MobileNet
PulseAugur coverage of MobileNet — every cluster mentioning MobileNet across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新方法改进鱼眼相机深度估计 · 跟踪到2个来源
研究人员开发了新的方法来改进鱼眼相机的深度估计。一种方法，“校准令牌”，通过对齐潜在嵌入来适应现有的基础单目深度估计器以用于鱼眼图像，而无需重新训练。另一种方法 OmniDS 使用双流上下文融合技术和迭代细化来处理全向相机设备固有的可见性冲突。这两种方法都旨在提高鱼眼相机系统深度估计的准确性和适用性。
-
新的FEnc2框架提升私有AI推理效率
研究人员开发了FEnc$^2$，这是一个旨在显著提高使用全同态加密（FHE）进行私有推理效率的新框架。该方法通过同时考虑卷积运算和网络架构来统一数据打包，以优化密文利用率并减少计算开销。在常见的图像识别任务中，FEnc$^2$在GPU上实现了高达228倍的端到端延迟缩减，在CPU上实现了高达226倍的延迟缩减。
-
新算法连接独立训练的神经网络模式
研究人员开发了一种新颖的经验算法，可以在独立训练的神经网络模型之间建立连续的低损耗路径，这种现象被称为模式连接。这种新方法比以前的技术具有更广泛的适用性，成功连接了包括MobileNet、EfficientNet和Compact Convolutional Transformers (CCT)在内的更广泛的架构。该算法还提供了更一致的连接路径，并支持链接使用不同超参数训练的模式。
-
深度学习模型在COVID-19图像分类中达到98%的准确率
研究人员对用于从CT和X射线肺部影像中分类COVID-19的各种深度学习架构进行了综合比较。该研究使用了包括VGG、Densenet、Resnet、MobileNet、Xception、EfficientNet和NasNet在内的预训练模型。结果表明，Resnet和VGG架构在区分COVID-19阳性病例与健康肺部方面达到了95%至98%的高准确率，优于以往的文献发现。
-
H-Sets 框架揭示图像分类器中的特征交互
研究人员开发了 H-Sets，一个旨在揭示和归因图像分类器中高阶特征交互的新框架。该方法超越了对单个特征的分析，以理解特征组如何共同影响模型的输出。H-Sets 利用输入 Hessian 来检测交互特征对，然后将它们合并成连贯的集合，并采用集成方向梯度（Integrated Directional Gradients）的集合级扩展进行归因。在各种模型和数据集上的评估表明，与现有技术相比，H-Sets 产生的显著性图更具可解释性和忠实性。