MobileNetV2
PulseAugur coverage of MobileNetV2 — every cluster mentioning MobileNetV2 across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
自适应AI任务划分框架可降低延迟和能耗
研究人员开发了一个新颖的框架，用于在异构边缘-云连续体中动态划分和卸载AI任务。这种自适应方法在包括Raspberry Pi、笔记本电脑和台式PC在内的真实硬件上进行了评估，其性能优于静态划分方法。该框架在启动时对模型进行分析，监控网络状况，并重新评估分区以优化运行时动态，从而显著降低了VGG16、AlexNet和MobileNetV2等流行卷积神经网络的能耗和端到端延迟。
-
新的AQUA20数据集旨在解决具有挑战性的水下物种分类问题
研究人员推出了AQUA20，这是一个旨在改进水下物种分类的新基准数据集。该数据集包含20种海洋物种的8,171张图像，经过专门策划，以应对浊度、低光照和遮挡等挑战。对十三种深度学习模型进行了实验，其中ConvNeXt在90.69%的Top-1准确率和88.92%的F1分数方面表现出最高的准确率，尽管其他模型也显示出不同的性能权衡。该研究还包括使用GRAD-CAM和LIME进行的解释性分析，以解释模型行为。
-
研究比较了基于特征与基于logit的知识蒸馏
一项新的arXiv研究调查了知识蒸馏技术，特别是比较了在不同学生模型架构中基于特征的方法与基于logit的蒸馏方法。研究人员发现，虽然基于logit的蒸馏持续改进了学生模型，但像Attention Transfer这样的基于特征的方法，其效果因学生的设计而异，有时甚至会对性能产生负面影响。研究还强调，基于特征的方法的统一辅助系数并不能保证跨不同学生模型的稳定训练条件。
-
轻量级CNN在卫星土地覆盖分割中优于大型模型
一项新研究对五种卷积神经网络（CNN）架构进行了卫星土地覆盖分割的基准测试，重点关注效率-准确性权衡。研究发现，MobileNetV2_v1（一个24.98 MB的轻量级模型）在DeepGlobe数据集上取得了最高的准确率（0.7906）和平均交并比（0.4625）。该轻量级模型优于InceptionV3_v2和VGG16_v2等大型架构，证明了在资源受限的遥感应用中，优化后的迁移学习模型是有效的。虽然在城市、农业和水体类别分类方面表…
-
研究发现：量化会影响深度学习模型解释
一篇新发表在arXiv上的研究调查了训练后量化（PTQ）如何影响深度学习模型的可解释性。研究人员使用结合了Grad-CAM和LIME的双重框架，在INT8和INT4精度下评估了五种常见的CNN架构（VGG19、ResNet18、EfficientNet-B0、DenseNet161和MobileNetV2）。研究结果表明，量化会改变模型的内部推理，尽管DenseNet161的分类准确率与EfficientNet-B0相似，但其可解释性…
-
深度学习模型以93.6%的准确率预测rTMS抑郁症治疗结局
研究人员开发了一种新颖的深度学习模型，用于预测重复经颅磁刺激（rTMS）抑郁症治疗的有效性。通过使用欧氏距离傅里叶-贝塞尔级数展开（FBSE-ED）将脑电图（EEG）信号转换为图像，所提出的卷积神经网络（CNN）实现了93.60%的分类准确率。该方法优于现有的特定于EEG的模型和预训练模型，表明其在精神科诊所中用于靶向临床决策和实际部署的潜力。
-
研究发现：量化会影响深度学习模型解释
一项新研究调查了训练后量化（PTQ）对深度学习模型可解释性的影响，特别关注了五种卷积神经网络（CNN）架构。研究人员发现，虽然像INT8和INT4这样的量化方法在很大程度上保留了分类准确性，但它们会显著改变模型的内部推理和解释。该研究使用了一个结合了Grad-CAM和LIME的双重框架来分析空间注意力和输入级特征归因，结果表明在低精度下保持可解释性，架构选择至关重要。
-
QScheduler 算法赋能微控制器上的自适应设备端 AI 训练
研究人员开发了 QScheduler，这是一种自适应算法，旨在优化配备神经网络处理单元 (NPU) 的微控制器上的设备端训练。该方法仅通过前向传播来估计梯度，使其适用于没有反向传播能力的设备并减少内存使用。QScheduler 根据训练进度动态调整梯度样本数量，无需进行昂贵的超参数搜索。在 STM32N6 的 Neural-ART NPU 上的初步实验表明，QScheduler 在 EuroSAT 和 STL-10 等数据集上，对于 …
-
ForensicNet：轻量级AI模型提升人脸识别准确率
研究人员开发了ForensicNet，一个专为法庭环境中的自动人脸识别设计的轻量级深度学习模型。该模型集成了MobileNetV2架构和卷积块注意力模块（CBAM），以增强特征学习并保持计算效率。通过两阶段迁移学习方法，ForensicNet在公开数据集上达到了92.4%的准确率，优于AlexNet和ResNet-50等成熟模型，同时每次推理仅需2.1 GFLOPs，可实现实时应用。
-
新型LPCANet模型利用RGB-D数据增强铁路缺陷检测能力
一篇研究论文介绍了一种新颖的轻量级金字塔交叉注意力网络LPCANet，该网络专为使用RGB-D数据进行高效准确的铁路表面缺陷检测而设计。该网络集成了MobileNetv2用于RGB特征提取，一个金字塔模块用于深度处理，以及一个交叉注意力机制用于多模态融合。在多个数据集上的评估表明，LPCANet在参数量显著减少且推理速度更高的情况下，取得了比现有方法更优的性能。该论文还验证了该模型在非铁路数据集上的泛化能力。
-
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%。