EfficientNetV2-S
PulseAugur coverage of EfficientNetV2-S — every cluster mentioning EfficientNetV2-S across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的JEFFNet架构利用AI改进太阳能电池板故障分类
研究人员开发了JEFFNet，这是一种利用热红外成像对太阳能光伏（PV）板故障进行分类的新型架构。该多分支模型结合了来自联合嵌入预测架构（JEPA）的自监督学习和来自EfficientNetV2-S的监督特征提取。JEFFNet在PVF-10和InfraredSolarModules（ISM）两个数据集上表现出色，在多类和二元故障分类中均取得了高F1分数和准确率。值得注意的是，与GEPFNet等现有方法相比，JEFFNet的参数效率也更高。
-
轻量级卷积神经网络的准确性和效率基准测试
一项新近发表在arXiv上的研究，为轻量级卷积神经网络（CNNs）提供了一个可复现的基准测试。该研究在CIFAR-10、CIFAR-100和Tiny ImageNet数据集上比较了七种已建立的架构。研究人员在统一的微调协议下，根据准确性、参数数量、存储和计算操作评估了模型。EfficientNetV2-S取得了最高的Top-1准确率，而EfficientNet-B0在性能和效率之间取得了良好的平衡，使用的参数和操作数量显著减少。研究还…
-
新型AI模型EcoBin解决回收中的污染问题
研究人员开发了EcoBin，这是一种新颖的两阶段深度卷积神经网络，旨在通过考虑可回收物中的污染来改进废物分类。第一阶段基于EfficientNetV2-S骨干网络，将废物分类到不同的处理路径，而第二阶段则专门识别和标记将被回收的受污染物品。为了解决缺乏受污染可回收物公开数据的问题，使用U2-Net进行分割和生成逼真的污染纹理创建了一个合成数据集。完整的EcoBin流程显示出显著的改进，正确分类了25件受污染物品中的24件，远高于基线分…
-
AI模型在皮肤癌分类中表现出泛化差距
一篇新研究论文探讨了皮肤肿瘤镜图像的级联分类，比较了ViT-B/16、Swin-S、ConvNeXt-S和EfficientNetV2-S等各种深度学习架构。研究发现，虽然模型在内部表现良好，但在应用于独立的临床数据集时存在显著的泛化差距，导致性能下降和校准问题。提出的级联方法具有可调的分类阈值，提供了更好的灵敏度控制，并符合临床鉴别诊断逻辑，尽管在部署前进行外部验证和重新校准至关重要。