EfficientNet-B3
PulseAugur coverage of EfficientNet-B3 — every cluster mentioning EfficientNet-B3 across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
深度学习框架从史前手印中解码性别
研究人员开发了一个新颖的深度学习框架，旨在确定创作史前手印的个体的生理性别。这个不确定性感知的系统通过明确建模和传播不确定性来应对缺乏真实标签和人口差异等挑战。该方法包括图像处理、轮廓提取以及来自多个神经网络的集成预测，并通过流形映射和可解释人工智能技术进行验证。
-
OrthKD框架提取临床知识用于轻量级糖尿病视网膜病变筛查
研究人员开发了OrthKD，一个新颖的知识蒸馏框架，旨在从异构AI模型中提取通用临床知识，以实现轻量级部署用于糖尿病视网膜病变筛查。该方法选择性地从强弱教师模型中蒸馏信息，强制学生投影之间的正交性以鼓励互补学习。由此产生的轻量级MobileNetV3学生模型在大数据集上表现出更高的准确性和鲁棒性，优于先前的方法，并能够在资源受限的设备上实现实际的DR筛查。
-
新的开源系统可自动评估骨骼成熟度
研究人员开发了BoneAgeTW2，一个旨在自动化Tanner-Whitehouse 2 (TW2) 骨骼成熟度评估协议的开源系统。该系统利用YOLOv8进行骨骼检测，并使用EfficientNet-B3对20块手骨的成熟度进行分类。它生成带有分布曲线的详细临床PDF报告，将骨骼成熟度与人群常模进行比较。该模型在一个大型儿科手部X光片数据集上进行了训练，并且其完整的代码库是公开可用的。
-
Class-wise dataset mixing boosts breast MRI tumor classification accuracy
研究人员开发了一种名为类间数据集混合（Class-Wise Dataset Mixing）的方法，以提高深度学习模型在乳腺 MRI 肿瘤分类中的泛化能力。当 EfficientNet-B3 和 WaveViT-Small 等模型在 Duke Breast Cancer MRI 和 fastMRI 数据集上进行训练时，由于数据集来源偏差，它们在独立的 MAMA-MIA 多中心队列上的表现不佳。通过在训练期间混合每个类别中的两个数据集的样…
-
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。