DenseNet 121
PulseAugur coverage of DenseNet 121 — every cluster mentioning DenseNet 121 across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的MoE框架整合了不同的架构，以改进植物病害分类
研究人员开发了一种新颖的自适应软混合专家（MoE）框架，旨在改进植物叶片病害分类。该框架整合了三种不同的架构——EfficientNet-B0、DenseNet-121和Swin-Tiny——以利用它们在捕获局部、全局和多尺度特征方面的互补优势。一项关键创新是软门控机制，它根据输入动态地为每个专家分配权重，从而增强了模型处理复杂背景、不同光照和不平衡数据集的能力。实验表明性能有了显著提高，所提出的MoE模型在马铃薯叶片病害数据集上达到…
-
深度学习模型在检测面部欺骗攻击方面展现出潜力
本研究论文探讨了使用深度学习模型（特别是MobileNetV2、DenseNet-121和Inception-v3）来检测面部识别系统中的欺骗攻击。使用CelebA-Spoof数据集，研究发现MobileNetV2最有效，在保持计算效率的同时达到了92%的准确率。该论文还强调了其他模型泛化的挑战，并建议未来的工作集中在域适应和混合架构上，以提高生物特征安全性。
-
新的MRI基准和用于胰腺癌风险的联邦学习框架
研究人员推出了Cyst-X，这是一个新的基准数据集和联邦学习框架，旨在改善胰腺囊性肿瘤的早期检测。该计划旨在解决风险分层中的挑战，目前这会导致不必要的手术或漏诊。Cyst-X数据集包含来自七个国际中心的1461张MRI扫描图像，开发的深度学习模型在区分高风险病变方面取得了0.85的AUC。值得注意的是，联邦学习方法允许在不共享原始患者数据的情况下跨机构进行分布式训练，从而在保护隐私的同时保持性能。
-
研究探讨稀疏分配如何影响剪枝后神经网络的恢复能力
一篇新研究论文调查了神经网络中稀疏分配的分配方式如何影响其在剪枝后恢复精度的能力，尤其是在没有标记的重新训练数据的情况下。该研究比较了ERK和LAMP等不同的稀疏分配方法在各种数据集和架构上的表现，发现分配方式的选择显著影响剪枝后修复的精度。研究人员确定了一个关键的过渡区域，在此区域标准修复方法开始失效，这凸显了联合考虑剪枝分配和修复策略的必要性。
-
深度学习模型在COVID-19 CT影像病灶预测方面达到高准确率
研究人员评估了用于预测CT扫描中COVID-19病灶的深度学习架构，解决了医学图像分割中标准化性能分析的缺乏问题。该研究整合了四个分割框架（Unet、PSPNet、Linknet、FPN）和六个预训练编码器，创建了多样化的测试架构。对三个COVID-19 CT数据集的分析显示出高精度，二元分割的最大F1分数达到98%，多类别分割的分数分别为75%和77%，证明了AI在疫情疾病诊断方面的增强作用。
-
GRALIS框架统一了深度神经网络的线性归因方法
研究人员推出 GRALIS，这是一个新颖的数学框架，旨在统一可解释人工智能 (XAI) 中使用的各种线性归因方法。该框架为归因泛函建立了规范表示，涵盖了 SHAP、Integrated Gradients 和 LIME 等方法，但不包括非线性方法。GRALIS 在理论验证方面，在完备性、敏感性和多尺度聚合等多种公理属性上提供了同时保证，优于单独的方法。