EfficientNet-B3
PulseAugur coverage of EfficientNet-B3 — every cluster mentioning EfficientNet-B3 across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
Blasto-Net：用于卵裂球分析的AI模型 · 跟踪到2个来源
研究人员开发了Blasto-Net，这是一种新颖的多任务深度学习模型，专为体外受精（IVF）中的卵裂球进行全面分析而设计。该模型可同时执行关键区域（ZP、TE、ICM）的分割、形态分级以及着床结果的预测。Blasto-Net采用EfficientNet-B3编码器和UNet风格的解码器，并通过注意力模块进行增强，以捕获语义和边界信息，并采用专门的头部和复合损失函数来处理不同的区域拓扑结构。在公共数据集上进行评估，Blasto-Net在…
-
深度学习框架在水稻病害测绘中的比较
研究人员比较了各种深度学习框架，使用无人机多光谱成像来测绘水稻病害的严重程度。该研究评估了 U-Net、U-Net++、DeepLabV3+ 和 SegFormer 等架构，并使用包括植被指数在内的不同输入配置对它们进行了测试。结果显示，U-Net++ 结合 EfficientNet-B3 表现出最高的性能，mIoU 达到 97.62%，这表明轻量级卷积神经网络 (CNN) 在操作性病害监测方面更可靠。
-
AI模型对野火烟雾密度进行分类并提供不确定性估计
研究人员开发了一个新的深度学习框架，用于从卫星图像中对野火烟雾密度进行分类，将其分为轻度、中度和重度。与之前仅提供点估计的方法不同，该模型能够一次性提供分解后的认知不确定性和偶然不确定性估计。该系统在超过16,000个卫星图像块上进行了评估，取得了高精度，并证明了不确定性随着图像质量下降而增加，其中中度烟雾类别表现出最高认知不确定性。
-
更简单的融合模块在牧场生物量回归中优于复杂的Transformer
一篇新的研究论文引入了“融合复杂度反转”原理，证明在有限的农业数据集上进行牧场生物量回归时，更简单的跨视图融合模块可以优于像注意力Transformer和SSM这样更复杂的模块。研究发现，优先考虑骨干预训练质量，例如从DINOv2升级到DINOv3，比复杂的融合机制能显著提高性能。该研究还为稀疏农业基准设定了指导方针，强调骨干质量而非融合复杂度，并倾向于局部而非全局模块。
-
AnemiaVision使用智能手机照片进行无创贫血检测
研究人员开发了AnemiaVision，一个基于网络的系统，能够通过智能手机拍摄的睑结膜和指甲床图像来检测贫血。该系统对EfficientNet-B3模型进行了微调，并结合了TrivialAugmentWide和Mixup等先进的数据增强技术，以及余弦退火学习率调度器。AnemiaVision在验证集上达到了96.2%的准确率和0.98的AUC-ROC，展示了其作为资源匮乏地区医护人员低成本、可及的筛查工具的潜力。源代码和系统本身均已公开。