Inceptionv3
PulseAugur coverage of Inceptionv3 — every cluster mentioning Inceptionv3 across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
InferNet利用GPU配置文件进行DNN架构推断
研究人员开发了InferNet，一种通过分析聚合GPU配置文件来推断深度神经网络（DNN）架构的新颖方法。该技术绕过了复杂、细粒度数据分析的需求，而是利用了GPU内核调用和内存事件等粗粒度系统级信息。InferNet能够准确预测通用架构家族和特定变体，在跨不同AI框架、DNN类型和硬件平台的评估中实现了100%的模型提取准确率。
-
新的二元迭代方法增强了对抗性攻击生成
研究人员引入了一种名为“二元迭代方法”（BinIM）的新方法，用于对深度学习模型生成非目标对抗性攻击。该方法采用分而治之的策略来优化创建这些攻击的参数，这对于测试模型鲁棒性至关重要。在ImageNet上使用InceptionV3和ResNet V2 152等预训练网络进行的评估中，BinIM在性能上优于现有的基于梯度的方法，如快速梯度法和基本迭代法。
-
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…
-
AI模型利用注意力机制准确分类桃叶损伤
研究人员开发了一种新的深度学习模型用于分类桃叶损伤，在基准数据集上取得了高精度。该模型是增强型EfficientNetB5，集成了卷积块注意力模块（CBAM），准确率达到93.3%。随后应用迁移学习策略使模型适应实际条件，一个增强了注意力的EfficientNetB3在本地数据集上取得了93%的宏F1分数，展示了改进的鲁棒性和泛化能力。
-
合成MRI为特定AI模型提供了有限的肿瘤分类改进
研究人员调查了由StyleGAN2-ADA生成的合成脑部MRI图像在改善肿瘤分类任务方面的有效性。他们发现，虽然GPT-5.5模型只能轻微地区分合成图像和真实图像，但这些合成图像的效用在很大程度上取决于下游分类器的架构以及合成数据与真实数据的比例。具体而言，MobileViTV2模型在使用过滤后的合成数据时，在肿瘤分类准确性方面显示出适度但统计学上显著的改进，并且也更快地达到了最佳性能。
-
CNN 使用新颖的 AWA 模式在部分放电分类中达到 96% 的准确率
研究人员开发了一种新颖的幅度-宽度-面积 (AWA) 模式表示方法，用于分析开关电压励磁下的部分放电 (PD) 脉冲。该方法将 PD 脉冲映射为使用幅度、宽度和面积的视觉模式，从而能够区分六种不同的 PD 源条件。卷积神经网络 (CNN) 模型，特别是 InceptionV3 和 ResNet-18，在对这些源进行分类时达到了超过 96% 的准确率，显著优于随机森林基线。