Masked Autoencoder
PulseAugur coverage of Masked Autoencoder — every cluster mentioning Masked Autoencoder across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
SleepMaMi：新型基础模型整合睡眠结构和生物信号
研究人员开发了SleepMaMi，这是一种新颖的睡眠基础模型，旨在整合长期睡眠结构和细粒度生物信号分析。该模型采用分层双编码器结构，其中宏观编码器用于处理时间依赖性，微观编码器用于处理信号形态。SleepMaMi在超过20,000份多导睡眠图记录上进行训练，在临床睡眠分析任务中表现出卓越的泛化能力和高效的适应性，性能优于现有的最先进模型。
-
CUPID深度伪造检测器使用紫外贴图和MAE进行可解释分析
研究人员开发了CUPID，一种新颖的深度伪造检测方法，该方法从3D面部模型重建紫外纹理贴图，并利用掩码自编码器（MAE）进行分析。该方法在训练期间不需要深度伪造视频或特定人物（POI）身份。与现有的最先进方法相比，CUPID在抗缩放和压缩等后处理技术方面表现出优越的性能和鲁棒性，同时通过解码的残差贴图提供了更快的推理时间和增强的可解释性。
-
新框架利用自监督学习，减少医学图像标注工作量
研究人员开发了一个名为 XSSR 的新框架，以减少跨不同域的医学图像标注工作量。该方法使用带有掩码自动编码器的自监督方法，从无标签的源数据中学习，然后根据密度、新颖性和多样性从目标域中选择代表性样本。然后，在这一小部分选定的样本上训练 U-Net 模型，其性能接近使用完全标注的数据。
-
新的 CA-LIG 框架增强了 Transformer 模型的可解释性
研究人员开发了一个名为上下文感知层级集成梯度 (CA-LIG) 的新框架，以提高 Transformer 模型的可解释性。该框架提供了一种统一的分层方法，计算层级归因并将其与注意力梯度融合。CA-LIG 旨在为这些模型在各种任务和架构中做出决策提供更忠实、更具上下文敏感性且语义一致的解释。
-
新框架通过双模型方法提升医学图像分类性能
研究人员开发了一种新的深度学习框架，用于医学图像分类，该框架结合了自监督学习和迁移学习技术。该方法使用了两个ConvNeXt-Tiny模型，一个在ImageNet上预训练，另一个在医学数据上使用熵引导的掩码自编码器进行训练。两种模型概率的集成策略（平均法）在四个医学成像数据集上取得了最先进的结果，优于单个模型和现有方法。