Gradient-weighted Class Activation Mapping
PulseAugur coverage of Gradient-weighted Class Activation Mapping — every cluster mentioning Gradient-weighted Class Activation Mapping across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新框架通过注意力引导融合增强病灶聚焦图像分类
研究人员开发了一种新颖的注意力引导深度学习框架，旨在改进病灶聚焦图像分类。该框架基于DenseNet-121构建，能够自适应地融合全局上下文信息和病灶特异性局部特征。通过使用梯度加权类激活映射（Grad-CAM）来突出相关区域，以及使用卷积块注意力模块（CBAM）进行精细特征提取，该模型能够动态地在全局和局部表示之间进行权衡。在合成数据集和基准数据集（包括皮肤和番石榴叶图像）上的评估表明，其性能优于仅独立使用全局或局部特征的方法，达到了高准确率。
-
深度学习模型在植物病害分类中取得高准确率
研究人员开发了先进的深度学习框架，用于从叶部图像分类植物病害，并取得了高准确率。一项研究侧重于柠檬叶部病害，利用了 InceptionV3 和 MobileNetV2 等集成模型，通过对抗性训练达到 99.27% 的准确率以增强鲁棒性。另一个框架 CottonLeafVision 采用了 DenseNet201、InceptionV3 和 VGG19 等模型对棉花叶部病害进行分类，其中 DenseNet201 达到了 98% 的准确率…
-
人工智能模型利用生物标志物和视网膜扫描预测糖尿病并发症
研究人员开发了新的机器学习框架来预测2型糖尿病患者的多器官功能障碍。一项研究利用常规实验室生物标志物和梯度提升模型，通过识别高血糖、肾功能损害、血脂异常和炎症作为关键风险因素，实现了近乎完美的区分（AUC = 1.000）。另一项独立的试点研究在视网膜图像上采用了可解释的多任务深度学习，揭示了视网膜血管编码与全身性异常相关的信号，特别是微血管损伤，尽管预测性能因任务而异。