Md. Saiful Bari Siddiqui
PulseAugur coverage of Md. Saiful Bari Siddiqui — every cluster mentioning Md. Saiful Bari Siddiqui across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
AudioFuse 结合 ViT 和 1D CNN 实现稳健的心音图分类
研究人员开发了 AudioFuse，这是一种结合了 Vision Transformer (ViT) 和 1D 卷积神经网络 (CNN) 模型的心音图 (PCG) 分类新架构。这种混合方法同时从生物医学音频信号的光谱和时间数据表示中学习。在 PhysioNet 2016 数据集上，AudioFuse 取得了 0.8608 的具有竞争力的 ROC-AUC，优于其单独的基线模型。该架构在 PASCAL 数据集上还表现出对域迁移的卓越鲁棒性…
-
新的S3F-Net医学成像模型融合了空间和光谱数据
研究人员开发了一种新的多模态医学图像分类网络S$^3$F-Net，它结合了空间和光谱特征学习。该双分支框架将用于空间特征的深度卷积神经网络与一种新颖的浅层光谱编码器SpectraNet相结合。SpectraNet使用一种直接在傅里叶频谱上操作的光谱滤波器层，实现了全局感受野，并比仅空间方法提高了性能，准确率提高了5.13%。该网络在BRISC2025数据集上达到了98.76%的具有竞争力的准确率，并展示了对不同病理的适应性。
-
新的DUA-D2C方法通过解决过拟合来增强深度学习的泛化能力
研究人员推出了一种名为DUA-D2C的新颖方法，旨在对抗深度学习模型中的过拟合。该技术建立在现有的Divide2Conquer (D2C)方法之上，通过动态加权各个子模型贡献度来实现。DUA-D2C使用验证集上准确性和预测熵的复合分数，优先从产生更具泛化能力和更自信的模型中学习。理论分析和在图像、音频和文本领域的实证评估表明，DUA-D2C显著增强了泛化能力，并提供了额外的性能提升，即使与Dropout等标准正则化器结合使用时也是如此。