Local binary patterns
PulseAugur coverage of Local binary patterns — every cluster mentioning Local binary patterns across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
混合人工智能方法在太阳能电池板缺陷检测中达到99.17%的准确率
研究人员开发了一种用于自动化太阳能电池板缺陷检测的混合方法，将手工制作的特征与深度学习相结合。该方法利用局部二值模式（Local Binary Pattern）、方向梯度直方图（Histogram of Gradients）和Gabor滤波器提取手工特征，并使用DenseNet-169提取深度特征。当将这些特征连接起来并输入到支持向量机（SVM）、极端梯度提升（XGBoost）和轻量级梯度提升机（LGBM）等分类器时，该混合框架表现出…
-
深度学习在乳腺癌边缘检测方面可与纹理分析相媲美
研究人员探索了使用低倍荧光成像结合纹理分析和深度学习来检测乳腺癌边缘。他们的研究发现，这两种方法都达到了高精度，使用 Vision Transformers (ViT) 的深度学习模型在 4 倍放大倍率下达到了 96.30% 的敏感性和 98.18% 的准确率。研究结果表明，较低的放大倍率可提供与较高放大倍率相当的诊断性能，同时提供更大的视野和更快的图像捕获速度，使其成为术中边缘评估的更有效选择。
-
新框架采用双分支方法鲁棒地归属合成图像来源
研究人员开发了一种新颖的合成图像来源归属框架，解决了后处理引起的分布偏移挑战。所提出的双分支系统结合了使用EfficientNet-B0的语义深度学习方法和数学取证特征提取。该取证分支分析光谱特征和局部二值模式，在降级数据集上实现了高精度，并展示了适合实际部署的计算效率。
-
研究比较CNN与手工特征在面部表情识别中的应用
一项新的研究实证比较了用于面部表情识别的手工特征学习方法（如方向梯度直方图（HOG）和局部二值模式（LBP））与卷积神经网络（CNN）。该研究使用了三个数据集：FER-2013、CK+和KDEF，评估了支持向量机（SVM）的HOG、逻辑回归的LBP以及一个轻量级CNN。结果表明，CNN通常优于其他方法，尤其是在复杂数据集上，而HOG在受控环境下表现强劲，LBP则在所有情况下表现不佳。该研究强调了数据集复杂性和鲁棒特征学习在实现有效面部…
-
新的RadiomicNet架构通过可解释的人工智能增强医学图像分割
研究人员开发了RadiomicNet，这是一种新颖的深度学习医学图像分割架构，它集成了手工制作的放射组学特征，以增强可解释性并降低计算需求。这种混合方法使用带有灰度共生矩阵（GLCM）和局部二值模式（LBP）特征的放射组学注意力门（RAG），来指导轻量级MobileNetV2编码器-解码器中的注意力。RadiomicNet在乳腺超声图像（BUSI）数据集和Kvasir-SEG上取得了有竞争力的性能，同时使用的参数比标准的U-Net和U…
-
AI技术综述用于增强牛只识别
一篇发表在arXiv上的综合性综述详细介绍了机器学习和深度学习技术在牛只识别中的应用。虽然K近邻和支持向量机等传统方法显示出潜力，但卷积神经网络和YOLO等深度学习模型在认知、检测和识别方面表现出卓越的性能。该论文强调了包括数据集有限、由于环境因素导致的数据质量问题以及实时处理的需求等挑战，旨在指导可持续畜牧管理系统的发展。
-
新工具箱使用TDA分析酪蛋白凝胶化动力学
研究人员开发了一个新的计算工具箱，将拓扑数据分析（TDA）与差分盒计数和局部二值模式等其他方法相结合。该工具箱分析动态酪蛋白凝胶化的显微图像，以了解其与流变性质的关系。TDA组件专门跟踪拓扑环，这些环反映了蛋白质网络的互连性，揭示了凝胶化过程中与宏观流变测量相关的不同阶段。