HiResCAM
PulseAugur coverage of HiResCAM — every cluster mentioning HiResCAM across labs, papers, and developer communities, ranked by signal.
-
视觉基础模型在可解释的糖尿病视网膜病变分类方面展现出潜力
研究人员开发了一个使用视觉基础模型进行糖尿病视网膜病变（DR）分类的可解释框架。该研究评估了DINOv2、CLIP和Vision Transformer骨干网络，并采用了多种迁移学习策略，包括完全微调和LoRA。DINOv2-LoRA在内部表现强劲，而DINOv2和ViT的完全微调在外部分泛化方面表现出色。可解释性通过Grad-CAM和HiResCAM进行评估，将模型注意力图与专家标注的病灶进行比较。
-
显著性引导裁剪在恶意软件图像分类中效果不一
研究人员调查了显著性引导裁剪技术在基于图像的恶意软件分类中的有效性。他们使用RawMal-TF数据集和ResNet18架构进行了实验，比较了四种训练条件：无裁剪、随机裁剪、低显著性裁剪和高显著性裁剪。结果表明，虽然低显著性裁剪略微提高了在自然图像CIFAR-100数据集上的性能，但在RawMal-TF的恶意软件图像上，所有裁剪方法与无裁剪相比，性能均略有下降。这表明显著性引导裁剪的效用是领域特定的，恶意软件图像可能需要不同于自然图像的…
-
AI模型在乳腺摄影分析中丢失关键癌症线索 · 2篇论文
两篇新研究论文探讨了用于乳腺摄影的弱监督AI模型中关键诊断信息的退化。第一篇论文介绍了一种基于梯度的潜在分解方法，解释了为何粗糙的病灶特征得以保留，而细粒度的恶性肿瘤线索却丢失了。第二篇论文提出了一个诊断差距框架，用于评估重建保真度如何影响这些模型中的决策和解释保留。两项研究都强调，随着重建质量的下降，这些AI系统准确诊断乳腺癌的能力会显著减弱。
-
AI使用YOLO和HiResCAM以96%的准确率识别姬蜂总科黄蜂
研究人员开发了一个深度学习框架，使用基于YOLO的架构来自动识别姬蜂总科黄蜂，这是一类对生物多样性评估和生物防治至关重要的寄生蜂。该系统集成了高分辨率类激活映射（HiResCAM）以提供可解释性，证实该模型关注翅脉和触角分段等相关解剖特征。该框架的准确率超过96%，展示了强大的泛化能力并增强了透明度，使其成为昆虫学研究和生物多样性表征的宝贵工具。