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
-
研究论文将卷积神经网络拓扑结构与可训练性联系起来，而非仅仅层数
一篇新的研究论文探讨了卷积神经网络（CNN）的名义深度与其可训练性之间的关系，并引入了“有效深度”的概念。研究发现，虽然名义深度（层数）和有效深度都与准确率相关，但架构拓扑结构起着至关重要的作用。像ResNet和GoogLeNet这样的架构可以通过保持比其名义深度更低的有效深度来受益于增加的深度，这种现象被称为“有效深度悖论”。
-
新AI方法改进自动驾驶天气识别
研究人员开发了一种名为“面向天气的对抗性判别域自适应”（WA-ADDA）的新方法，以改进街景图像的天气识别，这是自动驾驶系统的关键任务。该技术解决了域偏移的挑战，即训练数据通常来自与真实驾驶条件差异很大的非街景来源。WA-ADDA将域判别器条件化为预测天气，使模型能够学习到对域不变且对天气敏感的特征。研究人员还通过统一各种非街景天气集合创建了一个基准数据集，并建立了标准化的评估协议。他们的方法在不同神经网络骨干上持续提高街景性能，在晴…
-
AI模型不确定性未能反映人类在图像任务上的分歧
一项发表在Hugging Face的Daily Papers上的新研究调查了AI模型的不确定性是否与人类在图像标注任务上的分歧相关。研究人员使用了FER+和CIFAR-10H数据集，这些数据集为每张图像提供了多个标注以捕捉歧义，并评估了三种架构的八个预训练模型。研究结果表明，模型不确定性与人类分歧之间的相关性很弱，这表明当前的不确定性量化方法可能无法可靠地识别出人类认为模棱两可的实例。这突显了一个关键的失败案例，即模型可以自信地预测一…
-
预训练和蒸馏在细胞分类中优于架构选择
一篇新发表在arXiv上的研究调查了不同深度学习架构在无标签单细胞分类中的有效性。研究发现，预训练和微调策略比架构选择（如CNN与Vision Transformers (ViTs)）更关键。具体来说，预训练模型即使参数更少，也显著优于从头开始训练的模型。研究还强调，知识蒸馏可以为实际部署带来更高效、性能更好的紧凑型模型。
-
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…