ResNet101
PulseAugur coverage of ResNet101 — every cluster mentioning ResNet101 across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的 LaryngealCT 数据集为癌症分期深度学习设定基准
研究人员开发了 LaryngealCT，这是一个用于使用深度学习模型对喉癌进行分期的新基准数据集。该数据集包含从癌症影像数据库 (The Cancer Imaging Archive) 收集的 1,029 张 CT 扫描图像，并已用于对六种不同的 3D 深度学习架构进行基准测试。定制的 3D CNN 在对癌症早期与晚期进行分类时取得了最佳性能，而其他模型在识别 T4 期疾病方面显示出潜力，尽管对这一晚期疾病的敏感性仍然是一个挑战。
-
CNN 在星系图像分类中达到 90% 的准确率
研究人员评估了 ResNet101 和 InceptionV4 卷积神经网络在星系图像分类方面的性能。这两个模型在 Galaxy10 DECals 数据集上均达到了约 90% 的准确率，证明了它们适用于未来的天文巡天。研究发现，在性能指标方面，ResNet101 略优于 InceptionV4。
-
TDA-ViT 模型融合拓扑学与 Transformer 实现 99% 的脑肿瘤分类准确率
研究人员开发了一种新颖的融合模型，将拓扑数据分析 (TDA) 与视觉 Transformer (ViTs) 相结合，以改进从 MRI 扫描中对脑肿瘤进行分类。该 TDA-ViT 模型提取几何/拓扑特征和语义表示，并将它们融合以增强区分能力。该方法在 BRISC2025 数据集上实现了惊人的 99.10% 的准确率，优于现有的最先进方法。
-
新的DEEP-GAP研究比较了NVIDIA T4和L4 GPU的推理性能
一项新的研究论文介绍了DEEP-GAP，一种用于评估GPU推理性能的方法。该研究系统地比较了NVIDIA T4和L4 GPU在各种深度学习模型和精度模式下的表现。结果表明，L4 GPU的吞吐量显著高于T4，尤其是在较小的批处理大小下，而INT8等降低精度的模式相比CPU基线提供了显著的性能提升。
-
研究人员结合 DPU 和 GPU 以加速神经网络推理
研究人员开发了一种新颖的方法，通过在深度学习处理单元 (DPU) 和图形处理单元 (GPU) 之间拆分卷积神经网络 (CNN) 计算来加速神经网络推理。这种“拆分 CNN 推理”方法在数据源附近的 DPU 上处理初始层，在 GPU 上处理后续层，从而显著降低延迟。还引入了一个图神经网络 (GNN) 模型，以准确预测各种 CNN 架构的最佳层划分，准确率达到 96.27%。