PulseAugur
中
实时 20:03:31
实体 ResNet18

ResNet18

PulseAugur coverage of ResNet18 — every cluster mentioning ResNet18 across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
8
90 天内 57
发布 · 30天
0
90 天内 0
论文 · 30天
7
90 天内 56
层级分布 · 90 天
主题
关系
情绪 · 30 天

4 天有情绪数据

最近 · 第 1/4 页 · 共 62 条
  1. TOOL · CL_352383 ·

    研究揭示手稿级泄露夸大了AI手稿分类的准确性

    一篇新论文探讨了历史手稿分类的评估协议,强调了手稿级泄露对准确性指标的重大影响。研究人员发现,在训练手稿的页面上进行测试会极大地夸大感知准确性,从页面级拆分转向手稿级拆分时,准确性从97%下降到54%。该研究还调查了软标签和置信度校准的作用,表明虽然软标签可能不会提高准确性,但它们可以使预测分布更接近专家评估,并减少与专家评估的分歧。

  2. TOOL · CL_327277 ·

    新型防御“组合锁”应对多触发器AI后门攻击

    研究人员开发了一种名为“组合锁”(Combinatorial Lock)的新型防御机制,以对抗AI引擎中的多触发器后门攻击。这种无需训练的方法将识别多个异构攻击触发器视为一个组合问题,利用二元激活签名。该系统集成了异常门控光谱擦除和哈希压缩组合签名,在保持高干净准确率的同时,显著降低了攻击成功率,并适用于各种模型架构。

  3. TOOL · CL_324984 ·

    LiteMed-ViT:用于医学影像的轻量级视觉Transformer

    研究人员开发了LiteMed-ViT,这是一种专为边缘设备上的医学图像分析设计的轻量级视觉Transformer。该模型采用双Token蒸馏方法,从更大的CNN教师模型中学习,显著减少了参数数量,同时保持了有竞争力的准确性。LiteMed-ViT在BloodMNIST和PathMNIST数据集上表现出对损坏的鲁棒性,并优于紧凑型CNN基线模型,尽管在DermaMNIST数据集上表现出现平台期。

  4. TOOL · CL_323370 ·

    AWS SageMaker SDK v3 简化边缘计算机视觉模型管理

    Amazon Web Services 已将其 SageMaker SDK 更新至 3.0 版本,引入了一种在边缘管理计算机视觉模型的新方法。此次更新用 SageMaker Neo 取代了旧的 SageMaker Edge Manager 进行优化,能够无需手动干预即可训练、评估和部署数千个独立的摄像头模型。该系统利用双分支 SageMaker Pipeline 来训练异常检测器和缺陷分类器,并设有质量门来过滤掉表现不佳的模型。此外,…

  5. TOOL · CL_308154 ·

    新的TAN编码器原生处理组织学图像,减少参数并提高准确性

    研究人员开发了一种名为TAN(Tissue-Aware Network)的新型卷积编码器,旨在更有效地处理组织学图像。与之前裁剪和填充超像素的方法不同,TAN以其原生形状处理每个超像素,将背景排除在操作之外。这种方法产生的嵌入对背景填充具有不变性,显著减少了参数数量和计算负载,同时在BACH等医学成像数据集上保持了具有竞争力的准确性。

  6. TOOL · CL_307855 ·

    LeanTTA框架实现了边缘设备的量化测试时自适应

    研究人员推出LeanTTA,一个专为边缘设备上量化机器学习模型的测试时自适应设计的新颖框架。这种无反向传播、无状态的方法动态更新归一化统计数据,降低了计算成本,并消除了对大批量或历史数据的需求。LeanTTA首次结合了部分自适应与量化模块融合,以获得进一步的效率提升,在ResNet18上展示了15.7%的错误率降低和低内存使用量。

  7. TOOL · CL_289757 ·

    新的深度学习打补丁方法平衡了性能和训练时间

    一篇新论文介绍了一种用于深度学习图像块定位的半自动方法——Stride Independent Patching (SSP)。与依赖步长的自动方法不同,SSP 依赖用户输入来定义图像块的位置。使用 SSP、重叠 (Overlap) 和非重叠 (Noverlap) 打补丁方法训练的 DeepLabV3+ 模型进行的实验表明,SSP 实现了更高的分割分数并减少了训练时间。虽然 Noverlap 产生了更高的召回率,但 SSP 在性能和效率…

  8. RESEARCH · CL_284847 ·

    果蝇连接组被重新用于人工智能任务,在计算机视觉方面展现出潜力

    研究人员已经证明,果蝇的神经连接组可以被重新用于执行人类设计的认知任务。通过使用 MaleCNS v1.0 连接组作为固定的网络拓扑,模型在有界加法和基础关系语言任务上取得了高精度。同样,果蝇的视觉连接组在集成到名为 FlyVision 的架构后,在通用计算机视觉任务中表现出有效性,在 MNIST、CIFAR-10 和 ImageNet-1K 等基准测试中取得了具有竞争力的准确率,并且参数量少于 ResNet18 等传统模型。这些研究…

  9. TOOL · CL_269480 ·

    论文探讨用于泰罗尼笔记识别的层次感知深度学习

    一篇新论文探讨了使用分层深度学习模型来识别泰罗尼笔记,这是一种古老的拉丁速记系统。研究人员在手写和手稿样本上比较了 ResNet18 和 Vision Transformers 等标准分类器与层次感知模型。结果表明,在适应性有限的情况下,分层模型表现更好,而平面分类器在少样本适应方面表现出色。

  10. TOOL · CL_254702 ·

    QSTAR框架通过选择性路由不确定的预测来增强量子迁移学习

    研究人员开发了QSTAR,一个新颖的量子迁移学习框架,该框架将不确定的预测选择性地路由到量子分支。这种方法旨在阐明量子组件在机器学习任务中的效用。在Fashion-MNIST上使用ResNet18骨干进行的实验表明,QSTAR,特别是带有自适应KetGPT-QTL头的QSTAR,取得了具有竞争力的准确性,在低置信度样本上优于自适应经典基线。

  11. TOOL · CL_254442 ·

    AI框架通过面部表情分析增强帕金森病筛查

    研究人员开发了FICAug,一个旨在利用面部表情改进帕金森病筛查的新型框架。该方法通过采用特征信息聚类和数据增强来解决临床数据集小的问题。FICAug对人脸表情特征向量进行聚类,丢弃不一致的簇,并从有效簇内的从高斯采样向量生成合成面部图像。使用FICAug训练的ResNet18模型在UT-MoDaPark数据集上的准确率显著高于标准基线,证明了在数据稀疏场景下引导合成数据生成以学习表征的有效性。

  12. TOOL · CL_254263 ·

    新的ProtoCAM框架改进了少样本乳腺病变分类

    研究人员开发了ProtoCAM,一个新颖的可解释少样本学习框架,专门用于超声影像中的乳腺病变分类。该方法集成了掩码引导特征编码和原型度量学习,以在有限的训练数据下提高分类准确性。在BUSI数据集上的评估显示,ProtoCAM在3路5样本设置下达到了0.910的宏观F1分数,使用ResNet18作为骨干网络在15样本配置下达到了91.65%的准确率,并提供了可解释的诊断决策见解。

  13. RESEARCH · CL_252214 ·

    新AI框架利用MRI和临床数据改进阿尔茨海默病诊断

    研究人员开发了使用多模态数据诊断阿尔茨海默病的新深度学习框架。一项研究侧重于使用解剖学参考来约束基于图像的模型并解决临床数据中的标签泄露问题,通过融合认知评分可达到87.3%的准确率。另一个框架利用3D MRI和临床数据,表明模型性能和解释高度依赖于特定任务、数据模态、融合策略和患者队列。两项研究都强调了用于医学诊断的多模态学习的复杂性以及对可解释性进行仔细评估的必要性。

  14. TOOL · CL_245449 ·

    新基准AAMBERS-UAV强调在无人机杂草分割中进行图像采集感知的评估

    研究人员开发了一个名为AAMBERS-UAV的新基准,用于评估无人机图像中杂草分割的多模态骨干网络性能。该研究强调了图像采集感知评估的重要性,该评估考虑来自同一调查的空间和时间相关的帧,而不是在图像级别分割数据集。结果表明,当完全排除图像采集时,RGB输入表现最佳;而当在模型开发过程中暴露目标图像采集时,RGB和多光谱(MS)输入的组合产生了更优的结果。研究结果还表明,图像采集暴露对模态排名的影响取决于架构。

  15. TOOL · CL_231300 ·

    新的FLaG池化方法提升了跨领域的AI模型性能

    研究人员推出了一种新颖的模块——频域潜在注意力门控池化(FLaG),旨在通过在傅里叶域中操作来改进令牌聚合。该方法在池化前将编码器输出重新表达在频域中,从而能够更全面地表示数据。FLaG已在多种任务中展现出有效性,包括蛋白质活性预测、CIFAR-10和CIFAR-100上的图像分类以及多项语言任务,在多项基准测试中表现优于标准的池化方法。

  16. TOOL · CL_227164 ·

    深度学习系统准确识别孟加拉国芒果品种

    研究人员开发了一个深度学习驱动的网络系统,用于识别孟加拉国芒果品种,解决了区分相似栽培品种的挑战。该系统利用了三个微调的CNN架构,其中EfficientNetB0在测试集上达到了97.36%的最高准确率。该模型拥有约400万个参数,已集成到一个Streamlit网络应用程序中,为孟加拉国的当地农民和农业应用提供了一个实用的工具。

  17. TOOL · CL_221332 ·

    深度学习方法提高了卵巢超声分类的准确性

    研究人员开发了一种病灶引导的感兴趣区域(ROI)深度学习方法,用于卵巢超声分类,在减少标注工作量的同时实现了高准确性。该方法在MMOTU和OUD两个数据集上进行了评估,使用了各种深度学习架构和传统机器学习分类器。病灶引导的ROI策略,特别是与MaxViT-Tiny模型结合使用时,表现出卓越的性能,在MMOTU上准确率为93.10%,在OUD上准确率为97.56%。

  18. TOOL · CL_206550 ·

    新框架为计算机视觉模型提供因果可解释性

    研究人员开发了一种新的计算机视觉模型因果可解释性框架,称为空间注意力噪声掩码。该方法在分类前动态掩码输入图像,为模型预测提供因果解释,并将责任分配给特定的输入特征。该框架使用U-Net风格的掩码生成器和ResNet18编码器,确保掩码稀疏且空间平滑,同时保持分类性能。

  19. TOOL · CL_206459 ·

    NPU 卸载以时间与性能为代价降低机器人训练能耗

    研究人员开发了一种通过将部分计算卸载到神经网络处理单元 (NPU) 来降低机器人策略训练能耗的方法。该方法涉及冻结视觉编码器,并在 NPU 上运行其前向传播,同时在 GPU 上训练动作生成模块。虽然此方法将能耗降低了高达 27.9%,并减少了 GPU 内存分配,但与仅使用 GPU 的基线相比,训练时间增加了高达 37.7%,策略成功率略有下降。

  20. RESEARCH · CL_198241 ·

    显著性引导裁剪在恶意软件图像分类中效果不一

    研究人员调查了显著性引导裁剪技术在基于图像的恶意软件分类中的有效性。他们使用RawMal-TF数据集和ResNet18架构进行了实验,比较了四种训练条件:无裁剪、随机裁剪、低显著性裁剪和高显著性裁剪。结果表明,虽然低显著性裁剪略微提高了在自然图像CIFAR-100数据集上的性能,但在RawMal-TF的恶意软件图像上,所有裁剪方法与无裁剪相比,性能均略有下降。这表明显著性引导裁剪的效用是领域特定的,恶意软件图像可能需要不同于自然图像的…