MobileNetV3-Small
PulseAugur coverage of MobileNetV3-Small — every cluster mentioning MobileNetV3-Small across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
知识蒸馏技术打造紧凑型糖尿病视网膜病变分级AI
研究人员开发了一种知识蒸馏技术,用于创建用于从视网膜眼底图像分级糖尿病视网膜病变的紧凑型模型。该方法成功地将来自 ResNet-50、MobileNetV3-Large 和 Swin Transformer-Tiny 等大型教师模型的知识蒸馏到一个更小的 MobileNetV3-Small 学生模型中。结果学生模型达到了 0.9093 的二次加权 kappa 值和 0.6851 的宏 F1 分数,与 Swin Transformer-…
-
事件流选择方法对灵敏度和性能的评估
一篇新发表在arXiv上的研究论文详细评估了事件流候选选择方法,重点关注它们对读出和阈值校准的灵敏度。该研究测试了包括DINO-S CLS、DINO-B CLS和MobileNetV3-Small在内的各种编码器,使用了视频片段的事件累积。结果表明,虽然DINO-B CLS显示出更高的部分AUC,但在考虑实际操作点时,像MobileNetV3-Small这样的轻量级基线性能也很显著。研究强调了持续时间和视图计数对策略依赖性效应的重要性…
-
轻量级AI分析振动数据用于消费设备监测
研究人员开发了一个轻量级AI框架,用于利用振动数据监测消费设备的状态。该系统使用CWT和HHT将一维振动信号转换为二维时频表示,然后由MobileNetV3-Small、ConvNeXt-Tiny和YOLOv11-cls等轻量级深度学习模型进行分析。该框架在Case Western Reserve University、Paderborn University和Intelligent Maintenance Systems的公开轴承数…
-
新的交叉验证方法提高了 AI 水果货架期预测的准确性
研究人员开发了一种新方法来评估从图像预测水果剩余货架期的 AI 模型的准确性。使用 Hass 牛油果成熟度数据集,他们发现样本级交叉验证(确保同一水果的图像不用于训练和测试)比观察级拆分提供了更现实的性能估计。这种方法显示出更高的错误率,样本不重叠的交叉验证产生的平均 RMSE 为 3.12 天,而观察级拆分的平均 RMSE 为 2.37 天。该研究还将 MobileNetV3-Small 等轻量级模型与 ResNet-18 等较重模…
-
新框架FLiD增强了数字身份文件的伪造检测能力
研究人员开发了FLiD,一个旨在检测数字身份文件中本地化伪造的新框架。与通用伪造检测器不同,FLiD专门针对身份文件中的面部和文本区域,使用经过微调的YOLOv11检测器和MobileNetV3-Small骨干网络。这种字段本地化方法在各种攻击类型上实现了高AUC分数,并与整文档分析相比显著降低了计算需求,使其适用于资源受限的KYC部署。
-
新的边缘-云架构简化了糖尿病视网膜病变筛查
研究人员开发了一种两层边缘-云架构,用于自动化糖尿病视网膜病变筛查,旨在提高资源受限的临床环境的效率。该系统在边缘使用轻量级模型对图像进行分类,仅将可能需要转诊的病例发送到更强大的基于云的模型进行详细分级。这种方法将云处理量减少了约 50%,同时保持了检测需要转诊的糖尿病视网膜病变的高灵敏度。
-
轻量级卷积神经网络的准确性和效率基准测试
一项新近发表在arXiv上的研究,为轻量级卷积神经网络(CNNs)提供了一个可复现的基准测试。该研究在CIFAR-10、CIFAR-100和Tiny ImageNet数据集上比较了七种已建立的架构。研究人员在统一的微调协议下,根据准确性、参数数量、存储和计算操作评估了模型。EfficientNetV2-S取得了最高的Top-1准确率,而EfficientNet-B0在性能和效率之间取得了良好的平衡,使用的参数和操作数量显著减少。研究还…
-
新的轻量级方法改进人脸图像质量评估
研究人员开发了一种新的、轻量级的人脸图像质量评估方法,这对于人脸识别系统至关重要。该方法采用了两个紧凑型神经网络 MobileNetV3-Small 和 ShuffleNetV2 的集成,并结合了一种新颖的相关感知损失函数。该方法旨在平衡准确性和计算效率,使其适用于实际应用。在 VQualA 基准测试上的实验表明,该方法与人类判断高度相关,获得了 0.9829 的 Spearman 秩相关系数。
-
TinyBayes 使边缘设备上的实时作物病害检测成为可能
研究人员开发了 TinyBayes,一个用于边缘设备实时图像分类的新颖框架,专门用于检测可可作物的病害。该系统集成了闭式贝叶斯分类器和移动级计算机视觉管道,模型总大小不到 9.5 MB。TinyBayes 在 Amini 可可污染挑战数据集上实现了 78.7% 的准确率,并且可以在 CPU 上在 150 毫秒内完成推理。