DenseNet
PulseAugur coverage of DenseNet — every cluster mentioning DenseNet across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新多模态AI框架提高了乳腺肿瘤分类的准确性
研究人员开发了一种新的多模态框架，用于对乳腺纤维腺瘤和叶状肿瘤进行分类，这两种肿瘤在超声图像上常常具有相似的外观。该框架使用DenseNet、受CLIP启发的文本编码和Transformer融合来整合视觉、文本和临床数据。所提出的方法在新构建的FAPT-M数据集上达到了77.64%的准确率和89.74%的AUC，优于现有的基线方法。
-
学生寻求改进不一致的糖尿病视网膜病变AI模型的建议
一位计算机工程专业的学生正在寻求改进一个在APTOS 2019数据集上训练的5类糖尿病视网膜病变检测模型的建议。该模型表现出不一致的预测，将中度（Moderate）等类别错误地分类为重度（Severe）或增殖性（Proliferative），并且即使在预测错误的情况下也表现出高置信度，尤其是在训练数据集之外的图像上。该学生已经尝试了各种预训练模型、预处理技术和测试时增强（test-time augmentation），现在正在考虑集成…
-
新指标使用 Fisher 信息衡量 AI 模型鲁棒性
研究人员开发了一种新方法，使用 Fisher 信息矩阵 (FIM) 的谱范数来衡量深度神经网络的鲁棒性。这种与攻击无关的指标量化了模型输出分布对输入变化的敏感程度。该研究为 ResNet 和 Transformers 等常见架构提供了理论界限，为评估模型鲁棒性和指导更具韧性的 AI 系统设计提供了新方法。
-
新的费舍尔信息指标评估深度神经网络鲁棒性
研究人员引入了一种新的指标来评估深度神经网络的鲁棒性，该指标基于费舍尔信息矩阵的谱范数。这种不依赖于攻击的方法为评估模型对输入扰动的敏感性提供了理论界限和实用算法。在各种数据集和架构上的实验表明，该指标与对抗性脆弱性之间存在很强的相关性，使其成为设计更鲁棒模型的宝贵诊断工具。
-
新型AI模型可自动生成胸部放射学报告
研究人员开发了RL-ACRGNet，这是一种新颖的深度学习模型，旨在自动生成胸部放射学报告。该模型在强化学习框架内利用DenseNet编码器和多级LSTM解码器来提高准确性和临床连贯性。RL-ACRGNet在IU-Xray和MIMIC-CXR等基准数据集上表现优于现有方法，在关键指标上显示出显著的量化改进。
-
FAIR-Pruner框架支持自适应逐层神经网络剪枝
研究人员开发了FAIR-Pruner，一个用于深度神经网络自动、逐层结构化剪枝的新框架。该方法通过使用移除导向和保护导向的信号，自适应地在网络层之间分配稀疏度。在包括视觉模型和Qwen1.5-MoE模型在内的各种数据集和模型架构上的实验表明，FAIR-Pruner实现了强大的精度-压缩权衡。该框架可作为一个开源包使用。
-
深度学习模型在COVID-19图像分类中达到98%的准确率
研究人员对用于从CT和X射线肺部影像中分类COVID-19的各种深度学习架构进行了综合比较。该研究使用了包括VGG、Densenet、Resnet、MobileNet、Xception、EfficientNet和NasNet在内的预训练模型。结果表明，Resnet和VGG架构在区分COVID-19阳性病例与健康肺部方面达到了95%至98%的高准确率，优于以往的文献发现。
-
H-Sets 框架揭示图像分类器中的特征交互
研究人员开发了 H-Sets，一个旨在揭示和归因图像分类器中高阶特征交互的新框架。该方法超越了对单个特征的分析，以理解特征组如何共同影响模型的输出。H-Sets 利用输入 Hessian 来检测交互特征对，然后将它们合并成连贯的集合，并采用集成方向梯度（Integrated Directional Gradients）的集合级扩展进行归因。在各种模型和数据集上的评估表明，与现有技术相比，H-Sets 产生的显著性图更具可解释性和忠实性。
-
研究人员在皮肤镜模型中发现概念不一致性，影响准确性。
研究人员在 Derm7pt 皮肤镜数据集中发现了显著的概念层面不一致性，这限制了概念瓶颈模型 (CBMs) 的准确性。通过应用粗糙集理论，他们发现 16.4% 的概念配置文件与冲突的诊断相关联，理论上将 CBM 的准确性上限设定在 92.1%。该研究还提出了一个经过筛选的一致性子集 Derm7pt+，证明了在各种骨干架构下 CBM 性能的提高。