MobileNetV2
PulseAugur coverage of MobileNetV2 — every cluster mentioning MobileNetV2 across labs, papers, and developer communities, ranked by signal.
- instance of VGG19 90%
- instance of ResNet18 90%
- used by Grad-CAM++ 70%
- competes with ResNet-50 70%
- instance of EfficientNet B0 70%
- competes with Vgg16 70%
- instance of ResNet-50 70%
- uses EfficientNet B0 70%
- used by EfficientNet B0 60%
- used by Local Interpretable Model-Agnostic Explanations for Classification of Lymph Node Metastases 60%
- used by ResNet-50 55%
- instance of Vgg16 50%
5 天有情绪数据
-
作物产量预测研究揭示关键数据验证缺陷
一项关于巴基斯坦旁遮普作物产量预测的研究论文，指出了数据验证和模型性能方面存在的重大问题。该研究开发了一个结合了树集成模型和叶片健康分类器的原型，该原型最初在一个源自 Kaggle 的数据集上显示出较高的 R2 分数。然而，经过仔细检查，发现该数据集仅包含 46 个独立观测值，导致准确性虚高。在使用更稳健的验证方法和更大的 FAOSTAT 数据集时，简单的线性趋势优于复杂模型，而叶片健康分类器尽管在单独的图像数据上具有高准确率，但无法…
-
新的OCR方法提高了手写孟加拉语文本的识别率 · 跟踪2个来源
研究人员开发了专门针对手写孟加拉语文本的光学字符识别（OCR）新方法。一项研究侧重于使用SSD与MobileNetV2以及Faster R-CNN与InceptionResNetV2等深度学习模型进行单词识别，使用集成模型达到了92.61%的F1分数。第二项研究解决了从转录的孟加拉语段落中进行与颜色无关的单词分割问题，报告了91.20%的F1分数，并强调了其在智能手机拍摄图像上的适用性。
-
FPGA平台加速用于DNN的近似乘法器评估
研究人员开发了FAME，一个利用FPGA加速深度神经网络近似乘法器评估的新平台。这种基于硬件的方法显著减少了评估乘法器设计及其对DNN推理精度的影响所需的时间，其性能比传统的基于LUT的仿真方法高出3.47倍。此外，该平台还包含一种模式引导的再训练技术，与现有的再训练方法相比，可以恢复高达65.5%的精度损失。
-
新的边缘智能框架FREDI优化资源分配和推理
本文介绍了一个用于安全边缘智能的框架FREDI，该框架优化了协作多层系统的资源分配和推理。FREDI采用双置信度阈值，通过用户设备进行早期退出CNN筛选，并将关键事件卸载到边缘服务器进行详细分类。该系统旨在通过比例公平资源分配和优化的推理阈值来最大化效用，数值结果显示了近乎完美的公平性和可扩展性。
-
新的多出口TinyML方案提高了边缘AI效率
研究人员为边缘设备的TinyML系统开发了一种新颖的多出口计算方案，旨在提高能效和实时性能。该方法部署在GWT GAP9片上系统中，根据输入复杂度动态调整推理，与标准的固定深度模型相比，计算成本降低了41%，推理时间缩短了29%。该系统在准确性仅有微小损失的情况下实现了这些提升，在计算效率方面优于现有的自适应CNN。
-
机器学习助力加纳废物管理和健康风险应对
一项新研究探讨了利用机器学习解决加纳固体废物管理问题。研究人员开发了一种随机森林分类器，根据废物处理方式和人口统计数据预测疾病类别，宏观F1分数达到0.63。此外，还训练了一个MobileNetV2模型，利用视觉识别实现自动化废物分类，准确率达到88.2%，宏观F1分数达到0.87。这些发现突显了人工智能在资源受限环境中进行健康风险预测和废物管理的潜力，同时也强调了有效实施所需的机构支持。
-
轻量级机器学习框架提供可解释的疟疾诊断
研究人员开发了一种名为EMFE的新机器学习框架，用于疟疾细胞分类。与当前准确但资源密集且不透明的深度学习模型不同，EMFE采用了基于五种特征的经典机器学习算法。这种方法提供了一种计算上轻量级且可解释的替代方案，在大规模数据集上实现了高精度，并通过严格的交叉验证和与深度学习模型的比较证明了其有效性。
-
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。