MaxViT Tiny
PulseAugur coverage of MaxViT Tiny — every cluster mentioning MaxViT Tiny across labs, papers, and developer communities, ranked by signal.
-
深度学习方法提高了卵巢超声分类的准确性
研究人员开发了一种病灶引导的感兴趣区域（ROI）深度学习方法，用于卵巢超声分类，在减少标注工作量的同时实现了高准确性。该方法在MMOTU和OUD两个数据集上进行了评估，使用了各种深度学习架构和传统机器学习分类器。病灶引导的ROI策略，特别是与MaxViT-Tiny模型结合使用时，表现出卓越的性能，在MMOTU上准确率为93.10%，在OUD上准确率为97.56%。
-
新的集成深度学习框架提高了皮肤病变分类的准确性
研究人员开发了一种新的深度学习框架，用于对医学图像中的皮肤病变进行分类。该框架结合了 Vision Transformer 模型 MaxViT-Tiny 和两个卷积神经网络模型 ConvNeXt-Tiny 和 EfficientNetV2-B0，并使用了深度集成学习。该系统集成了蒙特卡洛 Dropout 来估计预测不确定性，并使用 Grad-CAM++ 进行可视化解释，突出显示图像中对分类决策有贡献的区域。在 HAM10000 数据集…
-
新AI框架通过不确定性和可解释性增强皮肤病变分类
研究人员开发了一个新的皮肤病变分类框架，该框架结合了深度集成学习、不确定性量化和可解释性技术。该方法使用多种模型，包括视觉 Transformer 和 CNN，以提高准确性并识别不可靠的预测。该系统在 HAM10000 数据集上表现出色，准确率达到 96%，ROC-AUC 达到 99%，尤其是在基于不确定性过滤预测时。
-
深度学习模型在皮肤癌检测中的比较
研究人员对十二种用于皮肤癌检测的深度学习模型进行了全面评估，比较了卷积神经网络（CNN）、视觉Transformer（ViT）、混合模型和视觉语言模型（VLM）。该研究使用了PAD-UFES-20数据集，并使用AUC、F1分数和80%特异度下的敏感性等指标评估了性能。结果表明，虽然CNN提供了一个坚实的基线，但基于Transformer的架构通常提供更优越的区分能力。MaxViT Tiny和CoAtNet0等混合模型，以及基于SigL…
-
深度学习模型在皮肤癌检测方面的比较
研究人员使用PAD-UFES-20数据集上的统一方法，对十二种深度学习模型在皮肤癌检测方面的性能进行了全面评估。该研究比较了卷积神经网络（CNNs）、视觉Transformer（ViTs）、混合模型和视觉语言模型（VLMs）。虽然调优良好的CNNs提供了坚实的基础，但基于Transformer的架构通常表现出更优越的辨别能力。混合模型和基于SigLIP的VLM取得了最佳的总体性能，为皮肤癌筛查的实际部署提供了实用见解。