Oxford-IIIT Pet
PulseAugur coverage of Oxford-IIIT Pet — every cluster mentioning Oxford-IIIT Pet across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的 DI-SCUSUM 方法使用扩散得分改进变化检测
研究人员开发了一种名为扩散集成得分累积和（DI-SCUSUM）的新方法，用于最快变化检测。这种无需训练的检测器使用高斯噪声平滑密度估计并精确计算 Hyvärinen 得分，避免了对训练过的得分网络的需要。DI-SCUSUM 递归使用重要性加权得分差作为增量，该增量与后验变化到先验变化的分布的 Kullback-Leibler 散度成正比。实验表明，在 MNIST 和 Oxford-IIIT Pet 等基准数据集上，DI-SCUSUM …
-
新的CARE框架增强了AI视觉分类的可解释性
研究人员开发了CARE，一个用于细粒度视觉分类的新框架，通过细化注意力路径来增强可解释性。CARE采用教师-学生蒸馏方法，其中一个专门的教师模型指导学生模型关注特定类别的注意力。该方法旨在提高分类准确性，同时确保模型的预测得到局部视觉证据的支持。在多个数据集上的实验证明了CARE的有效性，取得了出色的性能，并为其分类提供了忠实的解释。
-
新的融合方法合并了不同的视觉模型
研究人员开发了一种名为黎曼-洛伦兹参数融合（RLPF）的新颖方法，用于合并独立训练的视觉模型，即使它们的架构不同。该技术通过对齐参数组并将它们投影到通用坐标系来解决合并Vision Transformers（ViTs）和状态空间模型（SSMs）等模型的挑战。RLPF方法然后利用一个学习到的门来组合这些混合分支的输出，在CIFAR-10、Oxford-IIIT Pet和ImageNet-1K等基准数据集上展示了改进的性能。
-
新的DASA框架通过多因素数据增强提升语义分割性能
研究人员开发了一个名为难度感知样本分配（DASA）的新框架，以改进语义分割中的数据增强。DASA结合了预测模糊性、训练损失、类别稀有度和边界复杂度等多个因素，为每个训练样本创建一个统一的难度得分。然后，该得分指导应用于该特定样本的数据增强强度。在Oxford-IIIT Pet和PASCAL VOC等数据集上，使用U-Net、DeepLabV3和SegFormer-B0等架构进行的实验表明，DASA在标准训练方法和具有竞争力的自适应基线…