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
-
Virgo探测器使用AI管道对引力波故障进行分类
研究人员开发了VIGILant，一个自动分类和可视化Virgo引力波探测器中故障的管道。该系统同时采用了基于树的机器学习模型和ResNet34卷积神经网络，其中ResNet34取得了0.9772的高F1分数和0.9833的准确率。VIGILant自O4c观测运行以来已部署在Virgo现场供日常使用，提供了一个交互式仪表板来监控故障群体和探测器行为，有助于识别需要进一步关注的低置信度预测。
-
深度学习模型自动分析癌症患者的CT身体成分
研究人员开发了深度学习模型，用于自动分析结直肠癌患者CT扫描的身体成分。训练了包括GoogLeNet和AlexNet在内的四种架构，以预测骨骼肌面积（SMA）、骨骼肌密度（SMD）、皮下脂肪面积（SFA）和内脏脂肪面积（VFA）。GoogLeNet在SMA上的平均百分比误差为4.96%，AlexNet在SMD上的平均百分比误差为8.12%，通过减少手动分割时间和专业知识，展示了简化临床工作流程的潜力。
-
新流程改进了从监控摄像头进行的交通对象标注
研究人员开发了一种新的两阶段流程，使用监控摄像头图像精确标注道路交通对象。该方法改进了通常因透视失真和视差而出现错误的标准方法。该流程首先使用 YOLO26 检测器检测车辆，然后采用 ResNet34 网络预测车辆的底角点，最终计算其在路面上的位置。实验表明，在 DAIR-V2X 数据集上，图像空间标注误差显著降低了 51.8%。
-
深度学习量化鸟类进化，揭示灭绝后辐射
研究人员开发了一个新颖的深度学习框架来分析鸟类形态进化，超越了依赖手动注释和同源性的传统方法。这种新方法使用在超过10,000张鸟类物种图片上训练的ResNet34卷积神经网络来提取高维特征向量，将视觉语义投影到形态空间中。这个视觉形态空间在没有先验知识的情况下成功恢复了分类层级并识别了同源性和趋同性。研究还揭示了网络嵌入中显著的系统发育信号，并识别了K-Pg灭绝事件后进化差异的“早期爆发”模式，支持了生态位填充假说。
-
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。