Convolutional neural networks in medical image understanding: a survey
PulseAugur coverage of Convolutional neural networks in medical image understanding: a survey — every cluster mentioning Convolutional neural networks in medical image understanding: a survey across labs, papers, and developer communities, ranked by signal.
-
CNN框架使用引力波数据测试广义相对论
研究人员开发了一个卷积神经网络（CNN）框架，利用引力波数据来测试广义相对论。通过在模拟的超越GR波形上训练CNN，他们发现与原始波形相比，使用响应函数可观测值显著提高了分类灵敏度。该框架成功检测到大质量引力理论中的偏差，证明了其通过天体物理观测来探测基本物理学的潜力。
-
新的OUIDecay方法逐层自适应CNN正则化
研究人员推出了一种新颖的卷积神经网络自适应权重衰减方法OUIDecay。该技术根据在线激活模式动态调整每层的正则化强度，旨在提高训练效率和性能。与现有方法不同，OUIDecay不需要验证集，并在多个基准数据集和网络架构上展示了卓越的结果。
-
新型车辆分类器结合空间感知与可解释性
研究人员开发了一种增强的车辆分类系统，该系统整合了车辆部件的空间感知能力。这种新方法在前一方法的基础上，为每个部件构建空间概率图，有助于根据特定车辆类别来条件化部件的存在。该系统在准确性方面可与最先进的端到端CNN相媲美，同时提供了更好的可解释性和对误检的鲁棒性，解决了实际应用中的一个关键挑战。
-
2D 卷积加速脑电图信号分类
研究人员探索了使用二维时空卷积进行脑电图（EEG）信号分类，这是对常见的连接一维空间和时间卷积的替代方法。他们的发现表明，二维卷积可以在不牺牲性能的情况下显著缩短高维任务的训练时间。研究还揭示，虽然频谱特征的重要性相似，但由一维和二维模型产生的表征几何形状存在显著差异，这表明架构编码在处理复杂信号方面起着至关重要的作用。
-
研究人员推出PREMAP2用于高效神经网络认证
研究人员开发了PREMAP2，一种用于近似神经网络原像的增强算法，显著提高了可扩展性和效率。这种新方法扩展了其前身PREMAP的功能，能够分析更复杂的神经网络架构，如卷积神经网络。PREMAP2可应用于各种认证任务，包括可靠性、鲁棒性、可解释性和公平性，涵盖计算机视觉和控制系统等不同领域。该实现已作为开源软件提供。
-
GourNet CNN模型在芒果叶病检测中达到97%的准确率
研究人员开发了GourNet，一个用于检测芒果叶病变的卷积神经网络（CNN）模型。该模型在包含八个类别（七种疾病和一种健康）的MangoLeafBD数据集上进行训练，达到了97%的分类准确率。该模型采用了数据增强和预处理技术，并且其源代码已公开提供。
-
新的MANN方法通过神经网络增强梯度提升，适用于多样化数据
研究人员推出了一种新方法——多重加性神经网络（MANN），该方法在梯度提升框架中用浅层神经网络取代决策树。该方法集成了卷积神经网络（CNN）和胶囊神经网络，能够处理结构化和非结构化数据，包括图像和音频。与Extreme Gradient Boosting（XGB）等传统方法相比，MANN在准确性和泛化能力方面表现更优，并提高了对过拟合的鲁棒性。
-
AI研究发现肺部分割对 COVID-19 X 光诊断至关重要
arXiv 上发表的一项新研究，使用胸部 X 光片，调查了数据增强和肺部分割对于 AI 驱动的 COVID-19 检测的必要性。该研究提出了一个名为 SDL-COVID 的方法论，发现肺部分割对于准确预测至关重要。研究还表明，过度的数据增强会导致模型过拟合和测试准确性下降。
-
迈向可解释的人工智能：利用量子退火进行特征选择
研究人员开发了一种新颖的方法，通过利用量子退火进行特征选择来解释卷积神经网络（CNN）在图像分类任务中的应用。该方法识别出对模型预测最有影响的特征图，旨在提高AI系统的透明度和可信度。该技术将特征选择问题编码为量子约束优化问题，然后使用量子退火进行求解。评估结果显示，与现有的可解释AI方法（如GradCAM和GradCAM++）相比，类解纠缠得到了改善。
-
新框架通过分离层优化深度学习训练
研究人员引入了一个名为层分离优化（Layer Separation Optimization）的新颖框架，以解决深度学习模型使用交叉熵损失进行训练时面临的挑战。该方法旨在缓解深度网络训练过程中出现的强非凸性问题。通过使用辅助变量将复杂的优化问题分解为更小、更易于管理子问题，该框架在理论上为原始交叉熵损失提供了上限，并在数值实验中展示了改进的优化行为。
-
机器学习模型揭示地理数据可改善保险索赔预测
研究人员开发了一种方法，即使在位置数据有限的情况下，也能将地理信息纳入车险索赔预测模型。通过利用来自 OpenStreetMap 和 CORINE Land Cover 的环境数据，以及来自卫星图像的视觉特征，他们提高了区域级索赔频率模型的准确性。研究发现，在 5 公里尺度上结合坐标和环境特征对线性和基于树的模型都最有益，这表明地理背景的表征比模型复杂度更重要。