Deeplabv3 Plus
PulseAugur coverage of Deeplabv3 Plus — every cluster mentioning Deeplabv3 Plus across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
几何引导的Mamba增强了CNN语义分割模型
研究人员已将最初来自DGM-Net的几何引导Mamba模型改编为CNN基础语义分割的即插即用上下文模块。该方法将几何引导注入选择性扫描过程，从而实现由边界和向心流线索调制的长距离特征传播。当集成到六种不同的CNN分割模型中时，几何引导的SSM模块在Cityscapes数据集上始终提高了平均交并比（mIoU）分数，而计算成本仅略有增加。
-
深度学习模型在混合现实驾驶舱分割中达到90%的准确率
研究人员开发了一种深度学习方法，用于混合现实应用的驾驶舱图像分割。该研究将U-net和DeepLabV3+卷积神经网络架构应用于识别非公路卡车模拟器图像中的前景和背景元素。这种分割旨在通过促进虚拟和现实世界图像的无缝集成来增强用户沉浸感，准确率约为90%。
-
深度学习框架在水稻病害测绘中的比较
研究人员比较了各种深度学习框架，使用无人机多光谱成像来测绘水稻病害的严重程度。该研究评估了 U-Net、U-Net++、DeepLabV3+ 和 SegFormer 等架构，并使用包括植被指数在内的不同输入配置对它们进行了测试。结果显示，U-Net++ 结合 EfficientNet-B3 表现出最高的性能，mIoU 达到 97.62%，这表明轻量级卷积神经网络 (CNN) 在操作性病害监测方面更可靠。
-
AI框架提高了IVF中胚胎分级的准确性
研究人员开发了一种名为AttnRegDeepLab的新框架，用于对IVF过程中的胚胎碎片进行分级。这种两阶段、双分支系统使用注意力门来提高分割精度，减少噪声，并结合多尺度回归头来纠正估计误差。该方法旨在提供一种临床上可解释的解决方案，平衡视觉保真度和量化精度，优于端到端方法。
-
新AI模型提高胎儿脑部MRI分割精度
研究人员开发了一种新的深度学习模型，用于分割胎儿脑部MRI扫描，旨在改善产前诊断。该模型结合了ResNet-34编码器和使用MLP模块的轻量级解码器，以增强边界保持并减少运动伪影引起的错误。该方法在FeTA 2021数据集上实现了高精度，优于现有架构，并展示了适合临床整合的效率。
-
SAM管道为自动驾驶数据生成像素级标注
研究人员开发了一种新方法，为以前只有边界框的自动驾驶数据集创建密集、像素级的标注。该管道利用Segment Anything Model (SAM)将边界框转换为语义掩码，显著提高了Zenseact Open Dataset (ZOD)等数据集的可用性。标注数据用于评估基于Transformer和基于CNN的架构，实现了高达48.1%的mIoU，并探索了专门的模型来解决罕见但关键的对象（如行人、标志）的极端类别不平衡问题。
-
CryoNet 使用深度学习进行高级冰川测绘
研究人员开发了 CryoNet，一个旨在利用多模态数据测绘碎屑覆盖冰川的深度学习框架。该框架整合了卫星图像、地形数据、光谱指数和雷达信息，以区分裸冰冰川、碎屑覆盖冰川和冰川湖。CryoNet 取得了很高的性能指标，包括 90.52% 的总体 IoU，在复杂山区环境中优于现有的最先进模型。