ResNet18
PulseAugur coverage of ResNet18 — every cluster mentioning ResNet18 across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
WordDetectorNet 使用像素回归和 DBSCAN 进行单词检测
一种新的手写单词检测方法 WordDetectorNet，结合了逐像素边界框回归和 DBSCAN 聚类。与基于锚点检测和非极大值抑制等传统方法不同，该模型将每个像素分类为“单词像素”，并回归其边界框的距离。然后使用具有 1-IoU 距离度量的 DBSCAN 对数千个重叠的候选框进行聚类，并选择每个聚类的中值框作为最终检测结果。
-
AI教程使用Grad-CAM验证医学影像模型
本教程演示了如何使用PyTorch的ResNet18模型构建和评估阿尔茨海默病MRI分类流程。它强调了模型通过利用特定于数据集的伪影而非真正的医学特征来获得高准确率的常见陷阱。该指南强调了在临床部署之前，使用Grad-CAM等技术可视化模型注意力并确保其关注相关解剖区域的重要性。
-
斑马鱼微环路启发节能鲁棒AI
研究人员开发了一种新方法，用于将特定计算功能归因于生物神经网络内的微环路，并以斑马鱼视顶盖微环路为模型。通过分析信号传播和模拟网络扰动，他们识别出负责节能处理和鲁棒性的不同子环路。然后，这些归因的功能被整合到人工神经网络中，在减少计算量和输入噪声的情况下展示了性能的提升。
-
New framework boosts 6D pose estimation accuracy with RGB-D fusion
Researchers have developed a new framework for estimating an object's 6D pose using a combination of object detection and heatmap regression. Their approach utilizes YOLOv10m for initial object detection and a ResNet18 …
-
New DEEP-GAP study compares NVIDIA T4 and L4 GPU inference performance
A new research paper introduces DEEP-GAP, a methodology for evaluating GPU inference performance. The study systematically compares the NVIDIA T4 and L4 GPUs using various deep learning models and precision modes. Resul…
-
深度学习模型在从图表数据预测加密货币状态方面显示出潜力
研究人员对使用深度学习基于视觉图表表示进行加密货币状态预测进行了系统性研究。他们比较了各种图像编码方法、图表组件和神经网络架构，包括 CNN、ResNet18、EfficientNet-B0 和 Vision Transformers。研究发现，应用于原始蜡烛图的简单 4 层 CNN 达到了 0.892 的高 AUC-ROC，优于更复杂的预训练模型，并且更简单的表示方法出奇地更有效。
-
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%。
-
New dataset aids automatic classification of singing vocal modes
Researchers have developed a new dataset for automatically classifying vocal modes, a technique important for technology-assisted singing instruction. The dataset, comprising over 3,752 sustained vowel samples from four…
-
深度学习从病理图像预测乳腺癌亚型
研究人员开发了一个新的深度学习框架，使用组织病理学图像对乳腺癌亚型进行分类，有可能减少对昂贵分子检测的需求。该方法采用多目标斑块选择策略，结合遗传算法和不确定性估计，以识别用于分类的信息性图像斑块。该方法在内部和外部数据集上均取得了较高的F1分数和AUC值，证明了其通过提供计算效率高、基于成像的替代方案来支持临床决策的潜力。