DenseNet
PulseAugur coverage of DenseNet — every cluster mentioning DenseNet across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
深度学习模型在肺癌组织病理学分析方面进行基准测试
研究人员开发了一个用于分析肺癌组织病理学图像的两阶段深度学习框架。该框架系统地比较了用于组织分类和区域分割的最先进架构。在分类任务中，YOLO11 表现最佳，准确率达到 98.38%。在分割任务中，DeepLabV3+ 取得了最佳结果，交并比（Intersection over Union）为 0.80，尽管 YOLO11-seg 提供的性能相当，但参数却少得多。
-
软注意力机制提升了深度神经网络中皮肤癌的分类能力
研究人员已经证明，将软注意力机制纳入深度神经网络架构可以显著提高其在皮肤病变分类方面的性能。通过使网络能够专注于关键图像特征并抑制噪声，这种方法在VGG、ResNet、InceptionResNetv2和DenseNet等各种既有模型上都带来了性能提升。具体而言，在HAM10000数据集上，改进后的模型实现了显著的精度提升；在ISIC-2017数据集上，则获得了更好的敏感度得分。
-
VGG16在十种CNN中引领MRI扫描阿尔茨海默病检测
研究人员对十种不同的卷积神经网络（CNN）架构进行了基准测试，用于从单视图MRI扫描中检测阿尔茨海默病。该研究在OASIS数据集的一个子集上使用了迁移学习和微调流程，该子集包含来自86,437次扫描的3,900张图像。VGG16取得了最高的验证准确率0.9637和测试准确率0.9533。所有测试架构都面临一个持续的挑战，即区分非痴呆和非常轻度痴呆阶段。
-
新的深度学习模型Dense-Cast高精度预测降水
研究人员开发了Dense-Cast，这是一种新颖的轻量级深度学习模型，专为短期降水临近预报而设计。该模型集成了DenseNet架构、残差连接和Transformer编码器，以更少的参数有效预测降水。Dense-Cast在印度季风多发地带东北部地区进行了测试，利用历史降水数据预测未来两个半小时的降水情况。其在测试中取得了最佳的平均绝对误差（MAE）为0.235毫米，均方根误差（RMSE）为0.735毫米，以及KGE评分为0.816。
-
研究发现胸部X光机器学习性能受评估参考的严重影响
一篇新发表在arXiv上的研究论文探讨了评估参考对用于胸部X光分析的机器学习模型的性能指标的关键影响。研究强调，常用的报告衍生标签和通用图像质量指标可能无法准确反映临床判断。研究人员证明，改变这些评估参考会显著改变模型的排名方式，从而影响关于选择哪些方法进行进一步开发或部署的决策。该论文强调，评估参考的选择应成为该领域临床有效性的核心考量因素。
-
新数据集和深度学习模型可从图像估算人体体重和身高
研究人员开发了一种从日常场景中拍摄的单张图像估计人体体重和身高的方法。该方法利用深度神经网络，并探索了包括RGB、深度图和姿态亲和图在内的各种数据模态，以预测身体质量指数（BMI）、体重和身高。为了促进这项研究，创建了一个包含6105张图像的新数据集，并附带了这些指标的真实标签，该数据集具有多样的姿势、背景和图像质量。使用VGG、DenseNet和ResNet等CNN骨干网络的实验表明，与半身或面部图像相比，全身图像能产生更优越的结果。
-
TEDDY基础模型高精度预测儿童疾病风险
研究人员开发了TEDDY，这是一种新颖的基础模型，旨在利用历史诊断数据预测儿童各种疾病的风险。TEDDY在超过一百万名儿童的数百万份ICD-10诊断数据上进行训练，在预测疾病发病率方面，其表现优于传统的机器学习模型，甚至优于大型通用语言模型。该模型对常见和罕见疾病都显示出显著的预测能力，其准确性在不同人群中保持一致，并且在诊断正式记录前两年以上进行预测时仍然有效。
-
前列腺MRI预处理提高AI癌症检测诊断准确性
一项发表在arXiv上的新研究调查了不同扩散加权成像（DWI）预处理技术对前列腺MRI分析的影响。研究人员发现，应用去噪、吉布斯环校正和失真校正可显著提高表观扩散系数（ADC）图的质量，并提高深度学习模型在PI-RADS评分分类方面的准确性。该研究利用DenseNet分类器对来自fastMRI队列的268名前列腺MRI病例进行了分析，证明优化的预处理流程对于前列腺癌检测中可靠的定量分析和临床分诊至关重要。
-
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。