DINOv3 ViT-L/16
PulseAugur coverage of DINOv3 ViT-L/16 — every cluster mentioning DINOv3 ViT-L/16 across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的基准 Infra-Bench CLS 测试基础模型在关键基础设施分类方面的能力
引入了一个新的基准 Infra-Bench CLS，用于评估地球观测基础模型在关键基础设施分类方面的有效性。该基准包含来自七大洲的 18,756 张设施规模基础设施图像，涵盖 13 个类别。与 ResNet-18 基线相比，表现最好的基础模型在宏观 F1 分数上提高了 48%，达到了 57.9%。虽然机场和数据中心等顶级类别表现强劲，但电力基础设施等领域表现不佳，表明了未来研究的方向。
-
DCA-MoE框架通过自适应融合和路由增强人群计数
研究人员推出了一种新颖的DCA-MoE框架，旨在通过使特征融合和专家路由依赖于内容来提高人群计数精度。该方法利用空间自适应层融合（SALF）动态加权来自不同骨干层的特征，并利用密度路由多感受野专家（DR-MoE）为每个位置选择最合适的专家。该框架保留了冻结的DINOv3编码器，在NWPU-Crowd基准测试上取得了有竞争力的结果，展示了自适应方法在复杂视觉分析任务中的潜力。
-
AI模型重建叶子化石缺失部分
研究人员开发了AmodalDINO，一种新颖的多头密集预测模型，用于叶子化石图像的非模态重建。该模型可以从单个RGB图像预测可见叶子、完整的非模态叶子、主叶脉和细叶脉，而无需上游实例分割器。通过微调DINOv3 ViT-L/16模型并添加辅助叶脉头，AmodalDINO学习叶子的结构形状先验，在合成和真实化石标本上实现了高精度。该模型还很高效，在量化为4位权重后可以在浏览器中离线运行，并包含估算表面积和可视化活体叶子的功能。
-
混合量子-经典网络提升遥感图像分割性能
研究人员开发了两种新的混合量子-经典神经网络架构，HQF-Net和HQ-UNet，用于遥感图像分割。HQF-Net集成了冻结的DINOv3 ViT-L/16骨干网络和U-Net结构，并融入了量子增强的跳跃连接以及带有混合专家模型的量子瓶颈。HQ-UNet设计更为紧凑，在经典U-Net的瓶颈处使用参数化量子电路，并采用非池化量子卷积模块。两种模型在基准数据集上的表现均优于经典的U-Net基线模型，表明混合方法在地球观测领域高效密集预测方面的潜力。