ResNet34
PulseAugur coverage of ResNet34 — every cluster mentioning ResNet34 across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新AI模型通过外部证据增强多模态谣言检测
研究人员开发了一种新的模型，用于检测社交媒体帖子中结合了图像和文本的谣言。该模型通过整合外部事实证据和分析内容中的伪造特征来增强检测能力。它使用ResNet34视觉编码器和BERT文本编码器，并辅以一个通过傅里叶变换处理频域数据的伪造特征模块。该系统还采用BLIP生成简洁、忠实于图像的描述，以改善文本和图像之间的语义对齐，并采用门控自适应特征缩放融合机制进行动态多模态集成。在微博和Twitter数据集上的实验表明，与现有方法相比，在准…
-
HASTE框架实现无需训练的CNN压缩
研究人员开发了HASTE，一个新颖的框架，旨在压缩大型预训练卷积神经网络（CNN）而无需额外的训练或数据访问。这个即插即用的模块在推理过程中利用局部敏感哈希动态合并冗余通道，从而降低计算成本。在CIFAR-10和ImageNet等数据集上的实验表明，FLOPs显著减少，例如ResNet34的FLOPs减少了46.2%，而准确率仅有微小下降。
-
Transformer 与 CNN：结直肠组织学分类基准测试
一项新近发表在 arXiv 上的研究比较了卷积神经网络 (CNN)、基于 Transformer 的模型以及混合架构在结直肠组织学图像分类中的性能。该研究使用 Kather 数据集评估了十二种不同的模型，发现所有模型都达到了高准确率，其中基于 Transformer 的架构通常表现出最强的结果。虽然像 EVA-02 和 ViT-B/16 这样的基于 Transformer 的模型表现最佳，但像 ResNet34 和 ConvNeXt-…
-
新的诊断工具可优化高稀疏度下的神经网络剪枝
研究人员开发了一种名为相对可修复性（RR）的新诊断工具，以帮助优化神经网络剪枝，尤其是在高稀疏度水平下。RR使用无标签的校准数据评估剪枝造成的损害在多大程度上可以通过轻量级修复过程来恢复。在ResNet和VGG模型上的实验表明，RR在标准剪枝方法变得不可靠的特定过渡点附近最有效，这表明高稀疏度剪枝应同时考虑权重保留和可修复性。
-
新方法为深度神经网络稀疏性提供自适应控制
研究人员开发了一种自适应正则化方法，以更好地控制深度神经网络中的稀疏性，解决了传统 $\ell_1$ 惩罚会间接影响稀疏率的挑战。该新方案根据模型当前稀疏率与目标稀疏率之间的差异动态调整正则化参数。在说话人验证任务上的实验表明，与密集模型相比，自适应方法能够可靠地实现 75% 到 99% 之间的稀疏性目标，在早期训练中收敛更快，并保持了更好的分布外鲁棒性。