EfficientNet
PulseAugur coverage of EfficientNet — every cluster mentioning EfficientNet across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
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。
-
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…
-
HyperFake 使用高光谱重建进行高级深度伪造检测
研究人员开发了一种新颖的深度伪造检测方法 HyperFake，该方法通过从标准 RGB 视频中重建高光谱数据来揭示隐藏的操纵痕迹。该方法利用改进的 MST++ 架构进行高光谱重建，并使用光谱注意力机制来识别关键光谱特征。然后，通过基于 EfficientNet 的模型对处理后的光谱数据进行分类，从而在无需专用高光谱相机的情况下，实现对各种深度伪造风格更准确、更具泛化性的检测。
-
新型深度学习模型可对糖尿病视网膜病变进行分级，但面临跨域挑战
研究人员开发了一个新颖的深度学习框架，用于对糖尿病视网膜病变（DR）进行分级，DR是可预防性失明的主要原因。该系统采用双分辨率方法，使用两个EfficientNet骨干网络，一个专注于血管结构，另一个专注于局灶性病变，并通过注意力门控进行组合。该模型在一个包含4,149张图像的组合数据集上进行训练，并在独立的数据集上进行评估，结果显示在不同成像域之间转移时，性能显著下降。虽然该模型对严重程度的排序在域转移后基本得以保留，但其精确的阈值…
-
深度学习模型使用EfficientNet预测儿科骨龄
研究人员开发了一种深度学习方法，使用EfficientNet架构（特别是增强了加性注意力的EfficientNetB4）来预测儿科骨龄。该方法利用了RSNA骨龄数据集中的12,000多张X光片，并将它们转换为适合训练卷积神经网络的格式。研究表明，与EfficientNetB0相比，EfficientNetB4（尤其是带有加性注意力机制的版本）能提供更准确的骨龄预测，有助于诊断儿科内分泌疾病。
-
集成深度学习系统改进了AI篡改视频的检测
研究人员开发了一个集成深度学习系统，通过结合音频和视觉分析来检测AI篡改的视频。该系统使用AASIST进行音频检测，使用EfficientNet、XceptionNet和MesoNet提取视觉特征，并使用MTCNN提取人脸帧。虽然单个模型在训练数据集上表现强劲，但在更多样化的数据上准确率有所下降。集成方法通过使用平均值平均和堆叠等策略，提高了对未见过的篡改的鲁棒性和泛化能力，平均准确率约为70%。
-
新的 EPRA U-Net 改进了 MRI 扫描中的梗死分割
研究人员开发了 EPRA U-Net，这是一种新颖的深度学习架构，旨在精确分割扩散加权 MRI 扫描中的梗死。该模型集成了 EfficientNet 编码器、残差循环块和注意力机制，以改进空间依赖性建模和病灶突出显示。在 167 名患者的数据集上进行测试，EPRA U-Net 与 UNet++ 和 DeepLabV3+ 等现有模型相比，表现更优，实现了更高的 Dice 分数，并显著减少了漏诊的病灶。
-
新的REVIVE框架可恢复被污损的自动驾驶汽车摄像头流
研究人员开发了REVIVE框架，以解决自动驾驶汽车（AV）上的污损诱导遮挡攻击（VOAs）。REVIVE集成了检测、模式识别、使用基于EfficientNet的U-Net进行分割以及类型感知恢复方法。该框架采用BLIP引导的Stable Diffusion修复、直接像素替换和自适应中值滤波等技术，以在物理遮挡后恢复摄像头流的效用。评估表明，直接像素替换可以显著恢复目标检测的召回率和F1分数，优于其他基线，并确保转发的流的质量不低于未恢复的帧。
-
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…
-
混合人工神经网络-脉冲神经网络流水线在ImageNet上达到99%的准确率
研究人员开发了一种新颖的混合流水线，结合了人工神经网络（ANN）和脉冲神经网络（SNN）以提高性能。该方法利用预训练EfficientNet模型的嵌入，然后将其转换为用于CoLaNET SNN分类器的脉冲序列。SNN分类器使用受生物学启发的局部学习规则进行训练，避免了端到端梯度传播的需要。该方法在64类ImageNet基准测试中达到了99.09%的准确率，与传统深度网络的性能相当，并为将强大编码器应用于SNN任务提供了一个具有生物学合理性的框架。
-
Kaggle竞赛选手克服嘈杂测试数据，实现音乐流派分类
一位机器学习从业者详细介绍了他在Kaggle音乐流派分类竞赛中的经历，目标是将初始F1分数从0.15提高到0.90以上。核心挑战在于干净的训练数据与嘈杂、失真的测试数据之间存在显著差异，测试数据包含环境声音和节奏扭曲。作者强调，这种数据不匹配是主要障碍，因此需要专注于数据预处理和特征工程，而不仅仅是模型架构。
-
新的AnomalyMatch框架使用AI发现稀有对象
研究人员开发了AnomalyMatch，一个用于在大型数据集中识别稀有对象的创新框架，在天文学和计算机视觉等标记数据稀缺的领域特别有用。该系统结合了半监督FixMatch算法和主动学习，利用EfficientNet分类器将异常检测视为二元分类问题。AnomalyMatch已集成到ESA Datalabs平台，并在天文和自然图像基准测试中表现出色，即使在初始标记数据很少的情况下也取得了很高的AUROC和AUPRC分数。其主动学习组件允许…
-
深度学习模型使用OCT和OCTA扫描准确分期AMD
研究人员开发了深度学习模型，利用光学相干断层扫描（OCT）和OCT血管造影（OCTA）数据自动分期年龄相关性黄斑变性（AMD）。这些模型在AMD严重程度分级方面表现出强大的性能，与参考标准有实质性的一致性。一个基于生物标志物的模型显示出最高的整体性能，并且在检测早期AMD方面特别有效。
-
新算法连接独立训练的神经网络模式
研究人员开发了一种新颖的经验算法，可以在独立训练的神经网络模型之间建立连续的低损耗路径，这种现象被称为模式连接。这种新方法比以前的技术具有更广泛的适用性，成功连接了包括MobileNet、EfficientNet和Compact Convolutional Transformers (CCT)在内的更广泛的架构。该算法还提供了更一致的连接路径，并支持链接使用不同超参数训练的模式。
-
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。
-
StableGrad 在无需批归一化的情况下稳定深度神经网络训练
研究人员推出 StableGrad，一种新颖的、在优化器层面的机制，用于控制深度神经网络中激活和梯度的尺度。该方法旨在防止训练不稳定，而无需依赖传统的批归一化，这对于物理信息神经网络 (PINNs) 等应用可能存在问题。StableGrad 在反向传播之后、优化器更新之前通过调整权重-梯度失衡来工作，从而保留网络的正向传播和物理残差精度。在深度 PINNs 和 ResNet、EfficientNet 等标准架构上的评估表明，即使移除批…
-
CNN 架构演进由深度、扩展和训练方法驱动
一项近期分析深入探讨了卷积神经网络 (CNN) 架构的演进，特别是对 ResNet、EfficientNet 和 ConvNeXt 的考察。作者研究了最先进 CNN 的进步主要是由于架构创新还是扩展和训练策略的改进。研究结果表明，这两个因素都起着重要作用且难以区分，其中 ResNet 实现了更大的深度，EfficientNet 引入了原则性的扩展，而 ConvNeXt 则采用了类似 Transformer 的训练方法。
-
新模型锚定动量以改进长尾胸部X光片分类
研究人员开发了一个名为动量锚定多尺度融合网络（Momentum-Anchored Multi-Scale Fusion Network）的新模型，以解决胸部X光片分类中的类别不平衡问题。该模型使用指数移动平均来稳定特征表示，防止对常见病症产生偏见，并提高对罕见疾病的性能。在ChestX-ray14数据集上进行测试，该方法取得了0.8682的平均AUC，在疝气（Hernia）和肺炎（Pneumonia）等病理方面显示出显著的收益。
-
深度学习模型从单个卫星图像生成月球高程图
研究人员开发了LunarDepthNet，这是一种新颖的深度学习模型，旨在利用单目卫星图像生成月球表面的详细数字高程模型（DEM）。该模型采用具有EfficientNet编码器和自定义层的UNet架构，以准确解释阴影信息并估算高程。LunarDepthNet实现了0.437的平均nRMSE和4.5米的平均绝对误差（MAE），证明了其生成可靠高程图的能力，尤其是在缺乏立体图像的月球区域。
-
Spark+AI Summit 2020：笔记涵盖特征工程、数据质量和模型效率
Eugene Yan 撰写的 Spark+AI Summit 2020 笔记涵盖了深度学习和数据工程中的实际应用和通用性会谈。特定应用会话重点介绍了 Airbnb 的 Zipline 等特征工程框架和 Sputnik 数据工程框架，以及 Gojek 的 Feast 和 Netflix 的数据质量方法。通用性会谈则侧重于通过模型剪枝、量化和蒸馏等技术提高深度学习效率，并引用了 IBM 和 Instagram 的示例。