ResNet-101
PulseAugur coverage of ResNet-101 — every cluster mentioning ResNet-101 across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新方法提高了 AI 模型忠实视觉归因的准确性
研究人员开发了两种新的忠实视觉归因方法 CoPAIR 和 TRACE，该方法可识别支持模型预测的图像区域。这些方法侧重于生成紧凑的 top-k 证据掩码，而不是对所有区域进行完全排序。CoPAIR 使用 PhaseWin-Greedy 方法进行候选生成，而 TRACE 则使用交叉熵采样和其他技术直接搜索固定基数的掩码。这两种方法在 ImageNet 分类和 MLLM 归因等各种归因任务上都取得了新的最先进成果，其中 TRACE 掩码在…
-
新方法利用扩散模型实现高效数据集蒸馏
研究人员开发了一种新颖的数据集蒸馏框架，该框架利用预训练的扩散模型进行斑块选择，而不是直接生成图像。该方法通过预测扩散模型的噪声来识别独特的图像区域，从而解决了分布偏移和多步蒸馏等挑战。然后，该方法应用类内聚类和排序来确保斑块多样性，从而实现简化的单步蒸馏过程。实验表明，该方法在 ImageNet-1K 等大型数据集和 ResNet-101 等复杂网络上的指标和设置方面，始终优于现有技术。
-
Reload-Mamba 通过新颖的状态空间建模增强语义分割
研究人员开发了 Reload-Mamba，这是一个利用 Mamba 类状态空间模型来增强多类别语义分割的新颖框架。该方法通过引入边界监督局部细节先验、类别不确定性感知重载门（Reload Gate）以及分层多级别重载机制（hierarchical multi-level Reload mechanism），解决了序列传播中的响应稀释问题。这些创新共同提高了模型恢复关键边界和细节敏感响应的能力，在 ADE20K 和 Cityscapes…
-
新的ERN-Net通过演进式推理节点改进文档二值化
研究人员开发了ERN-Net，一种用于文档二值化的新方法，能够更好地处理退化的图像区域。该方法利用演进式推理节点和多尺度推理来增强模糊笔画、断裂字符和嘈杂背景。实验表明，ConvNeXt-Tiny在准确性和内存效率之间取得了良好的平衡，并且在DIBCO数据集上进行预训练可以在极短的额外训练时间内提升性能。
-
几何引导的Mamba增强了CNN语义分割模型
研究人员已将最初来自DGM-Net的几何引导Mamba模型改编为CNN基础语义分割的即插即用上下文模块。该方法将几何引导注入选择性扫描过程，从而实现由边界和向心流线索调制的长距离特征传播。当集成到六种不同的CNN分割模型中时，几何引导的SSM模块在Cityscapes数据集上始终提高了平均交并比（mIoU）分数，而计算成本仅略有增加。
-
深度学习框架在水稻病害测绘中的比较
研究人员比较了各种深度学习框架，使用无人机多光谱成像来测绘水稻病害的严重程度。该研究评估了 U-Net、U-Net++、DeepLabV3+ 和 SegFormer 等架构，并使用包括植被指数在内的不同输入配置对它们进行了测试。结果显示，U-Net++ 结合 EfficientNet-B3 表现出最高的性能，mIoU 达到 97.62%，这表明轻量级卷积神经网络 (CNN) 在操作性病害监测方面更可靠。
-
深度学习模型在可迁移卫星测深方面优于机器学习
研究人员对用于卫星测深（SDB）的机器学习和深度学习模型进行了比较，重点关注它们在不同地理区域之间迁移知识的能力。研究发现，深度学习模型，特别是像ResNet和ConvNeXt这样的CNN，与传统的随机森林模型相比，表现出更优越的性能和迁移能力。关键改进包括优化训练数据连续性并使用加权RMSE损失函数，这显著减少了误差，尤其是在较浅水域。
-
ATV-Net 通过自适应特征融合增强 CNN 分割
研究人员开发了 ATV-Net，一种自适应三视图网络，旨在增强基于 ResNet 的语义分割模型。该网络利用三个不同的感受野视图——微观、局部和侦察——来捕捉图像数据的不同方面，从逐点响应到放大的上下文线索。与具有固定权重融合的传统方法不同，ATV-Net 采用自适应决策门，根据输入特征动态选择特征响应，并通过全局协调层进一步优化以保持一致性。在 Cityscapes 数据集上的实验表明，ATV-Net 达到了具有竞争力的 80.31…
-
标准知识蒸馏在语义分割中被证明有效
一篇新的研究论文表明，标准的知识蒸馏技术在语义分割任务中具有惊人的有效性。研究发现，在考虑计算预算的情况下，标准的基于logit和基于特征的蒸馏方法优于更复杂、特定于分割的方法。基于特征的蒸馏在Cityscapes和ADE20K等基准数据集上取得了最先进的结果，一个更小的学生模型与其更大的教师模型的性能非常接近。