MobileNetV2
PulseAugur coverage of MobileNetV2 — every cluster mentioning MobileNetV2 across labs, papers, and developer communities, ranked by signal.
10 天有情绪数据
-
AI框架精准量化作物病害严重程度
研究人员开发了一种新颖的深度学习框架，用于精准量化田间作物的病害严重程度，旨在改进精准农业。该系统集成了语义分割、回归和分类，以评估压力水平，并根据受感染的叶片面积将其分为低到非常高。实验表明，使用MobileNetV2的U-Net模型取得了高性能，像素准确率为98.20%，严重程度指数与专家标注高度相关。
-
AI模型以99%的准确率实现白细胞分析自动化
研究人员开发了一种新颖的混合机器学习模型LeukocyteCount，用于自动识别和计数血样中的白细胞。该模型集成了Yolov5进行初步检测，准确率达到98%，然后采用MobileNetV2和Logistic Regression的组合将其分类为四种类型，准确率高达99.04%。该系统还包括一个基于Yolov5的模块，用于检测红细胞，F1分数达到99.73%。这种方法旨在克服手动方法的局限性，为疾病诊断和监测提供更有效、更准确的解决方案。
-
新的AG-EfficientNet改进了监控图像中的罪犯识别
研究人员开发了一个名为AG-EfficientNet的新框架，以改进监控图像中的罪犯识别。该模型集成了EfficientNet-B0和卷积块注意力模块（CBAM），以便在低分辨率和运动模糊等挑战性条件下更好地学习面部特征。该系统还采用了多尺度特征融合策略和混合Softmax-Triplet优化来增强身份区分能力，在基准数据集上达到了98.2%的识别准确率。
-
新框架可在微控制器上实现动物重识别
研究人员开发了一个新的动物重识别（Animal Re-ID）框架，该框架可以在微控制器（MCU）上运行。这对于在连接性有限的地区进行野生动物监测和牲畜管理等应用至关重要，因为推理必须直接在边缘设备上进行。所提出的系统系统地扩展了基于CNN的MobileNetV2骨干网络以适应低分辨率输入，在模型尺寸比最先进的模型减小两个数量级以上的同时实现了有竞争力的准确性。一种数据高效的微调策略允许在数据最少的情况下快速适应新环境。
-
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…
-
新框架增强了FPGA加速器中的容错能力
研究人员开发了ProWAFT，一个专为SRAM基FPGA上实现的CNN加速器设计的新型容错框架。该系统解决了瞬态故障带来的挑战，这些故障可能损害边缘计算环境的可靠性。ProWAFT利用部分重构，跨可重构分区动态应用三模冗余（TMR），平衡工作负载关键性、故障传播和重构开销，以优化延迟、能耗和可靠性。
-
新的StoMPP方法改进了二值神经网络的训练
研究人员推出了一种新颖的二值神经网络（BNN）训练方法StoMPP（Stochastic Masked Partial Progressive Binarization，随机掩码部分渐进式二值化），该方法避免了在使用直通估计器（STE）时通常会遇到的更深层网络精度下降问题。StoMPP从输入到输出逐渐二值化网络层，在ResNet-50、MobileNetV2和BERT等各种架构中提供了显著的精度提升，即使在不使用STE的情况下也是如此…
-
计算高效的迁移学习卷积神经网络在多癌种检测中实现高精度
研究人员开发了一种计算高效的卷积神经网络（CNN），该网络利用迁移学习从生物医学图像中进行多癌种检测。这种轻量级模型旨在降低计算需求，同时保持高精度，使其适用于资源有限的环境。在脑部MRI、肺部CT和肾脏CT扫描上进行测试，该模型分别达到了90.85%、98.64%和99.92%的惊人准确率。迁移学习方法，即在一个癌种上预训练，然后在其他癌种上进行微调，只需要最少的额外训练时间，并且优于几种已建立的CNN架构。
-
高效迁移学习CNN在多癌种检测中实现高精度
研究人员开发了一种计算高效的卷积神经网络（CNN），该网络利用迁移学习从生物医学图像中进行多癌种检测。这种轻量级模型旨在降低计算复杂性，使其适用于资源有限的环境。该CNN在脑癌检测中达到了90.85%的高准确率，在肺癌检测中达到了98.64%，在肾癌检测中达到了99.92%。通过在一个癌种上进行预训练，然后在其他癌种上进行微调，该模型与几种最先进的预训练架构相比，表现出了优越的性能。
-
新型AI模型增强医学影像中的癌症和脑肿瘤检测
研究人员开发了用于医学影像分析的新型深度学习模型，重点关注癌症检测和脑肿瘤识别。一项研究介绍了一种计算高效的卷积神经网络（CNN）结合迁移学习，用于跨MRI和CT扫描的多癌检测，实现了高精度，并优于几种最先进的预训练架构。另一个模型BrainFusionNet结合了CNN、Vision Transformers和GRU来分析用于脑肿瘤检测的MRI图像，集成了可解释AI技术以突出决策区域，准确率达到98%。
-
研究表明Vision Transformer在海事船舶检测方面优于CNN
一项发表在arXiv上的新研究评估了卷积神经网络（CNN）和Vision Transformer（ViT）在海事安全应用（特别是船舶检测）中的有效性。该研究使用了包含6,468张不同天气条件下的海事图像的数据集，并比较了六种深度学习架构。结果表明，虽然轻量级模型适用于受限环境，但Vision Transformer在准确率达到100%和处理速度最快方面表现更优。
-
新的知识蒸馏方法提高了土地利用图像分类的准确性
研究人员开发了一种改进的知识蒸馏框架，用于压缩用于土地利用图像分类的深度卷积神经网络。该方法采用教师-学生学习范式，其中 VGG16 网络将知识转移到 MobileNetV2 模型。通过结合来自真实标签的硬监督和使用 Kullback-Leibler 散度和余弦相似度损失的软监督，该方法在土地利用数据集上实现了 99.04% 的准确率，优于基线方法，同时显著压缩了模型。
-
深度学习模型在植物病害分类中取得高准确率
研究人员开发了先进的深度学习框架，用于从叶部图像分类植物病害，并取得了高准确率。一项研究侧重于柠檬叶部病害，利用了 InceptionV3 和 MobileNetV2 等集成模型，通过对抗性训练达到 99.27% 的准确率以增强鲁棒性。另一个框架 CottonLeafVision 采用了 DenseNet201、InceptionV3 和 VGG19 等模型对棉花叶部病害进行分类，其中 DenseNet201 达到了 98% 的准确率…
-
深度学习模型在检测面部欺骗攻击方面展现出潜力
本研究论文探讨了使用深度学习模型（特别是MobileNetV2、DenseNet-121和Inception-v3）来检测面部识别系统中的欺骗攻击。使用CelebA-Spoof数据集，研究发现MobileNetV2最有效，在保持计算效率的同时达到了92%的准确率。该论文还强调了其他模型泛化的挑战，并建议未来的工作集中在域适应和混合架构上，以提高生物特征安全性。
-
PENET+ 以更低的计算量提供高效的图像隐写分析
研究人员开发了 PENET+，这是 PENET 图像隐写分析框架的一个更高效的版本。这个新模型在保持高检测精度的同时，显著降低了计算需求和参数量。PENET+ 通过分类器精简和用类似 MobileNetV2 的网络替换骨干网络等技术实现了这些改进，使其适用于资源受限的环境。
-
AI通过改进顶点分布来提升3D口腔建模
研究人员开发了一个新的深度学习框架用于3D口内重建，旨在改进预测点云中的顶点分布。虽然之前的模型达到了77.49%的准确率，但存在顶点聚集问题。更新后的模型引入了匈牙利匹配和排斥损失，以创建更均匀的顶点分布，尽管这导致准确率降至68.02%。尽管数值有所下降，但新方法显著缓解了顶点聚集问题，使得重建表面上的顶点分布更加均匀。
-
Qualcomm AI Hub 教程涵盖分类和物体检测
本教程演示了如何使用 Qualcomm AI Hub 模型执行各种机器学习任务，包括分类和物体检测。它指导用户完成必要的软件设置、加载预训练的 MobileNet-V2 模型以及执行本地推理。该过程涉及转换图像张量格式，并通过 YOLOv7 物体检测示例扩展工作流程，还包含一个在 Qualcomm 设备上部署的可选部分。
-
深度学习从2D图像重建3D口腔模型
研究人员开发了一种新颖的深度学习方法，仅使用2D口内图像即可重建口腔的3D模型。该方法旨在降低传统牙科建模技术（如印模采集和昂贵的口内扫描仪）的成本和患者不适感。该模型在Dental3DS数据集上进行训练，利用MobileNetV2和多头注意力机制实现了77.49%的准确率，但指出重建中的点分布不均。
-
AI模型利用WiFi信号进行隐私保护的人类活动识别
研究人员开发了使用WiFi信号进行人类活动识别的新深度学习框架，提供了比基于摄像头的系统更具隐私保护性的替代方案。一种名为WISE-HAR的方法利用了五个CNN架构的集成和积极的数据增强，在识别行走和挥手等活动方面达到了94.87%的准确率。另一种方法采用了一种轻量级的Temporal Convolutional Network (TCN)，并结合了物理引导的注意力机制，以有效地从WiFi CSI数据中捕获运动动力学，在降低计算成本的…
-
扩散模型生成乌克兰手写文本，创建新数据集
研究人员开发了一种使用扩散模型生成乌克兰手写文本的方法，解决了低资源书写系统中的空白。他们创建了一个包含来自308位作者的超过126,000个乌克兰手写单词的新数据集。最初在拉丁字母脚本上训练的DiffusionPen模型，在该数据集上进行了重新训练，并展示了有效的跨域风格迁移能力，能够泛化到历史和当代乌克兰手写体。