数据上进行训练,能够准确重现各种热历史下的晶粒生长动力学,在交叉验证中实现了较低的平均相对误差。
-
深度学习架构在金融预测中的严格基准测试 · 跟踪2个来源
两篇研究论文探讨了深度学习模型在金融预测中的应用和评估。第一篇论文介绍了FinForesight,这是一个诊断性基准,旨在严格测试深度研究系统在中国、美国和香港市场的金融预测任务,重点关注估值、收益排名、事件方向和基本面预测。第二篇论文提出了九种深度学习架构的受控比较,包括Transformer、MLP、卷积和循环网络,评估它们在各种资产的多期金融预测中的表现。该研究发现ModernTCN和PatchTST是领先的架构,架构类型解释了…
-
AI模型在资源受限环境下进行物联网DDoS检测的评估
一项新的研究论文评估了在资源受限的物联网(IoT)环境中检测分布式拒绝服务(DDoS)攻击的几种预训练卷积神经网络架构。该研究使用CICDDoS2019数据集和基于图像的流量表示,根据准确性、可靠性、计算成本和可解释性评估了模型。DenseNet和MobileNet架构表现出强大的性能和可靠性,其中MobileNet显示出高准确性,而DenseNet169提供了卓越的定性可解释性。
-
AI模型揭示印度菜肴中食物相似性的差异
研究人员探讨了不同的视觉表征如何影响对食物相似性的理解,特别是在印度菜肴中。他们使用了一个扩展的Khana数据集和七个不同的预训练视觉模型,分析了图像到图像的检索和菜肴级别的相似性。研究发现,视觉相似性在不同的模型和抽象级别上存在显著差异,并且不总是与烹饪家族结构或基于食谱的相似性一致。这表明食物相似性并非固有属性,而是取决于所使用的表征和模态。
-
新型轻量级模型RetailLightNet通过雾计算增强实时零售分析
研究人员开发了一种新颖的方法,利用雾计算和一种名为RetailLightNet的轻量级深度学习模型来实现实时智能零售分析。该系统旨在通过在NVIDIA Jetson Nano等边缘设备上更靠近数据源处理数据,来克服基于云的视频分析所带来的高延迟和隐私问题。RetailLightNet模型利用深度可分离卷积进行高效特征提取,在货架监控和队列评估任务中取得了高精度、召回率和F1分数。