DenseNet121
PulseAugur coverage of DenseNet121 — every cluster mentioning DenseNet121 across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
轻量级机器学习框架提供可解释的疟疾诊断
研究人员开发了一种名为EMFE的新机器学习框架，用于疟疾细胞分类。与当前准确但资源密集且不透明的深度学习模型不同，EMFE采用了基于五种特征的经典机器学习算法。这种方法提供了一种计算上轻量级且可解释的替代方案，在大规模数据集上实现了高精度，并通过严格的交叉验证和与深度学习模型的比较证明了其有效性。
-
深度学习模型用于乳腺癌检测的性能和排放基准测试
一篇新论文对七种用于乳腺癌检测的深度学习模型进行了基准测试，评估了它们的性能和环境影响。研究发现，虽然EfficientNet和ResNet提供了高准确率，但它们也产生了更高的二氧化碳排放。DeiT-Tiny、ViT和Swin Transformer等Transformer模型取得了有竞争力的结果，其中DeiT-Tiny在一个数据集上提供了准确率和能源效率的良好平衡，而ViT和Swin在另一个数据集上表现出色。研究强调，在选择医学应用…
-
新框架整合AI用于工业缺陷检测和报告
一篇新研究论文介绍RobustDefect-LLM，一个整合深度学习与决策支持和AI辅助报告的工业表面缺陷分类框架。该系统使用四个卷积神经网络，其中MobileNetV3-Large在NEU-DET数据集上达到了99.26%的最高准确率。虽然在名义条件下鲁棒，但模型在严重图像退化下的准确率显著下降。该框架包含一个针对低置信度预测的人工审查系统，并生成通过确定性一致性检查的报告。
-
新研究发现医疗AI训练数据不可靠 · 已追踪2个来源
两篇新研究论文强调了使用公共数据集训练医疗AI模型（尤其是在胸部X光片分析方面）的关键问题。第一篇论文聚焦于视觉语言模型，发现与机构参考标准的协议因地点和发现而异，表明需要进行特定地点的重新评估。第二篇论文引入了一个框架，用于根据专家注释审计存储库标签，揭示了MIMIC-CXR数据集中心脏肥大的协议几乎为零，并强调了存储库派生标签作为真实情况的不可靠性。
-
医疗视觉语言模型未能为X射线预测提供忠实的视觉解释
arXiv上发表的一项新研究发现，当前的医疗视觉语言模型（VLMs）在对胸部X射线进行预测时，未能提供忠实的视觉解释。研究人员评估了几种VLMs，包括MedGemma-4B变体、LLaVA-RAD和Qwen3-VL-8B-Instruct，以及CheXagent-2-3b等专业模型和传统分类器。研究结果表明，虽然一些VLMs使用了图像数据，但它们的注意力热图并未准确反映对其预测至关重要的图像区域，并且它们经常遗漏标注的解剖结构。这表明…
-
New calibration method boosts AI reliability in imbalanced medical datasets
研究人员开发了一种新方法，用于提高分类模型的可靠性，特别是在数据不平衡的情况下，例如宫颈细胞学检查。该研究聚焦于Mendeley LBC数据集，使用了其原生的四类Bethesda分类法。通过采用事后温度缩放进行校准，模型在校准误差和Brier分数方面显著降低，而区分度指标基本不受影响。研究结果表明，在这种情况下，适当的校准比集成模型的大小对可靠性更重要，尽管数据集的规模不大需要考虑。
-
新的 LaryngealCT 数据集为癌症分期深度学习设定基准
研究人员开发了 LaryngealCT，这是一个用于使用深度学习模型对喉癌进行分期的新基准数据集。该数据集包含从癌症影像数据库 (The Cancer Imaging Archive) 收集的 1,029 张 CT 扫描图像，并已用于对六种不同的 3D 深度学习架构进行基准测试。定制的 3D CNN 在对癌症早期与晚期进行分类时取得了最佳性能，而其他模型在识别 T4 期疾病方面显示出潜力，尽管对这一晚期疾病的敏感性仍然是一个挑战。
-
LLM在零样本心电图诊断方面表现不佳，CNN表现更优
一项比较研究评估了零样本多模态大型语言模型（LLM）与基于卷积神经网络（CNN）的模型在12导联心电图图像分类方面的有效性。尽管GPT-5.2、GPT-4.1和Gemini-2.5 Pro等LLM能够生成看似合理的心电图描述，但其零样本诊断能力接近随机水平（ROC-AUC约为0.5）。相比之下，一项自主开发的生理感知CNN，LeadGroupECG，展示了稳定可靠的区分能力，内部ROC-AUC得分达到0.92-0.94，外部达到0.8…
-
计算高效的迁移学习卷积神经网络在多癌种检测中实现高精度
研究人员开发了一种计算高效的卷积神经网络（CNN），该网络利用迁移学习从生物医学图像中进行多癌种检测。这种轻量级模型旨在降低计算需求，同时保持高精度，使其适用于资源有限的环境。在脑部MRI、肺部CT和肾脏CT扫描上进行测试，该模型分别达到了90.85%、98.64%和99.92%的惊人准确率。迁移学习方法，即在一个癌种上预训练，然后在其他癌种上进行微调，只需要最少的额外训练时间，并且优于几种已建立的CNN架构。
-
高效迁移学习CNN在多癌种检测中实现高精度
研究人员开发了一种计算高效的卷积神经网络（CNN），该网络利用迁移学习从生物医学图像中进行多癌种检测。这种轻量级模型旨在降低计算复杂性，使其适用于资源有限的环境。该CNN在脑癌检测中达到了90.85%的高准确率，在肺癌检测中达到了98.64%，在肾癌检测中达到了99.92%。通过在一个癌种上进行预训练，然后在其他癌种上进行微调，该模型与几种最先进的预训练架构相比，表现出了优越的性能。
-
EfficientNetB0 在脑肿瘤 MRI 分类中领先深度学习模型
研究人员进行了一项比较研究，使用磁共振成像（MRI）数据评估了五种深度学习模型在多类别脑肿瘤分类中的表现。研究发现，EfficientNetB0 的总体准确率最高，达到 95%，优于 VGG16、VGG19、DenseNet121 和自定义 CNN。值得注意的是，EfficientNetB0 将脑膜瘤的检测召回率显著提高到 89%，远高于简单 CNN 大约 20% 的召回率，解决了诊断这些肿瘤的一个关键挑战。
-
新型AI模型增强医学影像中的癌症和脑肿瘤检测
研究人员开发了用于医学影像分析的新型深度学习模型，重点关注癌症检测和脑肿瘤识别。一项研究介绍了一种计算高效的卷积神经网络（CNN）结合迁移学习，用于跨MRI和CT扫描的多癌检测，实现了高精度，并优于几种最先进的预训练架构。另一个模型BrainFusionNet结合了CNN、Vision Transformers和GRU来分析用于脑肿瘤检测的MRI图像，集成了可解释AI技术以突出决策区域，准确率达到98%。
-
AI模型利用注意力机制准确分类桃叶损伤
研究人员开发了一种新的深度学习模型用于分类桃叶损伤，在基准数据集上取得了高精度。该模型是增强型EfficientNetB5，集成了卷积块注意力模块（CBAM），准确率达到93.3%。随后应用迁移学习策略使模型适应实际条件，一个增强了注意力的EfficientNetB3在本地数据集上取得了93%的宏F1分数，展示了改进的鲁棒性和泛化能力。
-
新的审计协议评估视觉检测中AI解释的忠实度
研究人员开发了一种新的方法来审计用于工业视觉检测的深度学习模型所生成的解释。该“架构感知”协议评估解释方法在多大程度上忠实地识别了对模型决策至关重要的图像区域。研究发现，解释的忠实度高度依赖于所使用的特定模型架构、解释器技术和扰动方法，这表明解释路径应与模型架构协同设计，并附带量化的忠实度指标。
-
深度学习集成提高了植物病害分类的准确性
研究人员开发了AgriMind，一个用于自动化植物病害分类的集成深度学习框架。该系统结合了三种模型——ResNet50、EfficientNet-B0和DenseNet121——这些模型在超过20,000张辣椒、土豆和番茄植物的图像上进行了训练。该集成模型达到了99.23%的准确率，与单个模型相比显著降低了错误率，并展示了在GPU上高效的处理速度。
-
扩散增强提高了孟加拉语字符识别的准确性
研究人员开发了一种置信度引导扩散增强方法，以改进手写孟加拉语复合字符的识别。该方法利用扩散模型生成高质量的合成字符样本，并通过Squeeze-and-Excitation块和基于置信度的过滤机制进行增强。在这些增强数据集上进行训练后，包括ResNet50和Vision Transformers在内的几种分类架构显示出显著的性能提升。在AIBangla数据集上，最佳模型的准确率达到了89.2%，超过了此前的基准，证明了质量感知增强在低资…
-
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。
-
AI模型在超声检查中显示出强大的乳腺密度预测能力，泛化性良好
研究人员对三种深度学习模型——DenseNet121、ViT-B/32和ResNet50——进行了外部验证，用于从超声图像预测乳腺密度。这些模型表现出强大的性能，尤其是在极度致密的乳腺中，尽管异质性致密的乳腺仍然是一个挑战。当整合到风险预测模型中时，AI衍生的密度与乳房X线摄影报告的密度显示出可比的结果，表明其在不同人群中的泛化能力。