ImageNet-21k
PulseAugur coverage of ImageNet-21k — every cluster mentioning ImageNet-21k across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新方法按需生成领域特定数据集，效果优于大型通用数据集
研究人员开发了一种名为 Precision at Scale (PaS) 的新方法，用于按需自动生成领域特定数据集。该方法挑战了这样一种传统观念：大规模通用数据集在自监督学习方面总是更优越。PaS 利用基础模型和生成模型，只需极少的人工干预即可创建任何规模和领域的的数据集，并在训练视觉 Transformer 和卷积神经网络方面被证明是有效的。
-
合成数据框架InsCore预训练工业分割模型
研究人员开发了InsCore，一个用于预训练工业分割任务的视觉基础模型的合成数据生成框架和数据集。该方法解决了真实世界工业数据集的挑战，如领域差异、商业使用限制和资源限制。InsCore采用公式驱动的监督学习构建，专注于遮挡处理，并已证明其性能可与在ImageNet-21k上预训练的模型相媲美，尽管使用的数据量显著减少且不包含真实图像。
-
Franca：开源视觉模型性能媲美闭源模型
研究人员推出了 Franca，一个开源视觉基础模型，旨在匹配或超越 DINOv2 和 CLIP 等闭源模型的性能。该模型采用新颖的嵌套俄罗斯套娃表示法进行参数高效的多头聚类，逐步将特征细化为更精细的聚类，而无需增加模型大小。Franca 还采用位置解耦策略来改进语义内容编码，从而在下游基准测试中获得更好的性能，并促进基础模型开发的透明度和可复现性。
-
AI模型在脑肿瘤分类和分割方面取得高精度
研究人员开发了两个独立的深度学习框架，用于使用MRI扫描进行脑肿瘤分析。一个框架利用视觉Transformer（ViT-B/16）进行自动四类肿瘤分类，准确率达到99.29%，并提供关键区域的可解释热图。第二种方法UniME通过采用两阶段异构架构来解决MRI模态缺失的脑肿瘤分割问题，该架构首先建立统一表示，然后结合特定模态的编码器进行精确分割。