Nermeen Abou Baker
PulseAugur coverage of Nermeen Abou Baker — every cluster mentioning Nermeen Abou Baker across labs, papers, and developer communities, ranked by signal.
-
AI模型将电子垃圾回收准确率提升至98% · 跟踪2个来源
研究人员开发了一种使用AI的迁移学习方法，以提高电子垃圾回收的准确性和效率。通过微调AlexNet模型，他们在智能手机电子垃圾分类方面达到了近98%的准确率。该方法利用了带有动量的随机梯度下降和特定的学习率，旨在减少分拣错误，并支持智慧城市中的循环经济原则。
-
迁移学习将X射线电池检测精度提升至94%
研究人员开发了一种用于在X射线图像中检测和分类电池的迁移学习方法。该方法利用预先训练的YOLOv5m模型，在一个用于电子设备检测的数据集上进行微调，然后识别出方形、软包和圆柱形锂离子电池。该技术在电池检测方面实现了94%的精度，比基础YOLOv5m模型提高了5%，推理时间为22毫秒。
-
Meta的SAM经过微调以提高废物分割精度
研究人员探索了Meta AI的Segment Anything Model (SAM) 在废物分割任务中的有效性。通过在三个特定的废物数据集上微调SAM，他们发现SAM-ViT-H模型显著提高了性能，在Zerowaste和TACO数据集上实现了+30的IoU提升。这项研究表明，微调SAM是增强其在废物分割等下游应用中泛化能力的关键步骤。
-
PEFT方法通过最少的参数调整提升实例分割效果
研究人员调查了参数高效微调（PEFT）方法，特别是适配器（adapters）和LoRA，在基于Transformer的模型用于实例分割任务中的应用。研究发现，这些技术可以在仅微调模型参数的一小部分的情况下实现具有竞争力的性能，与传统的微调相比显著降低了计算成本。在每个Transformer块中使用2-3个适配器时观察到最佳结果，而LoRA在应用于可变形注意力（deformable attention）时显示出特别的潜力，有时性能优于适配器配置。
-
研究评估深度神经网络在图像分类中的迁移学习
研究人员探讨了如何最好地为图像分类任务选择预训练的深度神经网络。他们将十一个最初在ImageNet上训练过的模型改编到五个不同的目标数据集。该研究根据准确性、训练时间和跨多个训练轮次的模型大小评估了这些模型。